让 AI 之间自动对话：基于 TRAE Solo 的多智能体团队协作系统设计与实现

让 AI 之间自动对话：基于 TRAE Solo 的多智能体团队协作系统设计与> 当前端 AI 遇到接口问题，它能否直接问后端 AI？后端 AI 解答不了时，能否自动通知工程师介入？本文记录了从问题到完整实现的全过程。

背景：AI 编程工具的团队困境

TRAE Solo 是一款强大的 AI 编程助手，能独立完成前端页面开发、后端接口编写、代码审查等工作。但一个现实问题摆在面前：它是单机工具。

想象这样一个场景：团队中前端工程师和后端工程师各自用 TRAE Solo 开发。前端 AI 在对接后端接口时遇到 401 错误，不知道后端的认证逻辑。此时它只能停下来，等工程师手动去问后端同事。这个"停下来等人"的环节，恰恰是效率瓶颈所在。

如果前端 AI 能直接向后端 AI 提问，后端 AI 分析后自动回复，回复不了再通知人工介入------整个协作链路就打通了。

核心思路：中间件 + MCP Server

TRAE Solo 本身没有跨实例通信能力，但有两个关键接口可以利用：

MCP（Model Context Protocol）：TRAE 原生支持自定义 MCP Server，AI 可以调用 MCP 工具与外部系统交互
企业微信待办：通过 wecom-cli 可以创建待办事项通知团队成员

方案的核心是搭建一个中间件服务，作为所有 TRAE 实例之间的通信枢纽。每个 TRAE 通过自己的 MCP Server 连接到中间件，实现消息的发送、接收和路由。

整体架构如下：

复制代码

┌─────────────────┐         ┌──────────────────────┐         ┌─────────────────┐
│  前端 TRAE Solo  │         │    通信中间件         │         │  后端 TRAE Solo  │
│                 │         │  (FastAPI + SQLite)   │         │                 │
│  MCP Server ────┼──HTTP──→│                      │←──HTTP──┼──── MCP Server  │
│                 │         │  - 消息路由           │         │                 │
│  AI 自动开发    │         │  - 状态管理           │         │  AI 自动分析    │
│  遇到接口问题   │         │  - 超时升级           │         │  尝试解答       │
└─────────────────┘         └──────┬───────────────┘         └─────────────────┘
                                   │
                            ┌──────▼──────┐
                            │  企业微信    │
                            │  待办通知    │
                            └─────────────┘

消息交互格式：三种消息覆盖全链路

系统定义了三种消息类型，覆盖从提问到解决的完整协作链路。所有消息使用 JSON 格式，通过 HTTP 传输。

Question：提问消息

前端 AI 遇到接口问题时发送。包含标题、详细描述，以及结构化的接口上下文：

json 复制代码

{
  "id": "a1b2c3d4e5f6",
  "type": "question",
  "title": "登录接口返回401",
  "detail": "前端调用 POST /api/login 传入正确的用户名密码，但返回 401 Unauthorized",
  "context": {
    "endpoint": "POST /api/login",
    "request_body": "{\"username\":\"admin\",\"password\":\"123456\"}",
    "response_body": "{\"error\":\"Unauthorized\"}",
    "error_code": 401,
    "file_path": "src/api/auth.ts",
    "line_number": 42
  },
  "priority": "high",
  "status": "pending",
  "from_actor": {
    "name": "张志航",
    "userid": "20260193",
    "role": "frontend"
  },
  "to_role": "backend"
}

context 字段是关键设计。它把接口路径、请求体、响应体、错误码、代码位置等信息结构化，让后端 AI 不用猜就能定位问题。

Answer：回答消息

后端 AI 分析后回复。包含回答内容、解决方案步骤和代码示例：

json 复制代码

{
  "type": "answer",
  "question_id": "a1b2c3d4e5f6",
  "content": "问题原因：登录接口需要先获取 CSRF token",
  "solution": "1. 先调用 GET /api/csrf-token 获取 token\n2. 在登录请求头中添加 X-CSRF-Token",
  "code_example": "const token = await fetch('/api/csrf-token').then(r => r.json());\nawait fetch('/api/login', { headers: { 'X-CSRF-Token': token } })",
  "answered_by_ai": true
}

answered_by_ai 字段标记回答来源，方便后续统计 AI 自动解决率。

Escalation：升级消息

当后端 AI 无法解答时触发。系统自动通过企业微信待办通知后端工程师和项目经理：

json 复制代码

{
  "type": "escalation",
  "question_id": "a1b2c3d4e5f6",
  "reason": "无法确定 CSRF token 的生成逻辑，涉及自定义中间件",
  "attempted_solutions": [
    "检查了认证中间件代码",
    "查看了路由配置",
    "搜索了项目中的 token 生成逻辑"
  ]
}

attempted_solutions 字段记录 AI 已尝试的方案，避免人工重复排查。

消息状态流转

复制代码

pending → answering → answered → closed
                └────→ escalated → closed

所有状态变更都记录在 SQLite 数据库中，中间件重启不丢数据。

代码实现

整个系统由 9 个文件组成，用 Python + FastAPI 实现。

文件结构

复制代码

trae-collab/
├── team_config.json    # 团队成员和中间件配置
├── config.py           # 配置加载
├── models.py           # 消息数据模型（Pydantic）
├── database.py         # SQLite 数据库操作
├── notifier.py         # 企业微信待办通知
├── middleware.py       # FastAPI 中间件服务
├── mcp_server.py       # MCP Server（TRAE 集成入口）
├── requirements.txt    # Python 依赖
└── README.md           # 设计文档

数据模型（models.py）

使用 Pydantic 定义所有消息类型，自带字段校验和 JSON 序列化。三种角色 frontend、backend、manager 完全对等，任意角色都可以向任意角色提问：

python 复制代码

class Role(str, Enum):
    frontend = "frontend"
    backend = "backend"
    manager = "manager"

class Question(BaseModel):
    id: str = Field(default_factory=_uuid)
    title: str = Field(..., max_length=120)
    detail: str = Field(...)
    context: ApiContext | None = Field(None)
    priority: Priority = Field(Priority.medium)
    status: MessageStatus = Field(MessageStatus.pending)
    from_actor: Actor = Field(...)
    to_role: Role = Field(...)

中间件服务（middleware.py）

FastAPI 实现，提供 8 个 REST API 端点。核心是问题路由和升级通知：

python 复制代码

@app.post("/api/questions/{qid}/escalate")
async def api_escalate(qid: str, req: CreateEscalationRequest):
    # 创建升级记录
    escalation = Escalation(question_id=qid, reason=req.reason, ...)
    create_escalation(escalation)
    
    # 通知后端工程师
    notify_human_escalation(question_id=qid, ...)
    
    # 同时通知项目经理
    manager = get_member_by_role("manager")
    if manager:
        notify_human_escalation(question_id=qid, to_userid=manager["userid"], ...)

项目经理有专属的仪表盘端点，可以全量查看所有待处理、已回答、已升级的问题：

python 复制代码

@app.get("/api/dashboard")
async def api_dashboard():
    return {
        "pending": list_questions(status=MessageStatus.pending),
        "answered": list_questions(status=MessageStatus.answered),
        "escalated": list_questions(status=MessageStatus.escalated),
    }

MCP Server（mcp_server.py）

这是 TRAE 与中间件之间的桥梁。基于 MCP 协议，定义了 7 个工具供 AI 调用：

工具	作用
`ask_colleague`	向同事发送问题
`check_inbox`	检查待处理问题
`get_question_detail`	查看问题详情
`reply_answer`	回答问题
`escalate_to_human`	升级到人工
`close_question`	关闭问题
`get_dashboard`	项目经理仪表盘

每个工具内部通过 HTTP 调用中间件 API，对 AI 来说就像调用本地函数一样简单：

python 复制代码

@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    async with httpx.AsyncClient(base_url=BASE_URL) as client:
        if name == "ask_colleague":
            resp = await client.post("/api/questions", json=payload)
        elif name == "check_inbox":
            resp = await client.get(f"/api/inbox/{role}")
        elif name == "escalate_to_human":
            resp = await client.post(f"/api/questions/{qid}/escalate", json=payload)
        # ...

企业微信通知（notifier.py）

通过 wecom-cli 创建待办事项，通知人工介入。选择企微待办而非消息，是因为待办功能已授权且不会被消息流淹没：

python 复制代码

def notify_human_escalation(question_id, title, reason, to_userid, ...):
    content = f"[接口协作-需人工介入]\n问题: {title}\n原因: {reason}"
    _run_wecom_cli([
        "todo", "create_todo", "--json",
        json.dumps({
            "content": content,
            "follower_list": {"followers": [{"follower_id": to_userid}]},
            "remind_type_list": [1],
        })
    ])

部署与使用

安装

bash 复制代码

cd trae-collab
pip install -r requirements.txt

配置团队

编辑 team_config.json，填入团队成员信息：

json 复制代码

{
  "members": [
    {"name": "张志航", "userid": "20260193", "role": "frontend"},
    {"name": "后端同事", "userid": "xxx", "role": "backend"},
    {"name": "项目经理", "userid": "yyy", "role": "manager"}
  ]
}

启动中间件

bash 复制代码

python middleware.py

TRAE 中配置 MCP Server

在 TRAE 的 MCP 设置中添加：

命令：python
参数：mcp_server.py 的完整路径

配置完成后，TRAE 中的 AI 就获得了 7 个协作工具。

实际使用

前端 AI 遇到接口问题时，对 TRAE 说：

"我在对接后端的登录接口时遇到了 401 错误，帮我问问后端同事"

AI 会自动调用 ask_colleague 发送问题。后端 AI 定期检查收件箱，收到问题后分析并回复。如果无法解答，自动调用 escalate_to_human，后端工程师和项目经理同时收到企微待办通知。

AI实现