<span class=“js_title_inner“>我用trae开发了一款颜值测试小程序</span>

AI编程工具-trae介绍及使用 TraetherealAIeTrae 是一款面向开发者的 AI 驱动的集成开发环境(IDE)。它通过智能代码补全、多模态交互以及对整个代码库的上下文分析等功能,帮助开发者更高效地编写代码。Trae 的主要优点在于其强大的 AI 能力,能够理解开发者的需求并提供精准的代码生成和修改建议。该产品目前提供免费版本,旨在帮助开发者减少重复性任务,专注于创造性工作,从而提升编程效率和生产力。它集成了国外主流的大模型Claude-3.5-Sonnet 和 GPT-4o,且目前免费使用。 阅读详情

大家好,我是农村程序员,独立开发者,行业观察家,算法之虎,前端之兔,一个有毅力的吃货。

最近我在trae的帮助下开发的一个小程序,颜值水晶球。可以召唤美丽女神维纳斯♀测量和点评✨颜值✨。

希望能够给你们带来快乐😊😊😊

一,体验小程序

大家可以点击上述小程序,也可以搜索微信小程序“颜值水晶球”,还可以扫描下面的二维码来体验。

我个人对这个小程序的效果还是比较满意的,产品的完成度可以打9分。

下面是一个操作演示视频。

二,水晶球诞生过程

下面谈一谈颜值水晶球诞生的心路历程,可能对想独立开发产品的同学有所借鉴,也是我自己的一个经验总结。

1,怎么想到来开发小程序?

我心中一直有一个独立开发者的梦想。看过一些相关独立开发者的故事。了解了独立开发的三件套:日记,记账,待办。

为什么是这三类产品呢?因为这三类产品比较简单独立开发者能够搞定,同时又持续有广大的市场需求,并且非常高频。

不过我一直主要是做算法和数据的,不太懂前端。虽然业余稍微学过一些html, css, javascript这些基础知识,但真的要开发一个项目,还是非常吃力的。

随着cursor的火爆,我了解后快速地学习试用了一下,有了它的加持,我感觉前端领域我忽然变得强的可怕。

然后我就用它开发了第一款小程序:记个todo。

这个小程序非常简单,基本上我自己没有敲一行代码,没有看一行代码就完成了开发。

这个小程序整体的完成度我自己可以打8分吧。

2,怎么想到开发一个颜值测试产品?

有一天我刷手机看到了国外一个独立开发团队的故事,他们做的非常成功,产品有数百万用户。

他们主要的产品是如下3个:恋爱诊所,颜值测试,卡路里照相机。

所谓恋爱诊所,就是把和异性的聊天记录发给这个APP,它可以帮助你诊断双方的情感状态,也可以给出回复的建议。

颜值测试,就是上传一张照片,可以帮助你测量颜值。

卡路里照相机,就是上传一张照片,可以帮助你测量食物的卡路里,对控制体重的同学非常实用。

哇,我看了之后,感觉这几个东西简直就是独立开发新三件套。

市场需求广大,使用高频,且容易实现。我觉得我也可以。

3,开发颜值水晶球花了多久?

前前后后大概花了两周吧,主要是周末时间和晚上时间。

其实功能上第一天就跑通了流程了,但是是在产品体验的设计和调试上消耗了较多时间。

下面几个问题的解决消耗的开发时间和大脑卡路里尤其多。

第一个问题是小程序的命名问题。

有一些容易想到名字比如,AI测颜值,颜值鉴定局,测测颜值等许多名字都是被占用了。

我在元宝上跟deepseek唠了前前后后有五六个小时,才最终选定了这个名字。

第二个是增加颜值趣评。

刚开始只有颜值评分,年龄评估,和性别判断。都是干巴巴的数字,缺少人情味。

后来我想可以加四字成语来评价一下用户颜值,比如颜值爆表,玉树临风,仙气飘飘什么的。

这样更加有趣味性一些。我跟deepseek前前后后聊了大概七八个小时,确定了全部的成语(或四字短语)。

第三个是颜值格言的选定。

颜值测试这类产品本身非常符合人性规律,包括自恋情节,重视外形,以及好奇心等等。

但也可能会有一些负面的影响,可能引起攀比心,或者对一些颜值不高的同学会造成心理打击作用,引起自卑。(比如少年时期的我自己😭)


我想来想去,最终在产品中加入一些简洁但发人深省的颜值格言。可以增加产品的文化内涵,引导用户正确看待颜值。

三,trae使用指引

好了,现在来聊聊技术上的一些经验。

整个小程序,80%的代码都是用trae开发的。

github copilot大概写了10%,我自己大概写了10%这样。

之所以还有10%用的github copilot,主要原因是trae近期用的人太多了,有时候需要排队二三百个,这个时候我等不及就会切换成github copilot 来开发项目。

然后还有10%的代码是我自己写的。主要是在一些特殊场景,trae会陷入bug循环,我会自己写一些代码打印日志定位问题来帮助它解决。

如果要说使用trae最重要的一些经验,我觉得是以下几个。

1,优先选择 claude-3.7 模型

目前写代码最好的模型是claude-3.7-sonnet,如果能够选,优先选择这个模型。

可能在一些常用库和成熟用例的代码开发上一些顶尖的大模型们(o1,deepseek-r1,claude-3.7)差异不大。

但是在一些稀疏用例上,claude-3.7-sonnet目前还是一骑绝尘的。

2,遵循MVP原则开发产品

所谓MVP,就是Minimum Viable Product. 最小可行产品。

针对开发来说,就是要先做一个简单的完整的可以快速试错的东西。

刚开始的时候,不要让trae给你开发一个很复杂很高端的东西,而应该保持简单。实现能够交付的最重要核心功能的东西,走通完整的流程。

成功做出来了简单的产品后,积累了较为完整的经验后,看看哪里还有痛点,卡点,一点点地去迭代,升华你的产品。

这样可以保持整个项目比较可控,你有很多的中间检查点可以回退。并且能够让每个迭代都在解决当下比较关键的问题,不在用户无感的旁枝末节上过度投入。

3,尝试不同策略跳出bug循环

如果深入使用trae的话,在少数情况下,会遇到一些复杂的场景,进入bug循环。

就是出现了一个bug后,把报错日志告诉trae,不成功,然后不停地尝试,bug依然解决不了,甚至出现更多的bug。

哪怕你威胁trae说要给它扣工资,要开除它,它都无法解决这个错误。

或者是某个效果,trae无论怎么尝试都无法取得满意的效果。

这时候,我就会撤销掉这次尝试的所有代码,重新开始一次尝试。

我通常会用如下三种策略来帮助它在新的尝试中更加有效地解决问题。

第一种策略是人工定位。我会自己去写一些日志打印代码,定位问题的具体位置,告诉它是哪个位置开始不符合预期了。

第二种策略是范例修改。我会在github上找到一个非常相关的代码范例,让它基于这个来改动。

第三种策略是代码转译。如果是一些方便解耦的函数功能,我会用我熟悉的语言(Python)来调试成功,然后让trae给我翻译成Javascript.

【AI编辑器】字节跳动推出AI IDE——Trae,专为中文开发者深度定制 字节跳动推出的Trae不仅是一款强大的AI IDE,更是一场关于编程方式变革的开始。它通过智能化的代码生成、补全、问答和审查功能,大大提高了开发效率和质量。同时,Trae还支持多种语言和主题,更加符合中文开发者的使用习惯。此外,它还提供了丰富的插件和扩展功能,以及高度可定制化的架构设计,使得开发者能够根据自己的需求进行个性化配置。与Cursor和Windsurf相比,Trae在AI代码自动生成、智能问答和多语言支持等方面具有显著优势。 阅读详情

相关推荐

国产免费AI编程工具字节Trae来了,Cursor迎来劲敌!

原创大瑜2025年01月20日13:46广东今天朋友圈都炸了!在Cursor和Windsurf两大AI编程工具的夹缝中。字节跳动居然推出了一款免费的国产AI编程软件——Trae,引发全网热议!官方大气:提供和cursor类似的功能,免费白嫖claude3.5和GPT4.0,竟然连自己家的豆包都放进去。

具身机器人和通用AI 2万+

从0到1彻底掌握Trae:手把手带你实战开发AI Chatbot,提升开发效率的必备指南!

Trae是由字节跳动推出的一款免费的AI集成的开发环境,集成了Claude3.5与GPT-4o等主流AI模型,提供AI问答、智能代码生成、智能代码补全,多模态输入等功能。支持界面全中文化,为中文开发者提供了高效的开发体验

weixin_60159567的博客 5万+

从HPPC测试到Simulink仿真:锂电池二阶RC模型参数辨识完整流程

本文详细介绍了从HPPC测试到Simulink仿真的锂电池二阶RC模型参数辨识完整流程。通过HPPC测试获取实验数据,利用Simulink的Parameter Estimation工具进行参数辨识和模型验证,为BMS算法开发提供精确的电池模型。文章涵盖测试设计、数据预处理、模型搭建及工程应用等关键步骤,助力新能源电池研发。

whisky的博客 683

Trae介绍及其配置应用

Trae是字节跳动推出的一款 AI 驱动的集成开发环境(IDE),主要面向开发者。智能问答:开发者在编写代码时,可以随时与 AI 助手对话,获得代码解释、错误修复和需求生成等帮助。代码自动补全:AI 助手能够理解当前代码,并在编辑器中实时提供代码建议,提升编程效率。Builder 模式:从项目需求到代码、依赖、调试,Trae 都能全自动生成,还支持“对话式迭代”。多模态开发:支持上传设计图或原型图,Trae 能直接生成代码,截图标注修改需求也无问题。上下文引用。

m0_74071712的博客 2万+

摄像头visio_最全面弱电智能VISIO图标集(百个),高大上方案就靠这个了

原标题:最全面弱电智能VISIO图标集(百个),高大上方案就靠这个了不会用Visio,Visio画拓扑画的很丑,怎么办?本期sin66小编免费分享一份最全面的弱电智能VISIO图标集(百个)给大家,以后画拓扑、做方案,直接高大上起来!需要本期资料直接看文末!!接下来我们一起看一下这些Visio图标大全:我们从下图可以看出前端设备主要是由枪机,筒机,无线摄像头,半球,球机,USB摄像头等构成,对于绘...

weixin_39644915的博客 1万+

华为/H3C/锐捷交换机配置命令对比表:一张图搞定VLAN划分与端口设置

本文详细对比了华为、H3C、锐捷三大品牌交换机在VLAN划分与端口设置中的配置命令差异,提供从基础配置到高级功能的横向对比表,帮助网络工程师快速掌握多品牌设备混用环境下的配置技巧,提升工作效率。

rust6ferris的博客 699

国产AI代码编辑器TRAE使用详解!对标Cursor

不过,就在本月,字节推出了国产最强AI编码工具:TRAE,直接对标的Cursor,博主也试用了一段时间,编码效果已经快接近Cursor了,最主要的是:**它支持免费不限量使用gpt-4o和claude-3.5-sonnet,**这款产品从制作来看,还是略显仓促,很多功能都没有完全对标 Cursor 进行开发,不过字节的研发实力还是很强的,可以期待他们后续版本的更新。从扣费情况可以看出,每月都会超出它的额度,算下来每月花费需要30美元左右,对于使用AI依赖不多的老铁们来说也是笔不小费用!

技术Z先生的博客 3万+

最新Docker GPU支持全解析:为什么nvidia-smi能用但PyTorch找不到CUDA?

本文深入解析了Docker容器中nvidia-smi命令可用但PyTorch无法调用CUDA的根本原因。关键在于默认配置仅暴露了GPU的utility管理能力,而CUDA计算所需的compute能力未被激活。通过正确设置NVIDIA_DRIVER_CAPABILITIES环境变量为compute,utility,并配合--gpus参数,即可解决此问题,确保AI训练等任务顺利进行。

convnet3designer的博客 237

Trae一款可以辅助编程的国产AI编程工具

官网:Trae - Ship Faster with Trae介绍:Trae是一款由字节跳动开发的AI Idea 工具,能够高效帮助您通过原型图、文本描述需求生成自己的系统,用于开发工作之中。备注;目前仅开放了mac os系统下的安装软件,win系统目前还在候补中。

任聪聪的博客 1万+

MATLAB 论文复现——含氢综合能源系统多目标最优折中分布鲁棒低碳调度

提出基于多目标决策理论和逼近理想解排序技术,构造综合考虑系统调度的经济性、低碳性和鲁棒度的多目标最优折中函数,从而建立含氢综合能源系统多目标最优折中分布鲁棒低碳调度模型,可快速准确地获得兼具经济性、低碳性和鲁棒性的含氢综合能源系统优化调度方案。[1]孙惠娟,胡紫平,彭春华,等.含氢综合能源系统多目标最优折中分布鲁棒低碳调度[J/OL].电力自动化设备,1-13[2024-07-26].https://doi.org/10.16081/j.epae.202406003.关键词: 综合能源系统;

sjr1478的博客 410

k8s 100个高频面试题

以下是 100 个 Kubernetes(k8s)高频面试题及其答案,涵盖了 Kubernetes 的核心概念、架构、组件、工作原理以及实际应用。答案:Master 节点组件:API Server:提供 RESTful API 接口,用于与集群交互。etcd:分布式键值存储,用于存储集群的配置数据和状态信息。Controller Manager:运行各种控制器进程,负责维护集群的状态。Scheduler:负责将 Pod 调度到合适的节点上运行。Worker 节点组件:Kubelet:运行在每个节点上的代理,

wankll的专栏 2777

字节TraeAI工具下载安装及使用详细教程

字节TraeAI工具下载安装及使用详细教程

un_fired的博客 1万+

[亚信线上教学] AX58100: EtherCAT从站设备仿真功能设计教学

什么情况需要开启EtherCAT从站设备仿真功能呢? 一般来说, 当EtherCAT从站产品,不需要使用额外的微控制器介入,或使用不具备EtherCAT从站通讯协议栈的微控制器一同协作的情况下,就必须开启EtherCAT从站设备仿真功能,这样EtherCAT主站才能够正常设置从站设备的工作状态. 亚信AX58100 EtherCAT从站控制芯片的优点 AX58100 EtherCAT从站控制器, 集成2个百兆以太网Phis, 并支持一些额外的控制接口, 例如脉冲宽度调变, 增量, 霍尔编码器, .

allanchou1的专栏 7422

字节Trae,来了,但看完这篇再决定要不要下载

1. 核心元素- 玩家坦克:方向控制(WASD/方向键)、射击(空格)- 敌人坦克:自动移动+简单AI(随机移动/追踪玩家)、定时射击- 地图元素:砖墙(可破坏)、钢墙(不可破坏)、河流(阻挡)、草丛(隐身)- 子弹系统:双方子弹碰撞检测,击毁逻辑。矩形碰撞检测(pygame.Rect.colliderect)敌人AI:随机移动方向+定时射击(每2秒随机发射)游戏流程:生命值管理、分数统计、关卡推进5. 优化扩展粒子特效(爆炸动画)道具系统(护盾、加速等)关卡编辑器(通过配置文件生成地图)

weixin_53884162的博客 1万+

Simulink仿真模块-Signal Generator

Signal Generator:生成各种波形 所在的位置库为:Simulink / Sources 模型为: 说明 Signal Generator模块可以产生四种不同波形: 正弦波 方波 锯齿波 随机 可以使用 hertz 或 rad/sec 为单位表示信号参数。双击模型可以选择需要生成的波形,如图所示: 使用默认参数值,可以获得下列波形之一: 波形 波形输出 正弦波 ...

jk_101的博客 2652

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

IDE TRAE介绍与使用

Trae是由字节跳动发布的一款编程开发工具, 于2025年3月3日发布第一个版本,是国内首个 AI 集成开发环境(IDE,Integrated Development Environment ),它可以深度理解中文开发场景,通过自然语言对话就可以完成需求的开发。AI 高度集成于 IDE 环境之中,为你带来比 AI 插件更加流畅、准确、优质的开发体验。官网地址:https://www.trae.com.cn/home。

weixin_43525722的博客 1万+

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

TraeAi上手体验

TraeAi上手体验,生成一个简单的游戏。

q1003675852的博客 6381

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

字节发布全新 AI IDE:Trae!免费使用 Claude,还能 Devbox 远程开发!

加上新入职的这位,我已经有这么多 AI 员工了,队伍越来越壮大了。至于这位新员工是谁,且听我慢慢道来。我们来看看统计的一组独家数据,这组数据很好地反映了当前 AI 产品的市场情况:从数据中可以清晰地看到,在所有 AI 应用场景中,AI 绘画和 AI 音视频领域位居前列,紧随其后的就是 AI 编程领域。有趣的是,AI 绘画和 AI 音视频的底层技术并非大语言模型。尤其是海外市场,AI 编程工具都卷疯了,轮流上阵,天天在各大媒体上刷屏。。

云原生实验室 2439

Trae初体验-不写一行代码开发2048小游戏

Trae 是字节跳动于 2025 年 1 月 19 日推出的 AI 编程工具。其实我对于国内出现Trae这样类Cursor的编程工具出现并不惊讶,AI编程是目前已经被验证能够真正提效的方向之一,Cursor也打通了付费模式,所以我相信2025年这类的工具将像雨后春笋一般生长出来,让我们拭目以待。

巫山老妖 1万+

Trae 国内版使用文档全攻略,开发者的高效助手 | Trae的入门,就这一篇就够了

Trae 国内版从你下载安装的那一刻起,Trae 国内版就展现出它的与众不同。简洁直观的界面,让你一见倾心。而它的强大功能,更是让人惊叹不已。Trae的入门,就这一篇就够了。

listen_to_rain的博客 1万+

AI编程革命来了!字节Trae引爆3万开发者,中文IDE把海外巨头打懵了

当黄*在凌晨2点用Trae20分钟撸出一个图片压缩网站时,就知道这场AI编程大战的结局已经注定——字节跳动的Trae,正在用“中文母语+Claude 3.5无限白嫖”的组合拳,把Cursor/Windsurf按在地上摩擦!中国开发者苦海外AI IDE久矣!✅中文指令直接怼“我要个带苹果风格的登录页面,要有毛玻璃效果和手机验证码组件”——Trae秒懂需求,生成代码连CSS变量名都自动汉化✅审查模...

dotNET跨平台 1470

Trae使用学习指南

与 AI 助手对话时,你可以指定 Trae 中的内容(包括代码、文件、文件夹、工作空间)作为上下文供 AI 助手阅读和理解,从而确保 AI 助手的答复更符合你的要求。系统将会从对应的 IDE 中获取插件、IDE 设置、快捷键设置等信息并一键导入到 Trae 中,帮助你快速从其他 IDE 切换到 Trae。后,终端将运行该命令。根据你的需求,AI 助手会自动创建新文件或编辑已有文件,并自动保存生成的代码。在内嵌对话输入框中输入你的需求,包括为代码添加注释、解释选中的代码、优化选中的代码等等,然后点击右侧的。

m0_64196863的博客 2万+

告别 Deekseek 和 Cursor ,字节 TRAE 成代码界新宠!

字节跳动Trae 使用指南

m0_61361390的博客 1万+

Trae,国产Cursor来了?Claude3.5 免费用?

备注:评论区回复“AI编程”,送超全 AI 编程资料。这次字节的更新,确实让人眼前一亮。Cursor、Windsurf、GitHub Copilot 已经占据了 AI IDE 的半壁江山。而 Trae 的出现,意味着国内也开始拥有一款能与之对标的工具,这对于国内开发者来说,不仅是一个选择,更是一种被倾听的信号。即使现在 Trae 还存在不少瑕疵,但我相信,未来这款产品会倾听国内开发者的声音,成为更有价值的 IDE。隐约之中,Trae 的出现,让我看到了 Coze 的过去。

Jay的个人博客 6187

字节跳动AI编辑器Trae基本配置教程

字节跳动AI编辑器Trae配置教程

weixin_43811753的博客 1万+
上一篇: <span class=“js_title_inner“>Y→MVP→AARRR:解锁产品增长的「三把钥匙」全图谱</span>
下一篇: 抛一枚硬币,掌握三种参数估计方法
算法美食屋
博客等级 码龄9年 2万+粉丝 154原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值