字节的Trae不像一个IDE,它更像一个人

从去年开始,AI编程工具开始进入了程序员的工具箱,Cursor、Windsurf、GitHub Copilot等都极大地提升了编程的效率,但是这些工具都是国外推出的,以英文版为主,对国内程序员并不友好,尤其费用比较高,每月10刀,20刀,感觉比较肉疼。

在AI的各个领域中国人都是不会缺席的,果然,最近字节跳动也推出了国内首个AI 原生IDE:Trae。

之前我给大家分享过字节的MarsCode,那是一个IDE的插件,而Trae则是一个全新的智能协作AI IDE,在项目开发中,以动态协作作为核心,打造一种人机协同,互相增强的全新开发体验。

Trae预置了豆包 1.5 pro、满血版DeepSeek R1、V3模型,并且完全免费。

3f1b1028ee8b92d8e7e222c031a90ffd.png

在使用Trae的时候分为Chat模式和Builder模式:

25901625c6509123881a2b5a1a117b29.png

Chat大家应该很熟悉,可以随时对编程时遇到的问题提供帮助和建议。

Builder模式才是重磅炸弹,就像一个坐在身边的程序员一样,从零开始一步步地把一个项目创建出来,它不但会生成代码,还会安装依赖,自动抓取命令行窗口的错误,然后进行修复,非常强悍。

01

Chat模式

先简单说一下Chat模式,现在支持三种模型,我在使用中选择了DeepSeek-Reasoner(R1)。

8223b346eec2a6f00ab7d55da71cbb59.png

在Chat模式下有个引用的概念,可以引用四个层级:WorkSpace,Folder,File,Code。

6ac4262e7fb95d2b0dfb1c57cdb73726.png

实际上在使用的时候,选中文件夹、文件、函数等,添加到对话就行:

708e7495e86d5fa00dd6397bd9e9d471.png

1.代码解释

我是把WorkSpace中“payroll”这个目录添加到了对话,然后直接问它:解释下这个文件夹下的代码是做什么的。

Trae 开始了思考:

52f3a9bc5d3617d3be65bb16e3f9e3e4.jpeg

从它的思考过程就能看出,它抓住了这个系统的关键。

果然,它最终给出的解释也很准确:

eaa4e60753dd6d06e06f72fa25ed2e18.png

2.生成测试

这次我把一个Java类的函数添加到对话,然后让它生成单元测试。

ed43e9272854b1dc0af2f6ca91d6d1c0.png

它很快就理解了代码,很快就完成了三个测试用例,我只需要点击应用就可以了。

8501e71872eb6240e8dc3fe7fb06629e.png

3.智能补全

代码的智能补全在MarsCode中就做得非常好,我相信Trae肯定不会差,试了一下果然如此,能准确识别我的意图,只需要不断按Tab键就可以了,这里就不再赘述了。

338cd607be9dca3137cc3de0c4eff1e9.gif

02

Builder模式

如果说Chat模式只是牛刀小试,那Builder模式才是真正的大杀器。

这一次,我让它从零开始创建一个简单的个人博客系统,要求如下:

技术栈:Python(FastAPI) + SQLite + Jinja2模板

核心模块:

用户认证:JWT登录/注册(密码哈希存储)

文章管理:Markdown编辑器 + 文章CRUD的操作

路由控制:RESTful API设计(如GET /posts/{id})

前端渲染:服务端渲染基础页面

b9d60143226f4d7143a9258cf6dccf71.jpeg

它很快就把项目结构和部分代码生成了,我只要“接受”就可以了:

2026aaa9d3abb465637c86da9d10d6ae.png

然后它就要求启动服务器,我要做的就是点击“运行”。

d9a23082a7255c7873c0420a9dc2bc83.png

这时候有趣的事情就发生了,它会自动监测控制台有没有错误,结果真的有错:没有安装unicorn

18c6d3a90063a041783f25d183a9eed1.png

然后Trae就发现这个问题,自动修改了requirements.txt,重新运行pip install 就OK了。

4a1dd9cea33f7ba5e5cda480477e534a.png

Trae就像个程序员,有时候它写代码时也会犯错,比如它在创建项目结构的时候忘了创建static目录,在运行时报错,它发现以后再次创建。

8ecec120580cdd16695bbcad022e6ad8.png

如果我发现缺失了一些功能,例如“posts的数据为空的时候,应该添加一个创建新文章的链接及相关页面”,就会告诉它来修改:

4482c2ba44c8990236f5f23e45e5b981.png

很快,新功能就搞定了:

8c4a67e760011bf38e34ddff019f76de.jpeg

我觉得默认的文章列表比较丑,就要求它优化一下,你看它调整了卡片间距,阴影效果,增加了分页等功能。

ad1bda2b03da30c23866deb43a19e5ac.png

就这样在Builder模式下不停地和它交互,修改错误,添加新功能、确认、运行...... 我基本上没写代码,功能大体上就完成了。

d4120f26fe821c9a526084c2e9d80004.png

03

总结

试用完Trae的各种功能后,我大为感慨,现在的AI IDE已经发展到如此地步了!

之前的各种AI编程助手,都是在IDE中安装一个插件,由人来驱动AI、指挥AI。程序员需要明确地把要做的事情和项目细节告诉这些插件:我要创建一个类/函数,实现某功能;程序报错了,fix一下.....

如今Trae在这些功能的基础上,实现了很强的人机协同的感觉,它就像一个坐在旁边的“老朋友”,非常主动地工作。它会主动地思考实现整体设计,快速地、自动地完成大量琐碎的工作,当它发现错误或者缺失了什么东西,能自动地提醒我去修复,并且在背后把材料都准备好。

我只需要告诉它高层的策略,然后就是不断确认,遇到问题给它提供线索,让它分析修改代码,从而让整个项目快速地推进,这种感觉非常美妙。

简单来说,Trae可以让我们快速地把创意转变成成果,并且转变的过程是一种享受。

我也强烈建议你尝试一个Trae,让自己的编程变得更加轻松。

赶紧点击“阅读原文”,下载试试吧!

### 关于字节跳动 Trae 软件开发工具平台的详细信息 字节跳动推出的 Trae 是一款集成了多种先进 AI 模型的智能开发环境(IDE),旨在通过智能化手段提升开发效率并降低编程门槛[^1]。Trae 的核心理念是以“机协同、互相增强”为基础,提供从需求分析到代码生成的全链路支持[^4]。以下是 Trae 的主要功能和特点: #### 1. **智能代码生成与优化** Trae 支持基于自然语言生成代码的功能,开发者可以通过描述需求让 Trae 自动生成高质量代码。此外,它还能够对现有代码进行优化,减少冗余和潜在错误。 #### 2. **全自动 Debug 功能** 在实际试用中,用户反馈 Trae 仅可以自动生成代码,还能根据运行结果自动检测并修复代码中的问题,极大地减少了手动调试的时间成本[^3]。 #### 3. **全链路开发支持** Trae 提供从需求定义到代码实现的全流程支持,覆盖了代码补全、代码理解、Bug 修复等多个开发场景。这种全面的支持使得 Trae 成为一款适合复杂项目开发的工具。 #### 4. **独立开发平台 vs 插件化工具** Trae 定位为独立的 AI 原生开发平台,而 MarsCode 则是字节跳动旗下的另一款轻量化 AI 编程插件。两者的区别在于 Trae 提供完整的开发环境,适用于需要端到端解决方案的场景;MarsCode 则专注于代码质量优化,并依赖于现有的 IDE 工具如 VS Code 等[^2]。 #### 5. **适应性与易用性** Trae 非常适合中文开发者使用,其界面设计和交互逻辑充分考虑了本地化需求。同时,由于其强大的自动化能力,即使是初学者也能快速上手并完成复杂的开发任务[^1]。 ### 示例:使用 Trae 自动生成神经网络程序 以下是一个简单的 Python 神经网络代码示例,展示 Trae 如何根据自然语言描述生成代码: ```python import tensorflow as tf # 创建一个简单的神经网络模型 model = tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(10) ]) # 编译模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 训练模型 model.fit(train_images, train_labels, epochs=10) # 测试模型 test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f"Test accuracy: {test_acc}") ``` 上述代码展示了如何使用 TensorFlow 构建一个基本的神经网络模型。在 Trae 中,开发者只需输入类似“构建一个用于分类任务的简单神经网络”的自然语言描述,即可自动生成此类代码[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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