Trae AI编程快速上手:半小时完成年会抽奖程序

朋友们,今天听说字节上线了Trae 国内版,对标Claude的一款AI智能IDE,晚上迫不及待的下载安装,并使用trae来创建一个年会抽奖程序(方便和cline做对比)。废话不多说,马上奉上体验报告!

安装&启动

下载地址:https://www.trae.com.cn/

打开网址,根据你的操作系统选择对应版本,我使用的windows系统,这里默认的就是windows,直接下载,无脑下一步安装。

安装完成后打开Trae,界面非常简洁:

这里会进行一些配置,我们点击开始按钮,继续下一步:

选择自己喜欢的主题,我这里选择的是亮色,黑色和深蓝配色也很棒,大家可以选一个自己舒适的颜色。选定后继续:

因为trae是基于vs code开发的,完全兼容vscode的插件和配置,由于我想要一个干净的开发环境来进行测试,因此这里选择跳过。等后面验证完开发功能之后再决定是否导入。跳过导入之后继续:

添加命令行,trae可以通过命令行来启动。这里用处不大,我选择了安装,如果在刚好打开命令行,启动trae会更方便一些。安装完成后继续下一步:

这里是配置的最后一步,刚开始我选择跳过,但是打开之后如果不登录,则无法使用AI功能,因此这里点击登录。此时会打开浏览器,在浏览器登录完成后会对trae授权。目前支持两种登录方式:

  1. 手机号登录
  2. 掘金账号登录

我这里使用手机号进行登录。登陆后打开编辑器:

界面依然简洁,左侧是工作区,右侧是AI助手面板。

AI编程配置

当我们登录账号后,在AI面板会展示出来支持的两种模式,分别是Chat模式和Builder模式。

Chat模式

Trae Chat模式左侧面板展示一个对话框,用来输入我们想要AI帮助解决的问题。在窗口底部右侧可以选择使用的AI模型

目前支持的模型有:

  1. Doubao-1.5-pro (默认)
  2. DeepSeek-Reasoner(R1)
  3. DeepSeek-Chat(V3)

这些模型都是免费无限量使用的,我们可以随便提问,速度非常快。相比于让AI给出编程提示,我更喜欢Builder模式,因此快速跳到下一节,期待已久的Builder模式!

Builder模式(Alpha)

在切换模式时可以明确看到,Builder模式仍处于Alpha阶段,功能可能会不稳定(所以使用过程中我们要多一些包容,慢慢尝试,细心引导):

启动后,我们可以看到和Chat模式相似的窗口:

在builder模式中,我们可以使用两种大模型,分别是(字节自家的豆包还不支持):

  1. DeepSeek-Reasoner(R1)
  2. DeepSeek-Chat(V3)

我们这里选择DeepSeek R1,在对话框里输入:

帮我生成一个基于网页的抽奖程序,要求采用vue来进行开发,界面简洁,易于使用

回车,让代码飞一会儿~

trae在执行命令的时候,会停下来让我们审阅和运行。我们点击运行,trae会帮我们运行创建项目的命令,接下来每一个步骤都会询问我们(个人感觉有点烦哦,可能是Alpha的原因),命令行里执行代码也需要选择和确认:

项目生成完之后,又通过几个指令对功能进行微调,全程没有输入一行代码,仅告诉trae需要什么,要进行哪些修改,耗时半个小时左右,完成了一个效果还说得过去的抽奖程序:

(为啥总是写抽奖程序呢?因为刚入坑的时候,几乎每年都有朋友问我要抽奖程序。这回好了,AI可以帮他们搞定~)

总结

朋友们,今天这篇文章只能算是trae初体验,但是我已经被Trae AI IDE震撼了,尽管目前Trae还处于Alpha阶段,但是功能已经如此强悍了,代码辅助、自动编码、代码补全……后面会对我们的开发提供什么样的帮助,让我们一起期待吧~

推荐阅读

  1. 编程神器!Cline+DeepSeek零门槛对话式编程,小白变全栈
  2. 清华大学DeepSeek教程下载地址分享

📢 创作不易,如果这篇文章对你有帮助,欢迎❤️关注、👍点赞支持,并️转发给那些需要的朋友!关注 [拓荒者IT] 获取更多精彩内容!

<think>好的,我现在需要处理用户关于Trae-AI在单片机编程方面的查询。首先,用户提到了“Trae-AI 单片机 编程 教程 示例 程序”,但根据我的知识库,并没有关于Trae-AI的具体信息。这可能是一个拼写错误,或者用户提到的工具比较小众或尚未被广泛收录。 接下来,我需要确定用户的需求。用户可能希望找到使用某个AI工具(如Trae-AI)进行单片机编程的教程和示例程序。但由于Trae-AI的信息缺失,我需要考虑替代方案。常见的AI辅助单片机编程工具包括TensorFlow Lite for Microcontrollers、Edge Impulse等,这些工具可以帮助开发者进行机器学习模型的部署和优化。 然后,我应该检查是否有任何可能的拼写错误或相近名称的工具。比如,用户可能指的是“Tree-AI”或其他类似名称的项目,但经过快速检索,仍然没有找到相关结果。因此,可能需要建议用户确认名称的正确性,或者转向其他已知的资源。 接下来,我需要提供有用的替代方案,帮助用户实现他们的目标。例如,介绍如何使用Edge Impulse结合单片机进行机器学习项目,或者使用Arduino和TensorFlow Lite的示例。同时,提供一些基本的代码示例和教程链接,确保用户有实际的材料可以参考。 此外,用户可能对如何将AI模型部署到单片机感兴趣,所以需要涵盖模型训练、量化和部署的步骤。确保回答结构清晰,分步骤说明,并附上示例代码,如Arduino的LED控制或传感器数据采集,这样用户可以直接应用。 最后,生成相关问题,帮助用户进一步探索该领域,例如性能优化、选择合适的单片机或结合其他工具的方法。这些问题可以引导用户深入学习和解决问题。 总结来说,由于Trae-AI的信息不足,我需要礼貌地指出这一点,并提供可行的替代方案和详细指导,确保用户即使在没有Trae-AI的情况下也能继续进行单片机编程项目。</think>关于Trae-AI在单片机编程方面的公开资料,目前尚未检索到直接相关的教程或示例程序[^1]。不过可以通过以下方向进行探索: 一、AI辅助单片机开发通用方法 1. 模型轻量化部署 - 使用TensorFlow Lite Micro框架将训练好的AI模型转换为单片机可执行格式 - 示例代码片段: ```cpp #include <tensorflow/lite/micro/all_ops_resolver.h> tflite::MicroInterpreter interpreter(model, resolver, tensor_arena, kTensorArenaSize); ``` 2. 边缘计算实现 - 基于STM32Cube.AI工具链部署神经网络 - 典型应用场景:传感器数据分析、语音指令识别 二、推荐替代方案 1. Edge Impulse平台 - 提供完整的机器学习工作流: $$数据采集 \rightarrow 特征提取 \rightarrow 模型训练 \rightarrow 部署到设备$$ - 支持Arduino、Raspberry Pi等开发板 2. Arduino TinyML案例 - 手势识别示例: ```arduino #include <EloquentTinyML.h> float inputs[64]; // 传感器数据输入 float outputs[3]; // 分类结果输出 tfl.predict(inputs, outputs); ``` 三、开发建议 1. 硬件选型要点 - 优先选择支持Cortex-M4/M7内核的MCU - 确保具备至少256KB Flash和64KB RAM 2. 性能优化技巧 - 采用8位整数量化(INT8) - 使用内存池管理技术
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