国产之光!Trae个人使用体验

在这里插入图片描述
接上一篇博客,在上一期里面我分享了大约十款左右的国内外AI编程插件、软件以及模型
在我写上一篇文章的时候,Trae的国内版本正式发布并且火爆全网,Trae的海外版本早些时候便已上线但还没来得及使用,正好借着这波国内版发布的热度来分享一下我这几天的使用体验
首先和上一期一样,本文并非客观的性能测评,更多是从实际使用的角度出发分享一下个人的主观感受

我目前使用的是Trae的海外版本,国内版Trae搭配的是DeepSeek与豆包,海外版本为Claude和GPT,差异这里不过多分析,大家自行选择适合的

颜值

首先第一点,Trae真的是我看过的几个基于VS Code开发的编辑器里面颜值最高的一款,Trae的配色和圆角真的十分漂亮,这里放一张图,大家可以自己看一下
在这里插入图片描述
虽然作为程序员,大部分人都主打一个简朴,但这个颜值真的很吸引我,圆润的边框,舒适的配色,作为日常面对最多的工具,颜值高些还是很不错的

补全与生成

当然作为一款生产力工具,好用才是首位的,这里只说一些我用了两天的感受,具体的对比以及大项目的性能测试各位还请自行寻找

在补全的速度方面,延迟很低,小的需求生成质量没有问题,也能结合上下文正确分析,不过生成的行数感觉设置的可能有些保守,写起来可能有一丝丝的“便秘”,一个小的冒泡排序但是要分两次Tab生成,一次只生成一半,多少有些变扭,但确实避免了一次补全一大串不需要的内容

在这里插入图片描述

补全到一半,没了

对话生成方面,Claude 3.7的代码质量还是非常顶尖的,且速度很快,没有拖拖沓沓半天生成一段话的情况,支持自动插入、编辑,和Copilot的Edit功能比,Trae的速度和飞一样,基本点击完“应用”过个几秒,文件就编辑完全,等待你确定了

Copilot的Edit真的太慢了,编辑一个文件从上往下一点点生成,那速度惨不忍睹,而且生成一半网一不稳就ByeBye,在这点上Trae真的薄纱

在这里插入图片描述
编辑的准确的也是可以的,不会乱动无关的文件和内容,红色绿色标记清楚修改的内容等你确认

存在的小问题

Trae的综合体验还是很顶的,颜值与性能兼备,作为VS Code的重度用户上手很顺畅

但作为一个新的产品,问题还是不可避免的有一些的,这里列举几个我遇到的小Bug或者待改进的地方
在这里插入图片描述

不能禁用通知
像是用了Background插件后会提示损坏,但是不能禁用通知,每次都会提醒

在这里插入图片描述

“返祖”
Trae:我保留了一点点VS Code本来的味道

在这里插入图片描述

不能自动生成Commit信息
这个算是个人希望有点一个小功能,Copilot、Codeium都有点一个常见功能,但是Trae目前还不包含,我这种语文不好的人真的太需要了

字体颜色渲染错误,不能正确渲染,代码变成炫彩RGB的了

我忘记截图了啊啊啊啊啊啊啊啊啊啊

总结

Trae总体上真的是很不错的一款AI编辑器,目前作为一个新生的产品问题肯定是有的
同时Trae国内外模型差异以及后续是否会收费都是问题
但不可否认Trae目前来看无疑是十分成功且潜力无限的,作为一个国产的AI编辑器,即使后面不可避免的走上收费的道路,我依然觉得是可以支持的

03-24
### Trace AI 工具概述 Trace 是一种专注于自动微分技术的新一代工具,旨在优化人工智能系统的开发流程[^1]。它通过高效处理复杂的计算图结构来提升性能,在某些场景下能够与 SCATS 启发式方法相媲美。然而,相较于其他工具(如 OPRO),Trace 的优势在于其对内存的有效利用以及针对特定任务的高度适应能力。 #### 功能特点 - **快速收敛**:实验数据表明,Trace 能够迅速达到与其他先进算法相当的表现水平。 - **依赖于记忆机制**:该工具有较强的依赖性于内部存储的状态信息,这对于完成复杂任务尤为重要。 - **额外资源需求**:尽管如此,由于需要构建详细的计算图表并调用大型预训练模型执行推理操作,因此会带来一定的运行成本增加。 另外需要注意的是,“Trae”作为另一款由字节跳动推出的国产化产品,虽然名称相似但两者功能定位不同。“Trae”主要定位于集成开发环境领域,提供了一个强大的平台用于简化机器学习项目的创建过程,并兼容多种主流深度学习框架及预训练模型[^2]。 ### 使用方法 对于希望尝试 “Trae”的开发者来说,可以通过访问官方网站获取最新安装包(http://trae.com.cn) ,按照指引完成软件部署工作之后即可开始体验其便捷之处 。同时为了帮助用户更好地掌握各项特性,官方也提供了详尽的帮助文档 (https://docs.trae.com.cn/docs/set-up-trae),涵盖了从基础设置到高级技巧在内的众多主题。 至于具体的编程实践方面,则需依据个人项目实际需求选取合适的模板或者自定义脚本实现目标功能;在此过程中还可以充分利用内置插件扩展系统潜力,比如引入不同的神经网络架构或是调整超参数配置等等 。 ```python import trae model = trae.Model('doubao-1.5-pro') # 加载指定的预训练模型实例 data_loader = trae.DataLoader(...) # 定义输入数据流管道 optimizer = trae.Optimizer(...) for epoch in range(num_epochs): for batch_data in data_loader: outputs = model(batch_data) loss = compute_loss(outputs, labels) optimizer.zero_grad() loss.backward() # 利用trace进行反向传播求导数运算 optimizer.step() ``` 上述代码片段展示了如何基于 `trae` 库搭建简单的监督学习循环逻辑,其中涉及到了加载外部权重文件、准备批次样本集合、初始化梯度更新策略等多个环节的操作示范 。 ---
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