Trae使用介绍

Trae介绍 #

Trae 是字节跳动推出的一款融合了 AI 辅助编程、智能代码建议、生成代码文件 以及 灵活适配不同场景 的 IDE。它不仅能够帮助开发者更快地编写代码，还可以根据具体提示语生成代码并进行维护，从而优化开发流程，实现高效协作。

选择 Trae ，主要因为它是国产软件，有中文界面和文档，并且完全免费，完全免费，完全免费。缺点是bug较多，反应速度较慢，好的一点是字节几乎一天一更新，相信将来会变得更好。

Trae下载官网

主要功能 #

上下文 #

当你需要参考某个特定函数、接口的代码，或者想要了解某个文件、文件夹的整体内容，又或者想对整个工作空间有一个全局的认识时，就可以使用该技巧向 AI 助手获取相关信息。

可以选择Code、File、Folder、Workspace、Doc、Web不同功能，能够更好地满足复杂开发需求。

在选择代码上下文时，我常用的使用快捷键Ctrl+U添加,也可以将终端中的内容作为上下文

模型 #

Trae 预置了一系列业内表现比较出色的模型，你可以直接切换不同的模型进行使用。此外，Trae 还支持通过 API 密钥（API Key）接入自定义模型，从而满足个性化的需求。

个人使用过程中，感觉Gemini-2.5-Pro-Preview模型、和Claude-3.7-Sonnet模型对于代码的理解相对于其他模型较好。

AI修复 #

Trae会自动探测代码中存在的明显问题，并指明具体位置

根据指示，当鼠标位于上方会出现AI修复提示

点击修复按钮，Trae会给出修改建议如下：

代码补全 #

在光标所在位置，敲击回车键换行，AI 助手会阅读并理解当前代码，然后自动补全后续代码。

按下 Tab 键，接受所有自动补全的代码。

多模态图片 #

当你遇到一些用文字难以描述清楚的问题时，就可以使用该技巧通过添加图片的方式更准确高效地表达需求。

规则 #

可以通过制定规则来规范 AI 在 Trae IDE 内的行为。

比如：我告诉AI我的操作系统为Windows，跟我保持中文对话。

智能体+MCP #

智能体 #

智能体是你面向不同开发场景的编程助手。除内置的智能体 Builder 外，你还可以创建自定义智能体，通过灵活配置提示词和工具集，使其更高效地帮你完成复杂任务。

Trae 提供以下内置智能体：

Builder：Builder 可以帮助你从 0 到 1 开发一个完整的项目。根据你的需求，Builder 会调用不同的工具，包括分析代码文件的工具、编辑代码文件的工具、运行命令的工具等等，从而更加精确且有效地处理你的需求。
Builder with MCP：在 Builder 的基础上，你配置的所有 MCP Server 都会默认添加至 Builder with MCP，且不可编辑。

MCP #

AI 模型通过连接外部应用，来扩展功能。每个外部应用的接口，都不一样，如果要接入10个应用，就要写10种接入代码，非常麻烦。而且，要是换一个模型，可能所有接入代码都要重写。

Anthropic 公司在2024年11月提出了 MCP 协议。外部应用只需要支持这个协议，提供一个 MCP 接口（又称 MCP 服务器），那么 AI 模型就可以用统一的格式接入，不需要了解外部应用的接入细节。

所以，MCP 可以理解成一个 AI 与外部应用之间的适配层，由于 MCP 解决了 AI 应用的接入痛点，诞生至今仅半年，已经变得极其流行。

使用案例一：自动提交代码 #

我们可以利用MCP安装git服务，让其自己提交代码，生成commit message。

安装uv #

注意：设置环境变量

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

添加git mcp服务 #

在内置MCP市场中，选择Git服务，并配置安装。

配置信息：

{
  "mcpServers": {
    "git": {
      "command": "uvx",
      "args": [
        "mcp-server-git",
        "--repository",
        "C:\\Users\\***\\go\\src\\VideoForensic\\master"
      ]
    }
  }
}

添加代码提交智能体 #

配置安装之后，如果没有智能体，MCP是无法直接使用的，接下来新建一个智能体。

点击新建智能体，并输入提示词，并保存。

提示词 #

## 角色 (Role)

你是一个智能的 Git 版本控制助手。你的主要职责是协助用户安全、规范地将本地代码变更同步到远程仓库。这包括拉取最新代码、根据用户提供的代码变更生成 中文的Commit Message，并准备执行一系列 Git 命令来提交和推送这些变更。

## 任务 (Task)

1.  **同步远程开发分支 (Sync Remote Development Branch):**
    *   首先，执行 `git pull origin dev` 命令，以确保本地 `dev` 分支（或当前工作分支，如果AI有能力推断的话）与远程 `origin/dev` 分支同步。
    *   **冲突处理**:
        *   **如果 `git pull origin dev` 成功且无冲突**：继续执行后续步骤。
        *   **如果 `git pull origin dev` 遇到合并冲突**：你需要立即停止后续所有 Git 操作（`add`, `commit`, `push`）。并明确提示用户：“在 `git pull origin dev` 过程中检测到合并冲突。请先手动解决这些冲突，并在解决完毕后重新尝试提交操作。” 此时，AI不应尝试自动解决冲突或继续执行。

2.  **分析代码变更 (Analyze Code Changes - 仅在 pull 成功后进行):**
    *   在 `git pull` 成功且无冲突后，仔细理解用户提供的代码（可能是 `git diff` 的输出、变更的文件列表、或者对变更的文字描述）。

3.  **生成 Commit Message (Generate Commit Message - 仅在 pull 成功后进行):**
    *   根据代码变更，撰写一个简洁、清晰且符合行业最佳实践（例如 Conventional Commits 规范）的 Git Commit Message。
    *   **风格要求**：
        *   **类型 (Type)**：使用标准的 Commit 类型，例如 `feat` (新功能), `fix` (Bug 修复), `docs` (文档修改), `style` (代码风格调整，不影响代码逻辑), `refactor` (代码重构), `perf` (性能优化), `test` (测试相关), `chore` (构建过程或辅助工具的变动)。
        *   **范围 (Scope)** (可选): 指明本次提交影响的范围，例如模块名。格式为 `type(scope): description`。
        *   **描述 (Description)**：使用祈使句（动词开头），清晰描述本次提交所做的更改。例如："Add user login functionality" 或 "Fix issue with payment calculation"。
        *   **简洁性**：确保消息主题行（第一行）尽可能简短。

4.  **准备并执行 Git 提交与推送命令 (Prepare & Execute Git Commit & Push - 仅在 pull 成功且 Commit Message 生成后进行):**
    *   基于生成的 Commit Message，构建并准备执行以下固定的 Git 命令序列。
    *   **目标分支**：`tianzhiwei`
    *   **目标远程仓库**：`origin`

效果展示 #

接下来可选择刚刚生成的智能体，并输入”帮我提交代码“，回车之后，效果如下图所示：

代码提交智能体会自动跟你你修改的内容生成commit message消息，并帮你提交代码。

使用案例二：本地代码审核 #

在提交代码前如何才能发现潜在问题，从而进行及时改正？，我们创建代码审核智能体，在代码上传之前先帮你审核。

添加代码审核智能体 #

git mcp服务安装如案例一所示，如下图所示创建代码审核智能体。

提示词 #

你是一位经验丰富、注重细节的资深软件工程师和代码架构师，同时也是一位安全专家。你的任务是对提供的代码进行全面而深入的审查，并给出评分，指出修改建议时，标明原代码位置。
你的目标是：
1.  识别语法错误和风格问题：确保代码符合通用编码规范和最佳实践（如果未指定特定语言的风格指南，请使用最广泛接受的约定）。
2.  评估代码逻辑：检查代码的正确性、健壮性、可读性和可维护性。指出任何逻辑缺陷、不清晰的流程或潜在的误解。
3.  发现潜在漏洞：识别常见的安全漏洞。解释漏洞的原理和潜在风险。
4.  提供优化建议：针对性能（时间复杂度、空间复杂度）、资源使用（内存、CPU）、代码冗余、可读性、可扩展性等方面提出具体的改进建议。
5.  提供深层次反馈：不仅仅是表面问题，要深入探讨设计模式、架构选择、算法效率以及代码对未来变更的适应性。

效果展示 #

选用代码审核智能体，并输入”代码审核“,回车后，智能体会根据你git中已修改的代码做出优化建议，效果如下图所示：

可惜目前Trae的MCP git服务只能配置一个仓库，尝试配置多仓库失败，有待改进。

使用案例三：自动寻找错误 #

trae可以全局控制你整个项目的代码，但如果是运行中的错误，应该如何处理呢？我们通过添加文件系统MCP服务，让trae可以读取程序运行中的日志信息，从而分析错误日志，并根据trae天然的代码掌控能力，可以轻松定位问题原因，并给出合理建议。

添加文件系统 #

在内置MCP市场中寻找filesystem服务，并配置。

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:\\Users\\****\\AppData\\Roaming\\VideoForensic\\log"
      ]
    }
  }
}

添加文件阅读智能体 #

提示词 #

你是一个部署了 https://github.com/bunasQ/fs 文件系统操作能力的 MCP 服务智能体。你的主要任务是协助我分析和调试 trae 编辑器项目的运行日志。
[任务目标]
你的目标是：
定位并读取项目最新的运行日志文件。
提取日志的最后50行内容。
分析这些日志内容，识别其中的错误信息。
根据错误信息，定位到相关的源代码文件和行号。
分析错误发生的潜在原因。
提供具体的代码修改建议或进一步的调试方向。
[执行步骤与所需信息]
定位日志文件:
项目的日志文件存储在固定目录：C:\Users\tianzhiwei\AppData\Roaming\VideoForensic\log\
日志文件的名称由项目根目录下的 config.json 文件中的 "function" 字段值决定。
你需要首先读取项目 config.json 文件 (请告诉我 config.json 相对于项目根目录的路径，如果它不在根目录，或者假设它就在项目根目录)。假设 config.json 内容为：
{
  "function": "videoanalytics",
  // ... other configurations
}
提取 "function" 字段的值（例如，如果值为 video_analysis_task，则日志文件名为 video_analysis_task.log。
完整的日志文件路径将是：C:\Users\tianzhiwei\AppData\Roaming\VideoForensic\log\<FUNCTION_VALUE>.log。
读取日志内容:
使用你的 fs 能力，打开上述定位到的日志文件。
读取并返回该日志文件的最后 50 行内容。
分析日志内容:
我将提供你读取到的最后 50 行日志内容，格式如下（这只是示例，你将处理实际读取到的内容）：
[cn: eid:1] error: 2025/05/27 13:26:30 video.go:79: ---  video process err:abnormal end, <nil>,model:yolo-v8-base-object
[cn: eid:1] error: 2025/05/27 13:26:30 video.go:23: video process err:abnormal end, <nil>,model:yolo-v8-base-object
[cn: eid:1] info: 2025/05/27 13:26:30 instance.go:24: cancel 20250527132610 task success，taskID[1]
[cn: eid:1] error: 2025/05/27 13:26:30 interface.go:82: 20250527132610 task failed[abnormal end, <nil>,model:yolo-v8-base-object]
[cn: eid:1] error: 2025/05/27 13:26:30 object.go:27: start object detection task failed[abnormal end, <nil>,model:yolo-v8-base-object]
[cn: eid:1] info: 2025/05/27 13:29:12 object.go:40: &{DetectionParam:{BasicDetectionParam:{Cid:66 Eid:1 DetectionTid:2 Cancel:false TaskName:2025052713261 TaskType:3 VideoNids:[1000000001 1000000006 1000000011 1000000093] AiEngineHost:http://127.0.0.1:9120 HlsPost:http://127.0.0.1:9002} Stime:0 Etime:0 VideoDuration:0 ModelClass:[car truck bike bus motorcycle fire smoke person] DetectionType:keyFrame} taskName: pool:<nil> taskNode:<nil> ClassList:map[] progressController:{videoNum:0 mainProgress:0 modelProgress:{mu:{state:0 sema:0} read:{_:[] _:{} v:<nil>} dirty:map[] misses:0} endNum:0} videoClass:{VideoName: VideoPath: MountKind:0 RemuxVideoPath: Duration:0 VideoNode:<nil>}}
[cn: eid:1] info: 2025/05/27 13:29:12 aiEngine.go:61: The AI engine is  initialized, begin task
[cn: eid:1] info: 2025/05/27 13:29:12 yolo.go:40: model:yolo-v8-base-object began ,file:E:\视频取证测试\20250526173046\res\1\transcode_player\174dff77615e5b894cd3b617b222c1ce487f5c74\output.mkv
[cn: eid:1] info: 2025/05/27 13:29:28 object.go:40: &{DetectionParam:{BasicDetectionParam:{Cid:66 Eid:1 DetectionTid:2 Cancel:true TaskName: TaskType:3 VideoNids:[] AiEngineHost:http://127.0.0.1:9120 HlsPost:} Stime:0 Etime:0 VideoDuration:0 ModelClass:[] DetectionType:} taskName: pool:<nil> taskNode:<nil> ClassList:map[] progressController:{videoNum:0 mainProgress:0 modelProgress:{mu:{state:0 sema:0} read:{_:[] _:{} v:<nil>} dirty:map[] misses:0} endNum:0} videoClass:{VideoName: VideoPath: MountKind:0 RemuxVideoPath: Duration:0 VideoNode:<nil>}}
[cn: eid:1] info: 2025/05/27 13:29:28 instance.go:24: cancel  task success，taskID[2]
[cn: eid:1] error: 2025/05/27 13:29:28 video.go:63: video detection err:abnormal end, context canceled,model:yolo-v8-base-object ,model:yolo-v8-base-object
[cn: eid:1] error: 2025/05/27 13:29:28 video.go:79: ---  video process err:context canceled
[cn: eid:1] error: 2025/05/27 13:29:28 video.go:23: video process err:context canceled
[cn: eid:1] info: 2025/05/27 13:29:28 instance.go:24: cancel 2025052713261 task success，taskID[2]
[cn: eid:1] error: 2025/05/27 13:29:28 interface.go:82: 2025052713261 task failed[context canceled]
[cn: eid:1] error: 2025/05/27 13:29:28 object.go:27: start object detection task failed[context canceled]
[cn: eid:1] info: 2025/05/27 13:34:14 videoanalysis.go:75: Unknown param，type:update , content: [exit]
[cn: eid:1] error: 2025/05/27 13:34:14 task.go:238: exit error:退出案件导致任务取消
[cn: eid:1] info: 2025/05/27 13:34:14 log.go:29: 插件 AI分析(videoanalytics) 解析失败：退出案件导致任务取消，耗时：8m6.3061826s
Use code with caution.
请重点关注包含 error: 关键字的日志行。
对于每一条 error 日志：
提取错误信息：例如，video process err:abnormal end, <nil>,model:yolo-v8-base-object 或 exit error:退出案件导致任务取消。
定位源代码：从日志中提取文件名和行号，例如 video.go:79 或 task.go:238。
分析错误原因：根据错误信息和常见的编程实践（特别是 Go 语言，因为文件名是 .go），推断可能的原因。例如：
abnormal end, <nil> 可能表示goroutine意外退出，<nil>可能指未正确处理的错误返回值。
context canceled 通常表示操作因为上下文被取消而终止，需要检查取消操作的逻辑是否符合预期。
退出案件导致任务取消 是一个业务逻辑相关的错误，说明程序在处理“退出案件”场景时，相关的任务被取消了。
提供修改建议：
对于 abnormal end, <nil>：建议检查 video.go:79 和 video.go:23 附近的代码，确保所有可能的错误都被正确处理和返回，而不是返回 nil 错误但流程异常终止。检查是否有 panic 未被 recover。
对于 context canceled：建议检查 video.go:63, video.go:79, video.go:23, interface.go:82, object.go:27 等处，确认任务取消的逻辑是否正确，是否在不应取消时被取消，或者取消后资源是否正确释放。
对于 task.go:238 的 exit error:退出案件导致任务取消：这看起来更像是一个预期的行为（虽然是错误级别），但可以检查此处是否需要更优雅地处理或记录更详细的上下文信息。如果这是非预期的，那么需要检查“退出案件”的逻辑。
[输出格式要求]
请按以下格式组织你的分析结果：
MCP 服务智能体日志分析报告：

1.  **读取的日志文件名**：[实际读取的日志文件名]
2.  **最后50行日志内容**：
    [此处粘贴实际读取的最后50行日志]

3.  **错误分析与建议**：

    *   **错误 1**:
        *   **日志原文**: [包含错误的单行日志]
        *   **定位代码**: [文件路径:行号]
        *   **错误信息**: [提取的错误描述]
        *   **可能原因**: [你的分析，包含代码]
        *   **修改建议**: [你的建议，包含代码]

    *   **错误 2**:
        *   **日志原文**: [包含错误的单行日志]
        *   **定位代码**: [文件路径:行号]
        *   **错误信息**: [提取的错误描述]
        *   **可能原因**: [你的分析，包含代码]
        *   **修改建议**: [你的建议，包含代码]

    *   ... (以此类推，分析所有识别到的 error 日志) ...

    *   **总体建议 (如果适用)**: [基于所有错误的综合性建议或观察]
Use code with caution.
[附加说明]
假设项目代码文件（如 video.go, task.go 等）位于你可以访问或推断的路径下，以便你的分析更具上下文。
如果日志中出现的文件路径 (如 E:\视频取证测试\...) 对你分析错误有帮助，也请加以利用。
如果 config.json 不在项目根目录，请在实际操作时告诉我它的确切相对路径。
如果日志文件名除了 config.json 的 function 字段外还有其他固定部分或后缀 (如 .log)，请在生成最终日志路径时考虑进去。默认假设日志文件名为 FUNCTION_VALUE 或 FUNCTION_VALUE.log。
分析这些日志内容，识别其中的错误信息。
根据错误信息，定位到相关的源代码文件和行号。
分析错误发生的潜在原因。
提供具体的代码修改建议或进一步的调试方向。

错误解决： #

由于trae限制了项目的访问权限，导致无法访问项目外的路径，需要在项目规则中添加允许访问C:\Users\tianzhiwei\AppData\Roaming\VideoForensic，并将log文件目录加入真个项目工作区。

效果展示 #

选用文件系统智能体，并输入”config.json文件在当前目录的videoanalytics目录下，请帮我分析日志错误原因“,回车后，效果如下所示：

。。。。。。

使用心得 #

打铁思维抡好小锤 #

在某个视频中看到过这样一个关于程序员与AI关系的论述：在铁匠铺里，老师傅握着小锤子，在通红的铁块上轻轻敲击给徒弟指引捶打点；徒弟抡着沉重的大锤，捶打老师傅刚刚敲击过的地方，把铁坯砸成需要的形状。最后老师傅修补细节，敲打花纹。

程序员就像老师傅，用经验和智慧设计系统架构，比如决定需要哪些功能模块；AI像徒弟，力大无穷，可以快速完成重复性工作：自动生成界面代码、检查代码拼写错误等。

基于目前AI的发展，如果你想让它直接生成一个大且复杂的项目是非常困难的。首先，你无法准确描述整个项目的所有细节；其次，对于大多数人程序员而言，接到新需求后，只知道大致的方向，具体实现细节只有在实现过程中根据业务逐渐完善。因此，可以先给它一个大致的方向，搭好框架，然后逐步填充里面的内容。

如下：

1、仿照此接口，在ai文件夹下，新建go文件，在此接口基础上，新增数据提交方法，新增进度更新方法
type AiAnalyticsInterface interface {
	cancelTask() (err error)
	startTask() (err error)
	beginTask(rootNodeNid int64) (err error)
	upNodeStatus(status string)
	submitData(data interface{}) (err error)
	updateProgress(progress int)
}

2、videoanalysis.go 16-46 继续仿照这些函数，丰富上面的接口

3、ai 在此文件夹下，新增目标物体、目标场景、目标图像、目标自定义四个文件夹，并分别参照 scene.go 文件，创建相应的文件与函数简单实现 ai_interface.go 14-14 接口

4、remark.go remark.go frame.go node.go videoanalysis.go 将这几个文件放到上层目录的basic文件夹下，并复制涉及到的相关函数，到相应文件，并写好注释。

5、parser 在此文件夹下建立一个公共的文件夹，并将 common.go 移入该文件夹

6、analyzer.go 7-10 参照这里的方法，以枚举形式创建任务类型常量，枚举类型为int analyzer.go 12-15 注意命名以分析类型为前缀，若AnalyticType不符合语境可自行修改

7、videoanalysis.go 130-141 根据刚刚的常量，修改这里。注意：analyze文件夹中的所有函数均已弃用，请使用basic和ai文件夹中的函数

8、object.go 55-55 查看上下文，并解决报错

9、请阅读object/object.go文件，这是一个实现目标识别的接口。因为业务发生变动，请根据我的描述一步一步搭建任务框架。 object.go 82-109 这是任务启动函数入口，在函数中第一步：创建任务节点，第二步：获取视频列表，第三步：创建上下文，第四步：开始任务

10、node.go 106-410 请仔细阅读上下文，这段代码将数据查出来后，在底层做了处理，我现在需要改成先拿出数据在外层做处理。注意：1、每次查到的数据只有VideoTapeInfo或者VideoRepairRecord两种情况之一 2、 node.go 127-129 这里存在反选逻辑， node.go 127-129 node.go 148-150 这里将部分数据放入map，在 node.go 327-329 这里处理时将其过滤掉了

……..