Trae 2.0 来袭！揭秘全新 SOLO 模式的精彩体验

字节跳动推出了 AI 编程助手 Trae 的 2.0 版本，并逐渐开放使用权限。这个新版本引入了 SOLO 模式 —— 一种具备上下文工程能力的系统，能够依据完整信息进行任务的规划与执行，支持从代码编写到功能交付的全流程开发。

SOLO 是 Context Engineer，它是一个能独立生成软件的 AI 工程师，能够取代人类处理开发过程中的琐碎、重复和流程性强的环节。

SOLO 模式被视为从“AI 辅助”向“AI 主导”的一次显著转变。与传统的需手动驱动的智能体或代码补全工具相比，SOLO 能在理解需求的基础上，主动调度工具来完成复杂的开发任务。当前，该系统已支持 Web 应用的全流程交付，未来还将拓展更多的应用场景。

目前已有不少开发者获得了内测资格，大家对 SOLO 模式的实际使用感受如何呢？

感谢邀请，作为 Trae 的核心开发者，我在这个领域已经摸索了半年。今天，我想分享一些关于 《重生之我在大厂搞 AI Coding》 的想法。

总结一下：多图杀猫~

重生之我在大厂搞 AI Coding

时间线其实很简单：

• 2022 年 11 月 15 日，意外收到了蚂蚁大礼包，促使我重新思考未来的规划，幸运的是我很快加入了字节。
• 2023 年 11 月 15 日，我接到一个电话，被召集到杭州闭关室，开始负责 MarsCode Cloud IDE 团队的云工作区等相关工作，那一年可谓是疯狂的一年。
• 2024 年 11 月 15 日，我再次进入闭关室，经历了又一个疯狂的半年，这也促成了大家看到的 Trae 1.0 和 2.0 的演变。

我常常和朋友开玩笑说，11 月 15 日是我的受难日，重生之我在大厂搞 AI Coding。今年的 11 月 15 日又会有什么新故事呢？我并不知道，但我有些期待。

时间飞逝，已经过去了半年。在上个月的火山引擎 Force 大会上，定坤在主题演讲《聊聊 Al Coding》中分享了Trae 的月活跃用户已突破百万，我们也算是阶段性地交出了一份答卷。

从 MarsCode 到 Trae

熟悉我们团队的朋友应该知道，2024 年我们推出了许多与 Cloud IDE 相关的产品，包括 MarsCode Cloud IDE、Coze IDE 和掘金 AI 刷题等。字节内部的 Cloud IDE 也有很高的用户覆盖率。

首先，澄清一个概念：Cloud IDE 并不等同于 Web IDE。在我看来，IDE 可以分为前端交互层和业务逻辑层：

• 前端交互层可以在浏览器中运行，也可以在本地的 Electron 中运行，既可以是完整版也可以是轻量版。
• 业务逻辑层可以在用户本地运行，也可以在远程的 K8S 容器中，甚至可以在浏览器的 WebContainer 中运行。

Cloud 意味着 Code Anywhere，以上的交互层和逻辑层可以自由组合，既可以在同一台机器上，也可以通过 SSH 远程连接，甚至通过 iPad 使用。这是我对 Cloud IDE 的理解。

Cloud IDE 的远程容器，我们称之为云工作区，其技术挑战相当巨大：

• 常见的微服务往往是非实时的，且无状态，可以进行负载均衡，容量不足时可逐步扩容；
• FaaS 服务是实时调度的，但无状态，因此可以进行提前预热等；
• Cloud IDE 是 实时调度 + 有状态，每个项目对应一个容器，有磁盘数据依赖，对启动速度极其敏感，用户打开时需要等待初始化和加载才能使用，因为涉及磁盘代码数据，因而是有状态的，不能进行负载均衡，也很难提前预热。

在 2024 年，我们在这一领域投入了大量精力进行优化，不仅将 VSCode 进行了大幅 Rust 化，还深入定制到了 K8S 层面，最终在性能、成本、稳定性等方面取得了显著成果，我们的端到端启动性能 P90 达到了 5 秒，而 GitHub Codespace 需要 30 秒，Google IDX 则需要 1 分钟，这使我们在这一指标上达到了世界级水平。

MarsCode 启动速度 https://www.zhihu.com/video/1930983846276466605

然而，技术的成功并不一定意味着业务的成功，许多情况下需要在合适的时机选择合适的路径。对于 Cloud IDE 场景来说，尽管其在字节内部的覆盖率很高，但 MarsCode 作为一款面向消费者的产品，天然受到用户场景的限制，因为国内企业的代码难以上云，而程序员的副项目又不足以支撑产品的健康发展。

因此，在 2024 年 11 月 15 日，我们回到了半山坡，选择了从 Native IDE 这条路重新向 AI Coding 的高峰攀登。当然，我依然坚信 Cloud IDE 的价值，未来它会以云端一体的方式与我们重聚，殊途同归，一个都不能少。果不其然，在 2025 年中，业界也开始关注 Remote Agent 场景，而在这一领域我们有着充分的积累，等待时机即可。

我对 AI Coding 的看法

之前在播客中也提到过：《探秘 AI IDE，对话字节 Trae & 迪魔王 Devmore》

LLM 大模型的本质在于预测下一个字符。与复杂的自然语言相比，编程语言更加简洁、严谨且可预测，因此 AI Coding 领域成为这一波浪潮中的首个 PMF 产品。在这个领域的实践日新月异，几乎每个月都在刷新我们的认知。

标题：AI 编程的未来：从辅助到自主的演变之路

从我的观察来看，AI 编程的发展过程与自动驾驶有一定相似之处，可以划分为几个阶段：AI 辅助编程 → AI 结对编程 → AI 自主编程。目前，我们的 Trae Builder、Cursor Composer 和 Windsurf Cascade 等工具，正是针对 AI 结对编程阶段而开发的。

AI 辅助编程

代码补全

在编写代码的早期，我们主要通过“下拉列表”来选择对象的方法和属性，实现代码提示。

随着 ChatGPT 的问世，我们逐渐明白 LLM 模型的核心在于预测下一个字符。相较于复杂的自然语言，编程语言的简洁与严谨使得其更加可预测。因此，Copilot 的出现为代码补全带来了革命性的创新，其令人赞叹的 Ghost Text 交互方式，程序员只需按一个 Tab 键便可迅速采纳，极大激发了开发者的积极性。

然而，这种方式的局限性在于只能补全新增代码。为此，Codeium 和 Cursor 在 Super Completion（也称为 Tab Tab）上进行了进一步创新。比如，当一个前端地区下拉列表的语言从英文切换为中文时，如果你修改了第一行某个字段，只需再按一次 Tab，便能一键更新所有相关字段。最近，我们也推出了 Trae Cue 超级代码补全功能。

从“代码提示”到“代码补全”，再到“超级补全”，这体现了 AI 编程能力的跃升。

Trae Cue 超级补全 https://www.zhihu.com/video/1930973686283896348

代码生成

接下来，我们讨论一下“代码生成”。在 ChatGPT 刚推出时，程序员们受到的另一个冲击是可以通过对话生成算法或页面，但这需要在 Chatbot 中手动输入，然后再复制到 IDE，过程相对繁琐。

难道我们不能在 IDE 中直接与 AI 进行对话吗？因此，IDE 中开始出现了 SideChat，更多是以插件形式存在，如 Copilot Chat 和 Codeium 等。其优势在于能够直接获取 IDE 和代码仓库的上下文，从而避免了繁琐的手动复制操作。

虽然这种方式看似复杂，实际上其原理非常简单。举个例子，如果你对 AI 说“请帮我实现这个 HTTP 请求函数”，它背后实际上是在拼接一段信息：“用户正在打开 xx 文件，光标位于 xx 行，该行的函数名和注释为 xxx，最近访问的文件有 a、b、c，整个项目的目录结构为 xxx，现在要求在当前位置实现一个 HTTP 请求逻辑。”然后将这段信息传递给 LLM 生成代码，最后再进行合并。与手动对话 ChatGPT 并没有太大差别，IDE 只是帮助你组装了合适的上下文。

这一技术的关键在于：项目理解能力、上下文裁剪、模型能力以及工程实践能力。Cursor 在这一领域表现出色，这得益于 Claude Sonnet 3.5 的出现，使模型的能力达到了一个新的里程碑，去年引发了一阵热潮。

此时，开发者能够在 IDE 中与 AI 共享相同的上下文，避免繁琐的转述。接下来需要解决的问题是生成的代码如何自动合并，而不必手动复制到各个文件，这便是 Fast Apply 代码合并 的场景。

简单来说，就是如何让 AI 生成适合的代码并自动将其合并到相应的位置。目前有多种实现方式，比如全文重写、搜索替换代码片段、Diff 合并等，业界也有许多实践结合使用。Cursor 则训练了一个 Fast Apply 小模型，而我们 Trae 则支持多种合并方式。

以上两种能力的阶段，我称之为 AI 辅助编程。

AI 结对编程

AI Agent 的定义

随着 AI 能力的不断提升，用户的需求也日益复杂，我们希望 AI 能具备更多的自主性，像一个高潜力的实习生与我们共同进行结对编程，这种角色被称为 AI Agent。

那么，一个典型的 Agent 是如何运作的呢？Manus 最近的文章提到：

『在接收用户输入后，Agent 通过多项工具来完成任务。在每次迭代中，模型会根据当前上下文从预定义的动作空间中选择一个动作，然后执行该动作以产生观察结果。这个动作和观察结果会被附加到上下文中，形成下一次迭代的输入，这一循环持续进行直至任务完成。』

简而言之，Agent 的核心在于具备 思考能力 、 调度能力 、 上下文环境感知能力 及工具调用能力。它能够感知自身所处环境，并根据接受的目标进行思考与任务拆解，调度各种工具来实现目标。

小插曲：如果在使用 Trae 时发现需要手动“应用”，请务必检查 Chat 对话框中是否缺少 @builder。下次会进行优化！

Trae Agent 1.0

Trae Agent 于 2024 年 12 月 17 日立项，经过 20 天的努力，推出了大家所见的 Trae 1.0 版本。

在 Agent 1.0 的架构中，由于当时大模型的能力尚未足够强大，我们的流程更依赖于 Workflow，即思考、规划、执行、观察的循环进行。它在 Trae IDE 环境中运行，利用 IDE 的功能收集信息、构建上下文，并依靠大语言模型进行思考和规划。同时，通过 IDE 提供的文件操作和命令行操作等功能进行工具调用，以满足编码相关的需求。

除了 Agent 的流程外，系统中还有代码知识图谱（Code Knowledge Graph）、Fast Apply 代码合并等功能。

顺便吐槽：有时看到社区中有人说 AI IDE 只是 LLM 的外壳，只能说他们连领域认知的门槛都没碰到。

Trae Agent 2.0

随着大量用户反馈的收集，我们发现 1.0 架构在许多场景下的表现并不理想。同时，随着 LLM 大模型能力的不断增强，依赖于 Proposal + Plan 固定工作流程的方式，反而可能导致模型能力受限，限制了其发挥。

Agent 2.0 发布：赋能 LLM 的全新架构

在 2025 年 4 月 8 日，我们经过 21 天的集中攻坚，推出了 Agent 2.0 架构。此次升级的关键在于赋予 LLM 更大的自主性，使其能够主动理解需求、感知环境，并有效使用工具进行操作和反馈，极大地提升了其能力表现。

与此同时，我们对各类工具进行了专项优化。例如，File 工具的代码合并成功率得到了提升，而代码召回则被抽象为 Search Codebase 工具，供 AI 根据需要调用，并且支持语义化的多路召回。

与 AI 进行斗智斗勇的过程，确实是个耐人的考验。让我们分享一个关于 PUA 的案例：

• 背景：我们的目标是让 AI 在效果不下降的前提下，使用更少的轮次完成任务。
• 方法：通过施加时间压力，告知 AI 仅有 N 轮机会，从而激发它的紧迫感。
• 结果：在 claude 3.5 中，这一方法非常有效，轮次显著减少。
• 意外：然而在 claude 3.7 中，AI 反而变得懒散。经过分析，我们发现这是因为 3.7 的性格更为散漫，当意识到任务轮次有限时，便会选择不作为，需我们主动干预才能促使其行动。最终，我们花了不少时间去理解它的特性，才解决了这个问题。

Trae Agent 3.0

Agentic 和 Workflow 并非简单的开关，而是一个连续的光谱。我们的架构旨在提供持续迭代的能力，使 LLM 在能力足够的领域实现更高的自主性，而在其尚不擅长的领域，通过固定流程整合专家经验，随着模型的演进以低成本替换相关节点。

【付费内容，投简历后可读】

【付费内容，投简历后可读，后端：https://job.toutiao.com/s/5IEbI9PKBco】

【付费内容，投简历后可读，前端：https://job.toutiao.com/s/mMPAHQSoPFA】

【付费内容，投简历后可读】

Trae SOLO 模式

随着 Trae 的不断演变，我们逐渐认识到 AI 与 IDE 之间的主导关系正在发生逆转：

• 过去是程序员在 IDE 中编写代码，而 AI 仅起辅助作用。
• 现在更像是 AI 主导编码过程，IDE、浏览器、终端等只是其工具之一。

因此，我们探索了 SOLO 模式，旨在将协作方式从「AI 辅助 IDE」升级为「AI 主导 IDE」。在 SOLO 中，AI 可以利用内置的编辑器、浏览器等多种工具，未来还将整合更多功能。

此次发布的 2.0 版本主要包含：

1. 以 AI 为核心的互动模式 SOLO。
2. 内置针对 Web APP 场景的端到端交付 Agent，未来还将推出更多 Agent。

目前该版本仍处于预览打磨阶段，欢迎大家积极使用并反馈意见。

以下是一些参与测试用户所取得的成果：

SOLO 制作的任务看板 https://www.zhihu.com/video/1930971734917505941

⬆️ @徐飞 制作的任务看板：https://traekanbanqnwk-lfne48lzn-xufeis-projects.vercel.app

目前海外版已经发布，传送门：https://www.trae.ai。由于资源有限，我们仍在进行定向邀请测试，大家可以关注官方 Twitter 或技术运营团队的通知，我这边也没有 solo code。
传送门：关于 TRAE SOLO Code 后续发放方式的说明

如何与 AI 实习生有效合作？

我一直认为 AI 是：每个人都能拥有的高潜力实习生。

如今，许多人对 AI 编程的评价各异，有的赞叹不已，有的则批评其效果不佳，这其实源于未能找到与不同阶段的实习生相处的方式，未能妥善管理自己的期望，常常短期内高估，长期则低估其潜力。

我认为，AI 是每个人的专属高潜实习生。对于现阶段的 AI，应该给予适当任务、提供合理的指导和信息输入，随时准备给予支持，并在必要时接手，就如同对待一个真实的实习生一般，管理得当才会有所成效。

• 甩手掌柜 → 不提供充分的上下文，仅凭一句话的需求期待 AI 完成复杂项目。
• 超出能力范围的期望 → 它是程序编写工具，你若期待它生成不当内容，那是不切实际的。不同的模型有各自的使用方式。
• 招聘标准过低 → 想让 claude 4 完成的任务，却只愿意使用 openai 3.5 的免费版本。
• 一分价钱一分货 → 期待以 20 美元的月费实现 2000 美元的 token 使用效率。

观察社区中人们对 AI 编程的评价，颇具趣味，似乎能窥见他们如何培养实习生及新人的方式：

1. 一些人会事无巨细地拆解任务，提供明确的信息指导，严格控制进程。
2. 另一些则适度放权，仅提供必要的信息，并随时准备介入支持。
3. 还有部分人缺乏耐心，遇到问题时会立即发火，随意放任，自己动手解决，只留下简单的任务给 AI。

总结与加入我们

记得项目刚立项时，TL 对我们说过：“我们拥有意愿、能力、机会、想法和支持，我坚信我们能够创造出世界级的产品。”起初我将其视为一种“愿景”，但在 2024 年底回顾 MarsCode 的技术指标，2025 年中关注 Trae 的百万月活数据，看到团队不断积累的洞见，我突然意识到，我们确实在踏实前行的道路上，我深感信服。

本着“预研一代、部署一代、分享一代”的理念，我们正在落实 Trae Agent 3.0 架构，以支持 Multi Agent 和 Remote Agent 等探索。

漫漫长路任重道远，我将在 AI 编程这条路上不断探索，尽管与许多行业先行者相比还有许多需要学习的地方，但请相信我们在认真对待这一事业。

专业生产力工具的颠覆性创新，必将全面重塑开发者的认知和开发方式，未来的 IDE 可能不再是当前“以代码为中心”的形式，这一变化或将在未来三年内发生。我们每个人都应学会如何与 AI 协作。

最后，我们团队规模小但充满干劲，欢迎大家加入 Trae，杭州、北京、上海、广州、深圳均有基地，正在招聘前端、后端和 AI 等人才。