深度解析Trae 2.0及其全新SOLO模式体验！

字节跳动的 AI 编程助手 Trae 全新推出了 2.0 版本，逐步开放使用权限。本次更新引入了 SOLO 模式 —— 这个具备上下文工程能力的系统，能够基于完整的信息进行任务规划和执行，支持从代码编写到功能交付的端到端开发流程。

SOLO 是 Context Engineer，作为一种能够独立生成软件的 AI 工程师，它可以替代人类处理开发流程中的琐碎、重复和高度流程化的环节。

SOLO 模式被视作“AI 辅助”向“AI 主导”的重要转变。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，主动调度工具完成复杂的开发任务。目前，这一系统已支持 Web 应用的全流程交付，未来还计划拓展到更多应用场景。

我注意到已有不少开发者获得了内测资格，想请教大家对 SOLO 模式的实际使用体验如何？

谢谢邀请，利益相关：Trae 核心开发者。我在这个领域已经摸索了半年，今天我想畅谈一下《重生之我在大厂搞 AI Coding》

简而言之，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，突然收到蚂蚁大礼包的通知，让我不得不重新考虑未来的方向，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，来到杭州的闭关室，从此负责 MarsCode Cloud IDE 团队的云工作区等相关事务，那一年真是疯狂的奔波。
• 2024 年 11 月 15 日，再次进入闭关室，经历了又一个疯狂的半年，因此我们推出了大家看到的 Trae 1.0 和 2.0。

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 日会有什么新情况呢？我还真不知道，但我对此有点期待。

回顾这半年，定坤在上个月火山引擎 Force 大会的主题演讲《聊聊 Al Coding》中，分享了 Trae 的月活跃用户已突破百万，算是我们阶段性成果的一部分。

从 MarsCode 到 Trae

熟悉我们的朋友应该知道，2024 年我们推出了不少与 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 也在我们的服务范围内，用户覆盖率非常高。

首先，澄清一个概念，Cloud IDE ≠ 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 容器中运行，甚至可以在浏览器的 WebContainer 中运行。

Cloud 的含义是 Code Anywhere，上述的交互层和逻辑层可以灵活组合，可以在同一台机器上，也可以分离，通过 SSH 远程连接，甚至还可以通过 iPad 进行使用。这就是我对 Cloud IDE 的理解。

Cloud IDE 所使用的远程容器，我们称之为云工作区，其技术挑战相当巨大：

• 常见的微服务通常是非实时的、无状态的，能够负载均衡，容量不足时可逐步扩容；
• FaaS 服务会进行实时调度，但也是无状态的，因此可以提前预热；
• Cloud IDE 是 实时调度 + 有状态，每个项目对应一个容器，存在磁盘数据依赖，对启动速度极为敏感，用户打开时需要等待初始化和加载才能使用，由于涉及磁盘代码数据，因此具备状态，无法负载均衡，也难以预热。

在 2024 年，我们在这方面投入了大量精力进行优化，不仅对 VSCode 进行了大幅 Rust 化，还深入到 K8S 层进行深度定制，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的 P90 达到了 5 秒，而 GitHub Codespace 需要 30 秒，Google IDX 则需要 1 分钟，至少在这个指标上我们达到了世界级水平。

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

当然，技术的成功并不一定意味着业务的成功，很多时候需要在合适的时机选择适当的路径。对于 Cloud IDE 场景来说，虽然在字节的覆盖率很高，但 MarsCode 作为一款面向消费者的产品，天然受到用户场景的制约，因为国内企业的代码很难上云，而程序员的副项目又不足以支撑产品的可持续发展。

因此，在 2024 年 11 月 15 日，我们回归初衷，选择从本地 IDE 这条道路重新向 AI Coding 的高峰攀登。当然，我依然坚信 Cloud IDE 的价值，它将以云端一体化的方式与我们重聚，各自辉煌，一个都不能少。果不其然，到了 2025 年中，业界也开始关注 Remote Agent 场景，而在这方面我们有着丰富的积累，随时可以发力。

我对 AI Coding 的理解

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

LLM 大模型的核心在于预测下一个字符。与复杂的自然语言相比，编程语言显得更为简洁、严谨和可预测，因此 AI Coding 领域成为这一波浪潮中的第一个 PMF 产品。在这个领域的实践发展日新月异，几乎每个月都在刷新我们的认知。

标题：AI 编程的未来：从辅助到自主的全新阶段

从我的视角来看，AI 编程的演变过程类似于自动驾驶技术的发展，通常可以分为几个阶段：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 等产品，正是聚焦在 AI 结对编程的这一阶段。

AI 辅助编程

代码补全

在早期编程过程中，编写代码时主要依靠代码提示，通过下拉列表选择所需对象的方法与属性。

然而，自从 ChatGPT 发布以来，我们了解到大型语言模型的关键在于预测下一个字符。与复杂的自然语言相比，编程语言简洁且逻辑严谨，因此我们迅速见证了 Copilot 的崛起。它在代码补全方面带来了显著的突破，尤其是令人惊叹的 Ghost Text 交互方式，程序员只需按一下 Tab 键即可快速接受建议，极大地提升了其工作效率。

不过，这种方法仅限于新增代码的补全。因此，Codeium 和 Cursor 在超级补全方面做出了进一步的创新，名为 Tab Tab。举个简单的例子，如果一个前端地区下拉列表最初是英文，后来需要改为中文，当你修改了第一行的某个字段后，再按一次 Tab，就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”，这标志着 AI 编程能力的飞跃。

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

代码生成

接下来的话题是“代码生成”。当 ChatGPT 刚出现时，它给程序员带来的另一个震撼是通过对话生成算法或页面。然而，这一过程需要用户在聊天机器人中手动对话，然后再复制内容到 IDE 中，实在是太繁琐了。

那么，我们是否可以直接在 IDE 中与 AI 进行对话呢？于是，IDE 开始引入 SideChat 等插件，如 Copilot Chat 和 Codeium。这些工具的优势在于能够直接获取 IDE 和代码库的上下文，无需手动复制。

看似复杂的功能，其实原理十分简单。比如，你对 AI 说“帮我实现这个 HTTP 请求函数”，实际上背后是在拼接一段描述：“用户正在打开某个文件，光标定位在特定行，该行的函数名和注释为 xxx，他最近访问了 a、b、c 文件，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。”然后将这段信息发送给 LLM 生成代码，最后再进行合并。这与手动与 ChatGPT 对话的过程并无太大区别，只是 IDE 帮你整理了合适的上下文。

在这一阶段，技术的核心在于：项目理解能力、上下文裁剪、模型能力及工程上的 PE 能力。Cursor 在这方面表现优异，因此脱颖而出。Claude Sonnet 3.5 的出现也至关重要，它标志着模型能力的一个重大进步，去年引发了一场热潮。

此时，开发者可以在 IDE 中与 AI 共享相同的上下文，无需繁琐的转述。接下来需要解决的问题是如何将生成的代码自动合并到合适的位置，这就是 Fast Apply 代码合并 的应用场景。

简单来说，就是如何让 AI 生成合适的代码，并自动将其整合到相关文件中。目前有多种实现方式，包括全文重写、代码片段替换及 Diff 合并，业界在这方面有许多实践。Cursor 则独立训练了一个 Fast Apply 小模型，而我们 Trae 则支持多种方式。

综上所述，这两个能力所在的阶段，我称之为 AI 辅助编程。

AI 结对编程

AI Agent 是什么？

随着 AI 技术的不断进步，用户需求愈加复杂，我们期望 AI 拥有更多的自主性，像是一个高潜力的实习生与我们一起进行结对编程，业界通常将其称之为 AI Agent。

那么，一个典型的 Agent 是如何运作的呢？Manus 在之前的文章中提到：

『在接收用户输入后，Agent 通过一系列工具来完成任务。在每次迭代中，模型会依据当前上下文从预定义的动作空间中选择一个动作。该动作会被执行，产生观察结果。动作与观察结果会被添加到上下文中，形成下一次迭代的输入，这一循环持续直到任务完成。』

简单来说，Agent 的核心在于：AI 具备了 思考能力 、 调度能力 、 上下文感知能力 和工具调用能力。它能够感知所处环境，根据目标进行思考与任务拆解，并调度各种工具来实现这些目标。

小插曲：如果在使用 Trae 时发现需要手动“Apply 应用”，请务必检查聊天对话框中是否有 @builder。下次一定优化！

Trae Agent 1.0

Trae Agent 的项目始于 2024 年 12 月 17 日，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，由于当时大型模型的能力尚未成熟，我们的流程更多依赖于工作流，即思考 → 规划 → 执行 → 观察的循环。它在 Trae IDE 环境中运行，借助 IDE 的功能收集信息、构建上下文，并依赖大型语言模型进行思考与规划。同时，利用 IDE 提供的文件操作和命令行功能完成编码相关需求。

除了 Agent 的流程，还有代码知识图谱（代码召回）、Fast Apply 代码合并等功能。

顺便说一句：有时在社区看到一些人认为 AI IDE 只是 LLM 的一个壳，我只能说他们连领域认知的门槛都没迈过。

Trae Agent 2.0

随着大量用户反馈的收集，我们注意到 1.0 架构在许多场景下的表现并不尽如人意。同时，随着大型模型能力的不断增强，依赖于固定的 Proposal + Plan 工作流程反而限制了模型的发挥，导致其性能下降。

因此，在 2025 年 4 月 8 日，我们再次潜心研发了 21 天，推出了 Agent 2.0 架构。此版本赋予了大型语言模型（LLM）更大的自主性，使其能够主动理解需求、感知环境并驱动工具执行任务，进而显著提升了 LLM 的整体性能。

与此同时，我们对各种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，代码召回功能被整合为 Search Codebase 工具，以供 AI 按需调用，并且新增了语义化多路召回的支持。

与 AI 进行博弈的过程往往充满挑战，分享一个 PUA 的实例：

• 背景：我们的目标是在不降低效果的前提下，减少完成任务所需的轮次。
• 方法：通过 PUA 策略，告知 AI 仅有 N 轮机会，以激发其紧迫感。
• 结果：在 claude 3.5 版本中效果显著，数据表明轮次明显减少。
• 意外：然而在 claude 3.7 版本中，我们发现 AI 反而变得懒散。经过分析，发现其性格变得更加散漫，当意识到剩余完成任务的次数有限时，便开始消极应对，需要我们主动激励它。最终，我们花费了一些时间来摸清其个性，才得以解决这一问题。

Trae Agent 3.0

Agentic 和 Workflow 并非二元对立的开关，而是一个连续的光谱。我们的架构旨在提供可持续的迭代能力，使得在 LLM 能力足够的领域实现更高的自主性，而在 LLM 尚不擅长的领域则通过固定的编排将专家经验固化，随着模型的进化能够以低成本替换节点以实现逻辑优化。

【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 的不断发展，我们逐渐意识到 AI 与 IDE 之间的主导关系正在发生变化：

• 过去是程序员在 IDE 中编程，而 AI 则扮演辅助角色。
• 如今的情况更像是 AI 在主导编程，而 IDE、浏览器、终端等仅是其工具之一。

因此，我们探索了 SOLO 模式，期望将协作模式从“AI 辅助 IDE”升级为“AI 主导 IDE”。在 SOLO 模式下，AI 能够使用内置的编辑器、浏览器等多种工具，未来 SOLO 还将集成更多的工具。

此次发布的 2.0 版本，主要提供了：

1. 以 AI 为中心的 SOLO 交互模式。
2. 内置了一个针对 Web APP 场景的端到端交付 Agent，未来还将推出更多的 Agent。

目前该版本仍处于预览打磨阶段，尚有很大完善空间，欢迎大家使用并反馈。

以下是一些邀测用户所取得的效果：

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

目前海外版已经上线，传送门：https://www.trae.ai。由于资源有限，我们仍在进行定向邀测，大家可以关注官方 Twitter 或飞书群技术运营同事的通知，我这边也没有 SOLO 代码 。
传送门：关于 TRAE SOLO 代码后续发放方式的说明

如何与 AI 实习生有效协作？

我一直以来对 AI 的定义是：每个人都拥有的高潜力实习生。

如今，很多人对 AI 编程感到震撼，也有不少人觉得效果不佳，实际上只是没找到与不同阶段实习生相处的合适方式，未能妥善管理自己的期望，短期内高估而长期低估。

我认为：AI 是每个人的专属高潜力实习生。对于当前的 AI 实习生，应该安排适宜的任务，提供必要的指导和信息输入，并时刻准备好为其提供支持，随时接手任务，就如同带领一名真人实习生一样，没有太大区别，或许是我们未能善用，或是没有选择合适的人选。

• 甩手掌柜 → 不提供充分的上下文，期望 AI 仅凭一句话就能完成正式项目。
• 超出能力范围的任务 → 它是负责编写代码的，若期望它生成不当内容则会有问题。不同模型的操作方式各有差异。
• 招聘标准偏低 → 想要实现 claude 4 的功能却只愿意使用 openai 3.5 免费版本。
• 一分价钱一分货 → 投资 $20 的月费却想要达到 $2000 的产出。

观察社区内不同人对 AI 编程的评价也很有趣，能够反映出他们平时如何带领实习生和新人的方式：

1. 有些人会细致入微地拆解和提供信息，强力指挥，指望我埋头苦干而不需其他交流。
2. 有些人会适当放权，仅提供必要的信息输入，并随时准备支持。
3. 有些人缺乏耐心，一遇到问题便大声抱怨，然后放任其一旁，自己忙于其他事务，只随便丢出一些琐碎任务。

总结与加入我们

在项目初期，TL 曾告诉我们：“我们有意愿、有能力、有机会、有想法和支持。我坚信我们能够打造出一款世界级的产品。”当时我将其视为“愿景”。但没想到 2024 年底回顾 MarsCode 的技术指标时，看到 2025 年的 Trae 月活跃用户数达到百万，团队积累的各项洞见，我突然意识到我们确实在踏实地走在这条奋斗之路上，我由衷地相信这一点。

秉持“预研一代、部署一代、分享一代”的理念，我们正在实施 Trae Agent 3.0 架构，以支持多代理和远程代理等探索。

前路漫漫，修远兮，我将上下而求索。AI 编程之路我们仍在不断探索，相较于行业中的许多先行者，我们还有许多需要学习的地方，但请相信我们正在认真对待这项工作。

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 很可能不再是以当前“以代码为中心”的形态，这种变化可能在三年内发生。我们每个人都应当学会如何与 AI 协作。

最后，我们团队人少事多，充满活力，欢迎大家加入 Trae 团队。我们在杭州、北京、上海、广州和深圳均设有基地，诚招前端、后端、AI 等各类人才。