深入剖析Trae 2.0的发布及全新SOLO模式的游戏体验！

字节跳动正式推出了其 AI 编程助手 Trae 的 2.0 版本，并逐步放开使用权限。此次更新引入了 SOLO 模式 —— 一个具备上下文工程能力的系统，能够基于全面的信息进行任务规划与执行，支持从编写代码到功能交付的完整开发流程。

SOLO 是 Context Engineer，它是一个能独立生成软件的 AI 工程师，能够替代人类处理开发过程中的繁琐、重复及流程性强的环节。

SOLO 模式被视为从“AI 辅助”转向“AI 主导”的重要转型。与传统的需要手动驱动的智能工具或代码补全工具相比，SOLO 在理解需求的基础上，能够主动调度工具以完成复杂的开发任务。目前，该系统已支持 Web 应用的全流程交付，未来还将拓展至更多应用场景。

我注意到已有众多开发者获得了内测资格，想请教大家对 SOLO 模式的实际体验如何呢？

非常感谢您的邀请，顺便提一下我是 Trae 的核心开发者。在这一领域潜心研究已经有半年时间，今天我想畅所欲言，分享一下 《重生之我在大厂搞 AI Coding》 的感受。

简而言之，图多杀猫~

重生之我在大厂搞 AI Coding

时间线实际上很简单：

• 2022 年 11 月 15 日，突如其来的蚂蚁大礼包迫使我重新审视未来的规划，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，从此负责 MarsCode Cloud IDE 团队的云工作区等相关事务，那是一段疯狂的时光。
• 2024 年 11 月 15 日，再次回到闭关室，又是充实的半年，因此我们看到了 Trae 1.0 和 2.0 的演进。

我常常和朋友开玩笑说，11.15 是我的受难日，在大厂搞 AI Coding 的重生之路。今年的 11 月 15 日又会带来什么呢？我不确定，但对此充满期待。

转眼间半年过去了，在上个月的火山引擎 Force 大会上，定坤在主题演讲《聊聊 Al Coding》中提到，Trae 的月活跃用户数已超过百万，我们算是阶段性交出了一份满意的答卷。

从 MarsCode 到 Trae

熟悉我们的朋友应该明白，2024 年间我们推出了多款与 Cloud IDE 相关的产品，如 MarsCode Cloud IDE、Coze IDE、掘金 AI 刷题等，字节内部的 Cloud IDE 服务也覆盖了很多用户。

首先需要澄清一个概念，Cloud IDE ≠ Web IDE。从我的角度来看，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 Electron 中执行，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 K8S 容器中执行，甚至可以在浏览器的 WebContainer 内进行。

Cloud 意味着 Code Anywhere，上述交互层和逻辑层可以灵活组合，既可以在同一台设备上，也可以通过 SSH 远程连接，甚至可以通过 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，其技术挑战相当大：

• 常见的微服务通常是非实时的、无状态的，具有负载均衡特性，容量不足时可以逐步扩展；
• FaaS 服务是实时调度的，但无状态，因此可以提前预热等；
• Cloud IDE 是 实时调度 + 有状态，每个项目对应一个容器，并有磁盘数据依赖，启动速度极为敏感，用户在打开应用时需要等待初始化和加载，因为涉及磁盘代码数据，因此是有状态的，无法进行负载均衡，且很难提前预热。

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 层面进行深度定制，最终在性能、成本和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，这一指标上我们已达到了世界级水平。

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

当然，技术的成功并不代表业务的成功，在很多情况下，我们需要在合适的时机选择正确的方向。对于 Cloud IDE 的场景来说，尽管其在字节的覆盖率很高，但作为一个面向消费者的产品，MarsCode 自然受到用户场景的制约，因为国内企业的代码很难迁移到云端，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，我们回到半山坡，选择了从 Native IDE 的另一条路重新攀登 AI Coding 的高峰。当然，我依然相信 Cloud IDE 的价值，它将以云端一体的方式与我们重聚，殊途同归，绝不遗漏任何一环。不久之后，业界也开始探索 Remote Agent 场景，而在这方面我们积累了足够的经验，随时准备出发。

我对 AI Coding 的理解

之前在播客中也分享过：《探秘 AI IDE，对话字节 Trae & 迪魔王 Devmore》

大语言模型的核心是预测下一个字符，相较于复杂的自然语言，编程语言更加简洁、严谨且可预测，因此 AI Coding 成为这一波浪潮中第一个拥有产品市场契合度的领域。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：探索 AI 编程的演变：从辅助到自主的转变

从我的观察来看，AI 编程可以比作自动驾驶，其发展可分为几个阶段：AI 辅助编程 → AI 结对编程 → AI 自主编程，目前我们所推出的 Trae Builder、Cursor Composer 和 Windsurf Cascade 等产品，正是针对 AI 结对编程阶段而设计的。

AI 辅助编程

代码补全

在早期编写代码时，我们主要依赖代码提示，通过下拉菜单来选择对象的方法和属性。

随着 ChatGPT 的问世，我们意识到大型语言模型的核心在于预测下一个字符。与复杂的自然语言相比，编程语言更为简洁和严谨，因此不久后，Copilot 应运而生，其在代码补全方面取得了显著的突破。其令人印象深刻的 Ghost Text 交互形式，用户仅需按下一个 Tab 键便可迅速采纳建议，极大地刺激了程序员的创作热情。

然而，这种方式主要针对新代码的补全。因此，Codeium 和 Cursor 在超级补全（Super Completion）方面进行了进一步创新。举个直观的例子，当前端的地区下拉列表最初为英文，后续改为中文时，只需在第一行中修改字段，再按一次 Tab，就能一键更新所有相关字段。我们最近也推出了 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”，这一系列变化体现了 AI 编程能力的跃升。

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

代码生成

接下来讨论“代码生成”。在 ChatGPT 刚推出时，对程序员的冲击之一是对话式的生成算法或页面，但这需要在 Chatbot 中进行人工对话，然后再复制回 IDE，实在繁琐。

那么，是否可以直接在 IDE 中与 AI 对话呢？于是，IDE 内部开始出现 SideChat，这一阶段更多以插件的形式出现，例如 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，无需手动复制。

虽然看起来相当高大上，其实原理相对简单。比如，当你对 AI 说“帮我实现这个 HTTP 请求函数”时，其实后台是在拼接一段话：“用户目前正在操作 xx 文件，光标在 xx 行，该行的函数名和注释为 xxx，最近他访问过 a、b、c 文件，整个项目目录结构为 xxx，现在他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。这样与人工对话 ChatGPT 的差距不大，实际上是 IDE 帮你整合了合适的上下文。

这里的技术难点在于：项目理解能力、上下文裁剪、模型能力，以及工程上的 PE（项目工程）能力。Cursor 在这方面表现出色，因此脱颖而出。Claude Sonnet 3.5 的推出更是标志着模型能力的一个里程碑，从而引发了去年的热潮。

在这一阶段，开发者能够直接在 IDE 中与 AI 共享相同的上下文，无需冗余的转述。而接下来需要解决的问题是生成后的代码，如何避免手动复制到各个文件中，这便是 Fast Apply 代码合并 的场景。

简单来说，就是如何让 AI 生成合适的代码，并自动合并到相应位置。这里有多种实现方式，比如全文重写、搜索替换代码片段、Diff 合并等。在业界，这些方法被结合使用，而 Cursor 则专门训练了一个 Fast Apply 小模型，而我们 Trae 则支持多种方式。

上述两种能力的阶段，我称之为 AI 辅助编程。

AI 结对编程

AI Agent 的定义

随着 AI 技术的不断进步，用户需求愈加复杂，我们希望 AI 能展现出更多的自主性，类似于一个高潜力的实习生与我们共同进行结对编程，这种角色通常被称为 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 通过一系列工具来完成任务。在每次迭代中，模型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，该动作在环境中执行以产生观察结果。动作和观察结果被附加到上下文中，形成下一次迭代的输入，这个循环持续到任务完成。』

简单来说，Agent 的关键在于：AI 具备了 思考能力 、 调度能力 ，以及 上下文环境感知能力 和工具调用能力。它能够感知所处环境，并根据接收到的目标进行思考与拆解子任务，调度各种工具以实现任务。

小提醒：如果在使用 Trae 时，发现需要手动多次“Apply 应用”，请务必检查 Chat 对话框中是否缺少 @builder。下次一定会进行优化！

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不强大，我们的流程依赖于工作流程（Workflow），即思考 → 规划 → 执行 → 观察的循环。这一过程在 Trae IDE 环境中运行，通过 IDE 的功能收集信息、构建上下文，并利用大语言模型进行思考和规划。同时，借助 IDE 提供的文件操作、命令行操作等功能完成编码相关需求。

除了 Agent 的流程外，还有代码知识图谱（Code Knowledge Graph）、快速应用代码合并等功能。

顺便一提：有时看到社区里一些人说 AI IDE 只是 LLM 的外壳，不禁让人觉得他们连领域认知的门槛都未曾触及。

Trae Agent 2.0

随着大量用户反馈的收集，我们发现许多对 1.0 架构的吐槽，虽然我们努力开发出来的版本在众多场景下效果并不理想。同时，随着 LLM 大模型能力的不断提升，过于依赖 Proposal + Plan 固定工作流程的方式，反而会限制大模型的发挥。

因此，2025 年 4 月 8 日，我们再次闭关了 21 天，推出了 Agent 2.0 架构。通过赋予大语言模型（LLM）更大的自主性，使其能够主动理解需求、感知环境，并自主驱动工具以执行任务并获取反馈，这样显著增强了 LLM 的能力。

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，以便 AI 根据需求进行调用，并支持语义化的多路召回。

与 AI 进行智力较量的过程，确实是个颇具挑战的经历，我想分享一个 PUA 的案例：

• 背景：我们希望在不降低效果的前提下，让 AI 以更少的轮次完成任务。
• 方法：采用 PUA 策略，告知 AI 仅有 N 轮的机会，以激发它的紧迫感。
• 结果：在 claude 3.5 中，这种方法非常有效，线上数据显示轮次显著减少。
• 意外：然而在 claude 3.7 中，我们发现 AI 反而变得消极，经过分析发现这是因为 3.7 的性格更加发散，当它意识到完成任务的机会有限时，便选择放弃，要求我们主动激励它。最终我们耗费了大量时间才摸清楚它的个性，从而解决了这个问题。

Trae Agent 3.0

Agentic 与 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可持续的迭代能力，能够在 LLM 能力足够的区域实现更大自主性，而在 LLM 尚不擅长的领域，则通过固定编排来保留专家经验，随着模型的进步，能够以低成本更换节点以实现逻辑。

【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 不断演进，我们逐渐认识到 AI 与 IDE 之间的主导关系正在发生变化：

• 过去是程序员在 IDE 中编码，AI 提供辅助。
• 现在更像是 AI 主导编码，而 IDE、浏览器、终端等仅是其工具。

因此，我们开始探索 SOLO 模式，希望将协作方式从“AI 辅助 IDE”升级为“AI 主导 IDE”。在 SOLO 模式下，AI 可以使用内置的编辑器、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。

目前该版本处于预览打磨阶段，还有很大的改进空间，欢迎大家使用并反馈。

以下是一些参与测试用户所取得的效果：

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

目前海外版已发布，传送门：https://www.trae.ai，但由于资源紧张，我们仍在进行定向测试，大家请关注官方 Twitter 或飞书群技术运营团队的通知，我这边暂时没有 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 实习生进行有效协作？

我一直认为 AI 是一种 人人都能拥有的高潜力实习生。

如今，许多人对 AI 编程感到震撼，也有人认为其效果不佳，这其实是因为没有找到与不同阶段的实习生相处的方式，未能有效管理自己的期望，导致 短期内高估了其能力，长期却低估了其发展潜力。

我认为 AI 是每个人的专属高潜实习生。对于当前的 AI 实习生，应当合理安排任务，提供适当的指导和信息输入，并随时准备给予支持和接手，就像对待一个真实的实习生一样，没什么不同，或者是没有有效使用，或者是没有找到合适的对象。

• 甩手掌柜 → 不提供充分背景信息，希望 AI 能仅凭一句话完成正式项目。
• 超出能力范围的要求 → 它的任务是编写代码，而不是生成不当内容。不同模型有不同的使用方式。
• 招聘标准过低 → 期望使用 claude 4 的能力，却只愿意用 openai 3.5 的免费版本。
• 一分价钱一分货 → 希望以 20 美元的月费实现 2000 美元的 token 产出。

观察社区中不同人对 AI 编程的评价也非常有趣，能够从中窥见他们如何管理实习生和新手的经验：

1. 有些人会事无大小地拆解任务并提供信息，严格指挥，要求我专注于执行，不要多说。
2. 有些人则会适度放权，只提供必要的信息输入，但随时准备提供支持。
3. 有些人缺乏耐心，遇到问题就会抱怨，随后将其放任一旁，自行处理，只丢一些琐碎的任务过去。

结束语 & 邀请加入我们

记得在项目启动时，团队领导跟我们说过：“我们有信心、有能力、有机会、有创意、还有支持，我坚信我们能够打造出一款世界级的产品。”当时我把这句话当作 “愿景” 来理解。然而，没想到在 2024 年底总结时，看到 MarsCode 的技术指标，以及 2025 年中 Trae 达到的百万月活数据，还有团队积累的诸多见解，我突然意识到我们确实在踏踏实实地朝着这个目标前进，我由衷地感到信心满满。

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

前路漫漫，任重道远，我们在 AI 编程的道路上仍在探索，比起行业中的很多先行者，我们还有许多需要学习的地方，但请相信我们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 很可能不再是当前以代码为中心的形态，这一变革或将在三年内发生。每个人都应学会如何与 AI 进行有效协作。

最后，我们团队虽小但充满干劲，欢迎大家加入 Trae 团队，杭州、北京、上海、广州、深圳均有基地，现招募前端、后端、AI 等各类人才。