共计 6828 个字符，预计需要花费 18 分钟才能阅读完成。
字节跳动推出了 AI 编程助手 Trae 的 2.0 版本，并逐步开放其使用权限。这一版本引入了 SOLO 模式，这是一个具有上下文工程能力的系统，能够基于全面的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完整开发流程。
SOLO 是 Context Engineer，它是一位能够独立生成软件的 AI 工程师，能够替代人类完成开发流程中繁琐、重复、流程化的环节。
SOLO 模式被视为从“AI 辅助”向“AI 主导”的一次重大转变。与传统上需要人工干预的智能体或代码补全工具不同，SOLO 能够在准确理解需求的基础上，主动调用工具来完成复杂的开发任务。目前，该系统已经支持 Web 应用的全流程交付，未来将扩展到更多的场景。
我注意到许多开发者已经获得了内测资格，想请教大家对 SOLO 模式的真实体验如何？
感谢邀请，我与此事相关：Trae 的核心开发者。在这个领域摸索已经半年，今天想自由地分享一下，聊聊《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
时间线其实非常清晰：
- 在 2022 年 11 月 15 日，蚂蚁大礼包的突然到来让我不得不重新审视未来的规划，幸运的是我随后加入了字节跳动。
- 2023 年 11 月 15 日，我接到一个电话，被召集到杭州的闭关室，从此负责 MarsCode Cloud IDE 团队的云工作区等相关工作，那一年真是疯狂。
- 2024 年 11 月 15 日，我再次进入闭关室，又经历了令人兴奋的半年，因此 Trae 1.0 和 2.0 的发展得以实现。
我常开玩笑说，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 日会发生什么呢？我不知道，但我很期待。
转眼半年过去了，在上个月的火山引擎 Force 大会上，定坤的主题演讲《聊聊 Al Coding》中分享了 Trae 的月活跃用户已突破百万，我们也算是阶段性地交出了一份答卷。
从 MarsCode 到 Trae
熟悉我们的朋友们应该知道，在 2024 年我们推出了多款与 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 也是我们的服务之一，用户覆盖面相当广泛。
首先，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 意味着 Code Anywhere，以上两层可以任意组合，既可以在同一台机器上，也可以通过 SSH Remote 连接分开，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，也就是云工作区，面临的技术挑战相当复杂：
- 常见的微服务通常是无状态的、非实时的，可以进行负载均衡，容量不足时可逐步扩展；
- FaaS 服务是实时调度的，但也无状态，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，依赖磁盘数据，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，由于存在磁盘代码数据，因此是有状态的，无法实现负载均衡，也难以提前预热。
在 2024 年，我们在这个领域投入了大量精力进行优化，不仅对 VSCode 进行了大幅的 Rust 优化，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，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
当然，技术的成功并不总意味着业务的成功，许多时候需要在合适的时机选择正确的方向。对于 Cloud IDE 场景而言，虽然它在字节的覆盖率很高，但作为 2C 产品的 MarsCode 天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，且程序员的副业项目不足以支撑产品的持续健康发展。
因此，在 2024 年 11 月 15 日，我们回到半山坡，选择了从 Native IDE 这条新路线重新攀登 AI Coding 的巅峰。当然，我依然坚信 Cloud IDE 的价值，它将以云端一体的方式与我们重聚，殊途同归，一个都不能少。果然，在 2025 年中，业界也开始关注 Remote Agent 场景，而我们在这方面已有充足的积累，准备择机而发。
我对 AI Coding 的理解
之前在播客中也讨论过：《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，相较于复杂的自然语言，编程语言则更加简洁、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，在该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
在我看来，AI 编程的进展与自动驾驶有相似之处，发展可分为多个阶段：AI 辅助编程 → AI 结对编程 → AI 自主编程。当下，我们的 Trae Builder、Cursor Composer 以及 Windsurf Cascade 等工具，主要聚焦于 AI 结对编程这一阶段。
AI 辅助编程
代码补全
在早期的编码过程中，我们通常依赖代码提示功能，通过“下拉菜单”来选择方法和属性。
随着 ChatGPT 的问世，我们渐渐意识到 LLM 模型的核心在于预测下一个字符。与复杂的自然语言相比，编程语言的简洁性和严谨性使得其更具可预测性。这也促使了 Copilot 的出现，它在代码补全方面进行了巨大创新，令人赞叹的 Ghost Text 交互方式让程序员仅需按一个 Tab 键，便可迅速采纳建议，从而极大地激发了他们的创造力。
然而，这种方式主要适用于新增代码的补全，因此我们也看到了 Codeium 和 Cursor 在超级补全（Super Completion）方面的进一步创新。例如，前端的地区下拉列表，初始为英文，后续转换为中文。如果修改了第一行的某个字段，只需再次按 Tab，就可以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 编程能力的跃升。
代码生成
接下来，让我们探讨“代码生成”。在 ChatGPT 刚推出时，它给开发者带来了震撼，尤其是对话式生成算法的概念，然而这需要在 Chatbot 中进行交互，然后再将结果复制回 IDE，过程相对繁琐。
那么，我们是否能够在 IDE 中直接与 AI 进行对话呢？因此，IDE 内部开始引入 SideChat 插件，如 Copilot Chat 和 Codeium 等。这种方式的优势在于，它能够直接获取 IDE 和代码仓库的上下文，省去了手动复制的麻烦。
看似复杂的技术，其实原理相对简单。比如，你对 AI 说：“帮我完成这个 HTTP 请求函数”，实际上，背后是将一些信息拼装成一句话：用户当前正在编辑 xx 文件，光标位于 xx 行，这行函数名和注释是 xxx，最近访问过的文件包括 a、b、c，项目的目录结构是 xxx，现在他希望在当前位置实现一个 HTTP 请求逻辑，然后将这些信息传递给 LLM 进行生成，最后再合并代码。这与手动与 ChatGPT 对话的体验区别不大，唯一的不同是 IDE 帮助你组装了合适的上下文。
在此过程中，涉及到的技术要素包括：项目理解能力、上下文裁剪、模型能力以及工程实践能力，Cursor 在这方面表现出色，脱颖而出。Claude Sonnet 3.5 的贡献不可小觑，因为它的出现标志着模型能力的一个重要里程碑，掀起了一阵热潮。
至此，开发者可以在 IDE 内与 AI 共享相同的上下文，免去繁琐的转述。而下一个待解决的问题便是生成的代码如何自动合并到相应文件中，这就是 Fast Apply 代码合并 的场景。
简而言之，关键在于如何让 AI 生成合适的代码，并自动将其整合到合适的位置。目前有多种实现方式，诸如全文重写、代码片段的搜索替换、Diff 合并等，业界普遍结合多种实践，Cursor 也训练了一个专门的 Fast Apply 小模型，而我们 Trae 则支持多种合并方式。
以上两项能力的阶段，我称之为 AI 辅助编程。
AI 结对编程
什么是 AI Agent？
伴随着 AI 能力的不断增强，用户需求愈加复杂，我们期待 AI 具备更多的自主性，犹如一个充满潜力的实习生与我们共同进行结对编程。在社区中，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 通过一系列工具来完成任务。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选择一个动作。随后，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，这一循环持续至任务完成。』
简而言之，Agent 的关键在于：AI 拥有 思考能力 、 调度能力 ，以及 上下文环境的感知能力 和工具调用能力。它能够感知自身所处的环境，并根据设定的目标进行思考和拆解子任务，调度各种工具来完成这些任务。
小吐槽：如果在使用 Trae 的过程中发现需要手动“Apply 应用”，请务必检查 Chat 对话框中是否缺少 @builder。下次一定会优化！
Trae Agent 1.0
Trae Agent 自 2024 年 12 月 17 日立项，经过 20 天的集训，最终推出了大家所看到的 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达到顶峰，我们的流程更依赖于工作流模式，即思考 → 规划 → 执行 → 观察的循环。在 Trae IDE 环境中，该 Agent 会利用 IDE 的功能采集信息、构建上下文，并依赖大语言模型进行思考与规划。同时，它也可以利用 IDE 提供的文件操作、命令行操作等功能来实现编码需求。
除了 Agent 的流程设计外，还包括代码知识图谱（Code Knowledge Graph）、快速合并功能（Fast Apply）等。
顺便说一句：有时看到社区里一些人评论说 AI IDE 只是 LLM 的外壳，这只能说明他们连领域认知的基本门槛都未能跨越。
Trae Agent 2.0
随着大量用户反馈的收集，我们注意到，尽管 1.0 版本经过反复打磨，但在许多场景下的表现并不尽如人意。与此同时，随着 LLM 大模型能力的不断提升，依赖于 Proposal + Plan 的固定工作流方式，反而限制了模型的发挥空间。
Trae 2.0：重新定义 AI 协作与开发模式
在 2025 年 4 月 8 日，我们闭关了整整 21 天，推出了全新的 Agent 2.0 架构。此版本赋予 LLM 更大的自主性，使其可以主动理解需求、感知环境并驱动工具执行，从而极大提升了 LLM 的效能。
同时，我们对多种工具进行了专项优化，比如针对 File 工具提升了代码合并的成功率，将代码召回抽象为 Search Codebase 工具供 AI 按需调用，并且支持语义化的多路召回。
与 AI 的斗智斗勇过程是充满挑战的，以下是一个我们在实践中遇到的 PUA 案例：
- 背景：我们的目标是让 AI 在不降低效果的前提下，减少完成任务所需的轮次。
- 方法：通过告知 AI 只有 N 轮机会来增加其紧迫感。
- 结果：在 claude 3.5 中，这种方法非常有效，线上数据表明，轮次显著减少。
- 意外：然而，在升级到 claude 3.7 后，我们发现 AI 反而变得懒散。经过分析，我们意识到 3.7 的性格更加散漫，当它意识到自己只剩有限的机会时，便选择“摆烂”，需要我们主动推动它。这导致我们花费了更多时间去理解它的个性，以解决这一问题。
Trae Agent 3.0
Agentic 和 Workflow 之间并不是简单的二元对立，而是一个连续的光谱。我们的架构旨在实现可持续的迭代能力，在 LLM 能力足够的领域实现自主化，而在其尚不擅长的地方，通过固定的编排来巩固专家经验，随着模型的进化，能够低成本地替换逻辑节点。
【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 的不断进步，我们逐渐意识到，AI 与 IDE 之间的主导关系正在发生转变：
- 过去是程序员在 IDE 中编码，而 AI 只是辅助。
- 现在则是 AI 更加主导编码，IDE、浏览器、终端等工具仅仅是其工具之一。
因此，我们探索了 SOLO 模式，希望将“AI 辅助 IDE”的概念升级为“AI 主导 IDE”的全新协作模式。在 SOLO 模式下，AI 可以使用内置的编辑器、浏览器等多种工具，未来还将整合更多功能。
此次发布的 2.0 版本主要带来了：
- 以 AI 为中心的 SOLO 交互模式。
- 针对 Web APP 场景的端到端交付 Agent，未来还会推出更多 Agent。
目前该版本仍在预览阶段，尚有待完善，欢迎大家使用并反馈。
以下是一些受邀测试用户的成果：
SOLO 制作的任务看板 https://www.zhihu.com/video/1930971734917505941
⬆️ @徐飞 的任务看板：https://traekanbanqnwk-lfne48lzn-xufeis-projects.vercel.app
目前海外版本已发布，传送门：https://www.trae.ai。由于资源有限，我们仍在定向邀测中，大家可以关注官方 Twitter 或飞书群的技术运营通知，目前我这边并没有 solo code。
传送门：关于 TRAE SOLO Code 后续发放方式的说明
如何有效与 AI 实习生合作？
我一直将 AI 定义为：人人都可以拥有的高潜力实习生。
如今，许多人对 AI 编程感到惊讶，但也有不少人认为其毫无价值。这其实是因为没有找到与不同阶段实习生相处的合适方式，未能合理管理自己的预期，导致了 短期高估长期低估 的现象。
我的理解是：AI 是每个人专属的高潜力实习生。对于当前的 AI 实习生，应该合理安排任务，给予必要的指导和信息输入，并随时准备为其提供支持，就像带领一个真实的实习生一样，实际上并没有太大区别，问题在于你是否有效利用了它，或者是否选择了合适的实习生。
- 甩手掌柜 → 不提供充分的上下文，期望 AI 仅凭一句话需求完成正式项目。
- 超出能力的指令 → 它是编写代码的，期望它生成不合适的内容。不同模型有不同的使用方式。
- 低标准招聘 → 想让 claude 4 完成的任务，却只使用 openai 3.5 的免费版本。
- 一分价钱一分货 → 花费 $20 月费，却期待获得 $2000 的产出。
观察社区中不同人对 AI 编程的评价也颇具趣味，能够折射出他们是如何带领实习生的：
- 有些人会细致入微地拆解问题并提供信息，强势指挥，让我专心工作。
- 有些人会适度放权，仅提供必要的信息，但随时准备提供支持。
- 还有些人缺乏耐心，遇到问题就抱怨，然后就将其搁置，自行处理，只丢一些琐碎任务过去。
结束语 & 加入我们
记得在项目初期，TL 跟我们说过：“我们拥有意愿、能力、机会、想法和支持，我坚信我们能够打造出一款世界级的产品。”当时我把这视作“愿景”。然而，当我在 2024 年底总结 MarsCode 的技术指标，2025 年中看到 Trae 的百万月活数据，回顾团队积累的 Insights，我惊喜地发现，我们确实在踏实地走在这条路上，真心相信这一点。
我们始终秉持“预研一代、部署一代、分享一代”的理念，正在推进 Trae Agent 3.0 架构，以支撑 Multi Agent 和 Remote Agent 等探索。
漫漫长路，吾将上下求索，AI 编程之路仍在探索中，与行业的先行者相比，我们还有许多需要学习的地方。但请相信，我们对此事是非常认真地在做。
专业生产力工具的颠覆性创新，必将彻底重塑开发者的认知与开发方式，未来的 IDE 可能不再是以代码为中心的形态，这种变化很可能会在三年内实现。我们每个人都应学会如何正确与 AI 合作。
最后，我们团队虽小但充满干劲，欢迎大家加入 Trae，杭州、北京、上海、广州、深圳均有基地，现招募前端、后端、AI 等各类人才。
