TRAE Friends 落地济南!首场线下活动圆满结束

昨天在字节 TRAE 璐娜老师的帮助下,和宇航老师一起举办了 TRAE Friends @ 济南 的第一场活动。

虽然现场出现了一些计划外的状况,但还算圆满地完成了本次活动。

这是济南社区第一次举办类似活动,感谢各位伙伴的体谅与支持,后续,我们也会为大家策划更多、更有价值的活动。

活动内容

整个活动从13:30开始,一直到17:30结束,包括:

  • 《TRAE SOLO 主题分享》 by TRAE Fellow 张宇航
  • 《TRAE SOLO DEMO 演示》 by TRAE Fellow 董鹏飞
  • 《TRAE使用心得 暨 后Claude时代TRAE的发展展望》 by 郑凯,山东传媒职业学院教师,人工智能专业负责人
  • 《TRAE 在团队内的应用体会》 by 尹鹏,济南陌讯信息科技有限公司工程师
  • 多位伙伴在开放麦环节做了个人使用心得的体会和分享

整体活动内容还是非常充实的,也欢迎后续各位伙伴继续关注并参与进来。

我的分享

在活动中,我做了《TRAE SOLO DEMO 演示》部分的分享。

为了更能与大家产生共鸣,DEMO 都是根据官方 DEMO 定位,结合实际场景设计的。

由于今天是第一次活动,为了保持分享的普适性,内容以基础为主,后续会根据不同的主题和需求,进行更加深入的内容分享。

分享内容整理如下,其中每个章节的特性是现场对应 SOLO 新特性的简要演示,可忽略。

大纲

  • CASE1:需求开发,从0到1搭建一个抽奖应用
  • CASE2:bug 修复,终端与对话的集成,内置浏览器的集成
  • CASE3:项目理解,接手旧项目的帮手

CASE1:需求开发

背景

背景比较简单,就是抽奖,我们设定为上传 Excel 的方式。

Excel 主要包括以下列:

  • ID
  • 姓名
  • 手机号

指令

shell 复制代码
请在当前路径下帮我实现一个抽奖应用。 
 
 ## 业务 
 客户上传一个excel,excel中包括ID、姓名、手机号三列,然后录入抽奖数量,并点击"抽奖"按钮,开启随机抽奖,抽奖过程添加动效。 
 
 ## 界面 
 - 界面风格请与截图保持一致
 - 单一页面 
 - 尽量把元素呈现在首屏中,方便投屏展示 
 - 暂不使用后端服务 
 
 ## 技术 
 - 在当前目录使用vue3 cli 初始化项目工程

特性

  • 任务总结与摘要
  • Tools Panels
  • 上下文总结与压缩
  • TO-DO List
  • Subagent

CASE2:bug 修复

终端与对话的集成

后台在终端里面的编译错误,可以直接添加到对话。

内置浏览器

内置浏览器中,选择元素,更加精准的修复界面问题。

问答修复

当然,所有出现的bug,都可以通过 Chat 方式修复。

特性

  • Multi Task
  • 代码差异

CASE3:项目理解

使用了很多人都比较熟悉的若依前后端项目源码进行分析,已经提前下载好了。

指令

bash 复制代码
我想学习这个项目,以方便之后进行二次开发。我对前端比较熟悉,但是对于cli相关逻辑,以及服务端相关命令不太了解。
请详细分析这个项目结构,并且补充背景知识,帮助我了解和学习这个项目。以markdown+ mermaid 形式,输出到.trae/documents 文件夹下,可以有多个文件。

过程

采用了 SOLO Coder 智能体,选择了 Plan 模式。

先是规划了项目分析的计划,并形成了一份参考文档。

确认执行后,会生成非常详细的学习文档。

特性

  • SOLO Coder
  • Plan

交流内容整理

现场交流了几个问题,感觉比较典型,这里整理下,希望可以启发到有需要的人。

由于是现场回答,可能不那么严密,大家按需理解,也欢迎留言或者社区群里接着交流。

AI 针对大项目如何处理

现在模型的上下文虽然有很大提升,但依然存在上线,尤其是针对已存在多年的旧项目,很多时候直接分析的结果并不好。

最推荐的思路还是人工指导划分子模块,方便模型可以准确处理各个子模块,后续再通过 AI 进行汇总。

另一个思路是参考 Qoder 引入的 Wiki 特性,具体技术还没有研究,大家可以自行搜索了解。

TRAE 在非编程领域的应用

虽然 TRAE 的定位是 Coding Agent,但它可以提效的场景远不止 Coding 领域。

工程组织、上下文管理、各类工具、自定义智能体等特性可以非常方便的应用到各种场景

比如,我根据自己的需要,做了个"写作智能体",负责帮我审查我的文章、提供灵感、润色不通顺的语句。

TRAE 对于产品经理的应用场景

大家比较熟悉的产品经理应用场景应该是:快速生成demo原型系统

而我平时还有两个应用场景:

  • 根据代码生成项目汇报文档素材,准确,还与最新代码同步。
  • 通过 Code 为你设计测试用例 、或者初步审查

编写AI指令/文档应该注意什么

提示词很重要,但随着模型能力的提升,原有的很多提示词技巧已经内置到模型或者工具内了。

那现在的提示词还需要注意哪些呢?

我感觉比较重要的是:条理清晰/结构化

整体的结构化,大家应该都明白,这里我分享两个具体的体会:

  • 不要出现某段内容归属模糊的情况,比如一个需求在多个模块中都有描述,但未说明哪个是主模块,哪个是依赖模块
  • 各需求的篇幅应当和需求的重要程度正相关,不要为某个不重要但熟悉的需求编写大量内容,导致AI误判重要程度。

结语

好了,这次活动的自我总结也完成了。

准备考虑后续的活动了,也欢迎社区的伙伴发表各自的想法哈~

明天上班,各位加油!

相关推荐
m0_527653903 小时前
NVIDIA Orin NX使用Jetpack安装CUDA、cuDNN、TensorRT、VPI时的error及解决方法
linux·人工智能·jetpack·nvidia orin nx
wbzuo3 小时前
Clip:Learning Transferable Visual Models From Natural Language Supervision
论文阅读·人工智能·transformer
带土13 小时前
2. YOLOv5 搭建一个完整的目标检测系统核心步骤
人工智能·yolo·目标检测
1***Q7843 小时前
PyTorch图像分割实战,U-Net模型训练与部署
人工智能·pytorch·python
阿十六3 小时前
OUC AI Lab 第六章:基于卷积的注意力机制
人工智能
努力の小熊4 小时前
基于tensorflow框架的MSCNN-LSTM模型在CWRU轴承故障诊断的应用
人工智能·tensorflow·lstm
AI即插即用4 小时前
即插即用涨点系列 (八):AMDNet 详解!AAAI 2025 SOTA,MLP 融合多尺度分解(MDM)与 AMS 的涨点新范式。
人工智能·pytorch·深度学习·目标检测·计算机视觉·transformer
脑极体4 小时前
穿越沙海:中国AI的中东远征
人工智能·搜索引擎
jn100105374 小时前
【概念科普】原位CT(In-situ CT)技术详解:从定义到应用的系统梳理
人工智能