作者:一个从 7 月用到 8 月的重度 TRAE Work 用户
积分体系改版后,每一分都跟实际用量挂钩。这一个月我用 TRAE Work 做了 6+ 个项目(黑客松信息推送、词源学习应用、AI 图片评分系统、讯飞大赛 Skill、健身工作室体态追踪 MVP、医学课程学习……),总结了一批"亲测有效"的省积分技巧,分享给大家。
写在前面:为什么我特别在意积分怎么花
新的积分体系下,积分消耗 = 实际用量。用得好,一个提示词能顶十个回合的来回拉扯;用不好,光是把需求讲清楚就可能烧掉一大半预算。
所以我的核心思路只有一句话:减少"人机来回",把每次对话都变成高质量的一次性投入。下面 10 条技巧,全部来自我这一个月的真实项目,附实际案例。
技巧 1:先让 AI 出"方案对比",再让它动手写代码
痛点:需求没想清楚就让 AI 直接开写,大概率写到一半发现技术栈选错了,推倒重来——这是最烧积分的方式。
做法:每次大需求,先让 AI 给 2~3 个方案对比(架构、成本、学习成本、可维护性),选定后再进入实现。
真实案例:做健身工作室体态追踪 MVP 时,我先让 Work 对比了三种方案:
- 方案1:原生微信小程序,技术栈简单直接,学习/维护成本低
- 方案2:一套代码生成小程序+H5,但有跨端兼容问题
- 方案3:前后端 TypeScript 统一,但 MediaPipe 在 Node.js 生态不如 Python 成熟
最终选了方案 3 的变体(后端 NestJS + Python FastAPI 推理服务),一次定型,后续 14 周里程碑全部按这个架构走,没有返工。
省分原理:方案讨论只花一次上下文,而错误技术栈的返工要烧几十次上下文。
技巧 2:提示词资产化——让 AI 能"从零开始"复现项目
痛点:很多项目做到一半,换台机器/换个会话就丢了上下文,一切重来。
做法:项目做完后,让 AI 写一份"可重建提示词"——用这一个提示词,agent 就能从零开始把项目复现出来。这份提示词就是你的资产,下次要迭代、要迁移、要参赛复用,一个提示词搞定。
真实案例:我的词源学习应用(etymology-app)就是这么干的。让 Work 分析项目优点后产出重建提示词,第二个 agent 靠它从零开发,直接对齐了原项目的功能。还有一次我让一个 agent"只依靠一个提示词"完成整个项目开发,效果出乎意料地好。
省分原理:一次沉淀,永久复用。同样的上下文成本,被摊薄到每次使用上。
技巧 3:大任务拆成 P0-P3,一次只推进一步
痛点:让 AI 一次做 10 件事,它容易漏、容易错,你还得花积分去检查、去纠偏。
做法:把项目拆成 P0→P1→P2→P3 优先级清单,每步做完验收再进下一步。我通常还会让 AI 自己先列计划,我只看一眼,不对就改,对就开跑。
真实案例:红山"省力 Agent"参赛项目,我按优先级让 Work 完成了数据层补全、Persona Prompt 修复、CI 门禁流水线落地、素材升华,每一步都有明确的验收点,一次通过率极高。
省分原理:小步推进时上下文精确,AI 不会在无关代码上浪费 token;出错时也能精准定位,而不是整段重来。
技巧 4:把"测试"变成零成本——CI 用 replay 模式回归
痛点:每次改完代码都让 AI 全量重测,或者反复跑真实 LLM 调用,积分哗哗地流。
做法:
- CI 门禁里设
LLM_GATEWAY_MODE=replay模式,用录好的回放做回归测试,零成本; - 用"确定性退出码"做验证,CI 信号直接在本地跑,不用每次都真实调用模型。
真实案例:做"省力 Agent"项目时,评测门禁(gate)分三档,replay 模式让每次 CI 跑回归测试几乎不消耗任何 API 调用。最终 LLM 模式通过五处修复把平均分提到 1.95、0 分率降到 0%,而验证成本几乎为零。
省分原理:真实调用只发生在必要的验收环节,其余全是廉价回放。
技巧 5:善用"永久免费"模型和免费额度,把省分做到源头
真实案例(我的实测):
- glm-4-flash 永久免费:做黑客松邮件推送项目时,我一开始用 glm-4-search(模型 ID 失效、且按次计费),后来换成免费模型,一样跑通 LLM 联网搜索,成本直接归零;
- GitHub Actions 公开仓库每月 2000 分钟免费额度:整个定时推送服务(Cron 每天自动跑、抓取赛事、发邮件)完全白嫖;
- 免费邮箱服务(Resend):每日推送邮件,注意免费域名有发送限制,但个人使用完全够。
省分原理:能免费的先免费,把付费额度留给真正不可替代的部分。
技巧 6:减少"无效重试"——用数据驱动迭代,而不是蛮力重试
痛点:AI 出图、出文案不满意,很多人的第一反应是"再来一次"。这是最典型的积分黑洞。
做法:把"重试"变成"实验"。批量生成 → 盲评打分 → 记录数据 → 找规律 → 迭代策略。
真实案例:我的 AI 图片评分系统跑了几十轮:13 个主题、65 张图、5 维评分。我让 Work 把每张图的 Prompt 策略、评分全部落库,最后分析出:
- "废墟美学"是跨主题最稳定的高分策略(11 个主题均值 9.0);
- "文字渲染"是死亡组合(相关性 -0.40);
- 高分图 85% 使用了体积光(AI 最强渲染能力)。
有了这些规律,后续每轮生成的成功率大幅提升,浪费的积分大幅下降。盲评(不让 AI 知道哪张是哪张)还能避免自评偏差。
省分原理:同样的积分,一次用出十次的经验;而不是十次重复同样的失败。
技巧 7:工具"一次做好,处处复用"
痛点:每换一个项目就重建一遍轮子,重复消耗。
做法:让通用工具尽量做成可复用的:
- 我的评分工具 HTML跨主题通用,换主题不用重建页面,按文件名自动识别策略、匹配历史评分;
- 词源应用用模块级缓存把 613+5011 次文件读取合并成 1 次、用 Map 索引把查找从 O(n) 降到 O(1)、用倒排索引做高效查询——这些优化不只是性能,更是省 token(每次读取都在烧你的上下文);
- 代码只保留极简依赖(词源应用仅 6 个运行时依赖),构建和加载都快,CI 也快。
省分原理:把"每次都要付的钱"变成"一次性的投资"。
技巧 8:让 Work 自己检查自己——code review 免费帮你纠错
痛点:写完代码直接上线,出了 bug 再修,修 bug 的上下文成本远高于写代码。
做法:善用 TRAE 的代码审查能力(比如 superpowers 插件的 receiving-code-review 技能),让 AI 定期审查整个代码库,产出带优先级的报告(Important / Minor),再按优先级修复。
真实案例:一次审查帮我抓出了 9 个未提交的 bug、死代码、未使用的依赖、CI 缓存键设置不当等问题。还有一次修复了"邮件链接不带 https:// 导致无法点击"的隐藏 bug(补了 9 个场景的测试)。这些问题如果上线后被用户发现,修复成本高好几倍。
省分原理:防患于未然,比亡羊补牢省钱得多。
技巧 9:定时任务一次配置,长期自动跑
真实案例:我做了个"每日黑客松信息推送"工具——每天自动爬取全网线上黑客松赛事、LLM 筛选去重(标题归一化+SHA256)、渲染邮件、通过免费邮箱发出,全程 GitHub Actions Cron 托管,一个月几乎零人工、零成本。这就是"省积分"的极致:连"用"都省了,因为它在替你自动工作。
小提醒:GitHub Actions 的 Cron 实际触发可能延迟 5~30 分钟,排期时留出余量。
技巧 10:把"交互成本"降到最低——少一次点击,少一轮对话
痛点:很多积分不是花在"干活"上,而是花在"沟通"上。
真实案例(我对 Work 提过的需求,它都帮我实现了):
- 评分工具 v6:每张图只按一个键完成打分,全屏沉浸,自动跳转下一张;
- 图片直接嵌入工具,省掉"导入图片"的步骤;
- 压缩图片到 900px 宽、quality 72,加载快又不糊;
- 能直接给文件地址,就不往桌面复制。
省分原理:人机交互每少一步,AI 需要理解的上下文就越少,误操作引发的重试也越少。
最后:技巧不分大小,有用就值得分享
这一个月最大的感悟是:TRAE Work 最省积分的使用方式,是把它当"长期搭档"而不是"一次性工具"——方案先对比、提示词资产化、数据驱动迭代、工具一次做对、能自动就自动。
积分花在刀刃上,不是少用 Work,而是让每一次使用都更有价值。
祝大家都能把积分花出双倍的效果!如果你也有亲测好用的省分技巧,欢迎一起交流～ 