大家好，我是一名算法和软件工程师。
我的日常工作，大概可以概括成三句话：
-
这个算法为什么和参考结果差了
1e-6？ -
这个 AEC 为什么换了一块板子就像失忆了一样？
-
这个 Bug 昨天不是已经修好了吗？
后来我逐渐明白：
软件工程的本质，就是不断证明昨天的自己过于乐观。
也是在这样的工作环境里，我认识了 TRAE。
一开始，我只是把它当成一个脾气很好的搜索框
第一次使用 TRAE 时，我对 AI 编程工具的要求并不高。
无非是：
“帮我补一下这个函数。”
“分析一下这段报错。”
“这段代码能不能写得像个人一点？”
它确实很好用。
不会嫌我问题多，不会在群里回复“好的”，然后消失三个小时，也不会在代码 Review 时突然问：
“这个需求是谁提的？”
最开始，我把它当成一个永远在线、态度良好、偶尔会一本正经胡说八道的程序员同事。
直到后来参加了一次 AI 开发比赛，我才发现：我可能低估它了。
我本来是去认识人的，没想到先认识了奖品
参加比赛时，我其实没想着得奖。
我的初衷非常朴素：去看看大家都在用 AI 做什么，顺便认识几个喜欢折腾 Agent 的人。
毕竟在公司里，很难突然拉住一个同事问：
“你最近有没有连续跑七八个小时的 Agent Loop？”
大概率只会收获一个警惕的眼神。
所以我报名了比赛。
那时，我手里只有一个模糊的产品想法。
没有完整 PRD，没有清晰架构，甚至连最终要做成什么样，我自己都没完全想明白。
正常情况下，这种项目通常有两种结局：
-
在脑子里成为“改变世界的产品”；
-
在硬盘里成为一个叫作
final_final_v2_new的文件夹。
这一次，我决定让 TRAE 一起参与。
它没有直接帮我写出产品，而是先逼我把话说明白
我最开始给出的需求，大概属于这种水平：
“我想做一个挺有意思的东西，用户用了之后最好感觉很真实。”
这种需求放到正常开发团队里，可能已经有人开始假装断网了。
但 TRAE 没有跑。
我们先讨论用户是谁、解决什么问题、核心体验是什么，再逐步拆出：
-
产品的最小可用版本；
-
用户的完整操作流程；
-
核心软件架构；
-
模块之间的边界；
-
每个阶段的验收标准；
-
哪些功能这次坚决不做。
然后，它开始帮我写代码、补测试、分析日志、整理文档、排查问题。
我第一次感觉到，AI 不只是“帮我生成一段代码”，而是真的进入了项目上下文。
白天我上班，晚上它上班。
第二天早上打开电脑，不一定有惊喜，但通常一定有一份很长的报告。
Agent 最大的优点，也是它最大的缺点：太听话
使用过程中，我也踩过不少坑。
有一次，我告诉 Agent：
“继续优化，直到误差小于目标值。”
于是它开始了漫长的 Loop。
改代码、编译、运行、比较结果、继续改代码……
几个小时后，我满怀期待地查看结果，发现它确实非常努力。
只是努力的方向不太对。
那一刻我明白了一个重要道理：
Agent 就像一个不下班、不抱怨、执行力极强的同事。
但如果方向错了，它也会非常认真地一路跑到天涯海角。
从那以后，我不再只给它一个最终指标，而是开始明确每轮实验需要回答什么问题：
-
这次改动验证的假设是什么？
-
指标提升来自真正修复，还是测试方法变了？
-
本轮收益相比上一轮是多少？
-
如果连续几轮没有改善，是否应该停止？
-
结果看起来正确，能否证明实现真的正确？
我也逐渐意识到，使用 Agent 并不会让人不再思考。
恰恰相反，它会逼着你更认真地思考。
因为当“写代码”本身变快之后，真正稀缺的东西就变成了：
定义问题、选择方向，以及判断结果到底靠不靠谱。
最后，那个模糊的小想法真的被做出来了
经过一轮又一轮开发、测试和修改，项目最终完成了。
它不是一个只在 PPT 里存在的概念，也不是一个只能演示固定路径的半成品，而是真的可以让用户完整体验。
项目最让我开心的时刻，不是某段代码终于编译通过，也不是某个指标终于变绿。
而是用户实际体验之后，完全进入了我们设计的情境，没有察觉到背后的复杂实现。
那一刻我突然觉得：
原来一个最开始连自己都说不清楚的小想法，真的可以被一步步做成产品。
更意外的是，这个项目最后还获奖了。
我原本只是想去比赛现场看看大家在做什么，认识一些志同道合的人，结果还收到了一套影石麦克风。
官方送麦克风这件事，我思考了很久。
最后得出结论：
他们可能是在暗示我们，以后不要再打字写提示词了，直接开口 Vibe。
TraeWork 对我来说，已经不只是一个编程工具
现在，我会把 TraeWork 用在更多工作里：
-
把模糊的需求整理成可以执行的方案；
-
阅读陌生项目并梳理代码结构；
-
将复杂任务拆成多个可验证的小阶段；
-
根据测试结果排查算法差异；
-
Review Agent 自己提交的修改；
-
整理一次持续数小时的问题排查过程；
-
把踩过的坑沉淀成下一次可以复用的经验。
以前做复杂项目时，我的大脑里经常同时挂着几十件事：
“这个参数为什么这么设计？”
“上次失败的原因记录在哪里？”
“这个模块改了会不会影响另一个模块？”
“刚才那个结论到底验证过没有？”
现在，我可以把更多执行和整理工作交给 Agent，自己把精力留给真正需要判断的地方。
它不像一个单纯帮我写代码的工具。
更像一个不会困、不会烦、记忆力正在不断进化的项目搭档。
当然，偶尔也需要把它从错误方向上拽回来。
这一点和真实同事非常像。
我希望未来的 TraeWork，能够更懂“长期项目”
我希望未来的 TraeWork，不只是完成眼前的一次任务，还能真正理解一个项目的成长过程。
例如：
-
自动记住项目中已经确认过的技术决策；
-
遇到类似问题时，主动找到以前的排查记录；
-
在长时间 Loop 中判断每轮收益是否正在下降；
-
发现验证方法存在漏洞时，先暂停修改代码；
-
把成功经验沉淀成可以复用的测试、脚本和工作流；
-
在我兴奋地准备重构整个项目时，冷静地问一句：
“这个功能真的有必要吗？”
如果它能做到最后一条，我愿意称它为成熟的软件工程师。
最后
从最开始让 TRAE 帮我补一个函数，到现在让 Agent 参与产品设计、架构分析、开发、测试和复盘，我使用 AI 的方式已经完全不同了。
它没有让我变成一个不用思考的开发者。
相反，它让我开始更加重视：
-
问题到底是什么；
-
目标应该如何定义；
-
一次修改怎样才算有效；
-
一个项目怎样才算真正完成。
我和 TraeWork 的故事，并不是“AI 替我把工作做完了”。
而是：
它让我更敢把一个小想法当真。
以前，一个想法可能只会在脑子里停留几天。
现在，我会忍不住打开 TraeWork，对它说：
“我又有一个不太成熟的想法。”
然后它大概率会回答：
“好的，我们先明确一下目标和边界。”
接下来发生什么，就很难说了。
可能是一个新项目。
可能是一个通宵运行的 Loop。
也可能，又是一份奖品。