TraeCode 的 100 种用法 · 领导派活只发"一个微信、一份文件、一张图"，我用 TraeCode 做出了 AI 一键识别、一键发布任务的工具
一、我是谁，以及我遇到了什么问题
我在建设工程监理行业，现在是管理岗位。日常最熟悉的一幕是：
领导在微信里发来一句话：“这个活动你安排一下”，外加一份红头文件、几张PPT的照片。
然后我的麻烦就来了：
- 任务要人工清理，很费时间。一份《关于开展 XX 活动的通知》里，往往埋着五六件带期限的事——“9 月 3 日前报计划”“活动结束后 10 个工作日内报信息”“12 月 7 日前报总结、附附件 1、2”。我要自己逐条读、抠期限、登记到表里，一份文件处理下来十几二十分钟。
- 派出去就石沉大海。任务逐个微信派给同事后，谁拿去做了、做到什么程度，没有任何系统记录，全靠自己隔几天挨个追问。
- 市面上没有现成工具。日历软件不会从文件里拆任务，项目管理工具要手动录入，没有任何一款产品能"AI 一键识别任务、一键发布任务"。
等开发排期和外包都不现实，于是我决定用 TraeCode 自己把它做出来。
二、我是怎么用 TraeCode 解决这件事的
主要模式：SOLO 模式为主（架构规划、新功能、部署由智能体执行），IDE 模式为辅（AI 解析的字段结构、数据归属这类关键逻辑自己把关）。
第一步：先把"任务底座"搭起来
从 0 到 1 描述需求："做一个团队任务工具，任务有标题、期限、负责人、状态。"TraeCode 规划并生成了桌面挂件（pywebview + WebView2，钉在桌面右侧、开机自启、到点弹提醒、月历视图）和网页端（Vue 3 + Vite）。这一步我把底座跑通，为后面的 AI 识别准备好"任务"这个数据结构。
第二步：核心功能——AI 识别任务
这是整个工具的灵魂，我对 TraeCode 说清了真实场景：领导发来的就是"一段微信文字、一份文件、一张图片"，要自动拆成任务草稿。最终实现：
-
微信文字 / 通知文件：粘贴或上传后，大模型按约定结构拆解——总纲任务 + 多条子任务，自动识别期限（支持"9 月 3 日前""结束后 10 个工作日内"这类相对期限），还会挂上父子关系和后继链（报计划 → 报信息 → 报总结）；
-
图片：接入支持视觉的模型（GPT4 MINI 中转站），照片里的文字任务同样识别；
-
多厂商通用：统一走 OpenAI 兼容协议，DeepSeek / 千问 / GLM / Kimi 一套代码全兼容，换厂商只加一条预设；
-
识别结果变成草稿卡片，我核对一一键发布。
** 第三步：发布之后的跟踪闭环**
发布出去的任务进了任务堂：左栏是可接榜的任务池，右栏分"待我执行 / 我发布的"。同事看到任务自己认领，状态流转为：待领 → 进行中 → 已完成（沉淀成果）→ 逾期，另有成果墙和团队动态留痕。“谁拿去了、做到哪一步”，打开看板一目了然，不用再追问。
第四步：部署上线给同事用
TraeCode 辅助把整套系统部署到云服务器：Python 后端 + 数据库 + nginx 托管前端 + systemd 守护，手机浏览器也能用。过程中的坑也是它排的：浏览器缓存旧包 → 加 Cache-Control: no-cache 根治；编辑任务后发布人错乱 → 定位到 upsert 丢了原 user_id，一行修复。
三、成果展示
交付了一套真实上线、团队在用的系统：
| 层 | 内容 | 状态 |
|---|---|---|
| AI 识别 | 微信文字 / 通知文件 / 图片 → 结构化任务草稿（期限、父子链），一键发布 | 已上线 |
| 网页端 | 任务堂（接榜 / 认领）、看板流转、日历、成果墙、团队动态 | 已上线，手机可用 |
| 桌面端 | 挂件钉在桌面、开机自启、到点提醒、云同步 | 日常运行 |
| 服务端 | Python API + 数据库 + nginx + systemd 云服务器部署 | 已上线 |
解决的核心问题：领导发来的"一个微信、一份文件、一张图"，从人工清理十几分钟 + 事后追问，变成 AI 秒级拆任务、一键发布、进度板上见。
四、效率对比
-
以前：收到通知文件 → 逐条读、抠期限、手动登记 → 逐个微信派活 → 隔几天挨个追问进度。一份文件清理加派发要十几二十分钟，进度跟踪是持续性的隐性成本。
-
现在：文件 / 图片 / 微信文字丢进 AI 识别 → 秒级出任务草稿卡片 → 核对后一键发布 → 同事自己接榜 → 进度看板直接看，到期自动提醒。单个任务从"清理到派发"从分钟级降到十几秒，进度跟踪成本趋近于零。
-
更重要的：市面上没有的产品，一个非程序员用 TraeCode 做出来了，并且真的在团队跑起来了。
五、经验和技巧总结
- 把真实样本直接喂给 TraeCode：我不是抽象地说"帮我拆任务"，而是把领导发过的真实通知文件给它看，告诉它"这里面埋着报计划、报信息、报总结好几件事，期限藏在不同句子里"，AI 解析的字段结构和规则立刻就对了。
- 图片识别要选对模型：统一走 OpenAI 兼容协议后，文本模型和视觉模型（如 qwen-vl-max）按需切换，成本和效果都可控。
- 关键逻辑自己把关：任务归属、发布人字段这类数据逻辑，我会用 IDE 模式逐行确认（就踩过编辑任务后发布人被改掉的坑）；界面、解析规则、部署交给 SOLO 模式。
- 报错直接甩现象：nginx 缓存、部署报错，我只描述"看到什么、期望什么"，让智能体给假设和验证方法，基本一次对话解决。