我是谁
游戏制作人转 AI Harness 开发者，80后
我做了什么，解决什么问题
时间大概一个月之前，凭借Trae打通了老旧技术的现代化
我制作了演示 demo 展示，展示我自动化便捷性，说服企业决策者采用我的方案
凭借此系列案例展示入职成功，现任技术顾问岗位，负责 AI 企业落地和办公自动化方向
表达对 TRAE 感谢
上手 AI 可能有多种方式，从我个人角度，就是 TRAE 陪我过来的
这是一个在时代更替时，重拾技术自信的重要过程
现在每天双击 TraeCode 这个黑色的图标时，心中认为这是战必胜，攻必取的可靠伙伴
我是怎么用 TRAE 做出来的
我是一个高强度的Trae使用者，使用强度大概是下面这个情况
主要经验：软件工程学没有过时
技术选型与可行性分析、数据流图法、自顶向下设计、自底向上实现，这些工程学概念并没有随古法编程一起淘汰。且在AI编程中非常重要。
- 项目设计初期就要让 Agent 去做竞品报告、技术选型对比，没有竞争力的东西不要做，技术选型必须适合产品，不能完全以习惯为理由（从此项目上手了微软 Blazor 系列）
- 数据流图法使程序设计容易在关键的数据输出位置打桩测试，定性检查 AI 输出内容是否正确
- 自顶向下设计有利于将任务拆小到上下文允许的范围，开发此例时上下文限制了 200K，1M上下文只能缓解问题，不是万能药
- 自底向上实现是并行过程。TraeCode 允许最多 10 Agent 并发，即使不到吃干抹净程度，3~4 个会话并发表示开发效率是其它人的 3~4 倍
杂项经验
- Plan模式要求Agent将所有问题附带在文档最后而不是使用工具提问，能避免为了满足工具选择题格式AI主动降低问题难度等级和限制数量
- Plan模式明确告知Agent这份计划不会被通过，需要与我核对多个回合（实际操作中3~6回合）每次编写计划的下一版本并包含问题由我逐一答复
- 软件暴露CDP接口，允许Agent不经我读取显示内容
- 软件暴露有完全反射权限的CLI工具，允许Agent不经我反射读取程序运行时内存变量，以自动分析问题
成果展示
由于附件体积限制
我筛选了简短且有代表性的视频演示内容
附件是求职演示的 demo 之一
演示内容于8月中旬完成，对应 TraeIDE（此时未改名 TraeCode）较早版本