技巧：一次只给一个明确任务。
说明：把“改这个 bug、顺手加个功能、再优化下性能”拆成多轮对话逐个提。塞一起容易顾此失彼，拆开做每一步都可控、可验证。
1 个赞
技巧：沉淀高频流程，封装成自定义 Skill
说明：对于自己经常重复的任务，不要每次重新写 prompt，直接封装成 Skill，后续一键调用，统一输出标准。
1 个赞
技巧：需求拆成单步，别混任务。
说明： 新手最容易犯的错误是一次性把多个需求塞给TRAE，比如"帮我写周报、排个版、再做个PPT"。一句话塞三个任务，模型容易混乱，要么只触发一个，要么哪个都做不好。正确做法是：一个需求对应一次对话，做完一个再做下一个，每个任务都写清楚"做什么→有什么输入→输出什么格式"。这样TRAE能精准理解，输出质量也稳定得多。
1 个赞
技巧：大改动先要方案再执行。
说明：涉及多文件重构时，先让 TRAE 输出改动方案和影响范围，确认无误后再让它动手。避免它理解偏差直接改一堆文件，改错了还得回滚。
2 个赞
技巧：复杂开发前先输出 todo 任务清单
说明：做大的功能开发，先让 TRAE 拆解生成 todo 任务列表，确认规划之后，再逐个迭代开发，防止需求跑偏。
2 个赞
技巧：提需求先给验收标准。
说明：描述任务时顺手写清“改完后怎么算对”，比如“跑通某接口”“列表能筛选”。Agent 有了验收标准会主动自测，来回返工明显变少
1 个赞
技巧：长对话先总结，再开新任务。
说明： 当使用 TRAE 进行开发时，一个对话窗口内的上下文会随着轮数增长而逐渐膨胀，超出限制后模型容易出现"遗忘"或响应变差。建议在切换功能或完成阶段性开发后，让 TRAE 先总结当前对话的目标任务、已完成内容和剩余待办，然后开启一个新对话继续推进。开启新对话时，把上一步的总结摘要粘贴进去作为系统上下文 ，同时把相关的关键文件路径或代码片段一并带入。这样做有两个好处：一是大幅减少 Token 消耗，避免上下文窗口溢出；二是清空冗余历史后，模型的专注力和响应质量明显提升 。
1 个赞
技巧：团队规范写进项目规则。
说明：把编码规范、目录结构、禁用操作（比如禁止 git reset）写进项目的 rules 文件，每次对话自动生效，不用反复口头提醒，团队协作口径也统一。
1 个赞
技巧：直接甩文件路径，省 Token。
说明：已知目标文件时，直接告诉 Agent 具体路径和行号，别让它全局搜索。搜索过程会产生大量无关上下文，既慢又费 Token。
1 个赞
技巧：善用flash，节省cash。
说明：glm5.3-flash、deepseek-4.1-flash，简单任务直接flash，复杂任务让flash先理解，再用flash执行。
1 个赞
开发节约时间技巧：
技巧：请帮我规划一下任务，分类一下，有必要的情况可以分类成多个文件，多文件方便进行并行开发
说明：有时候互不影响的功能，懒得开新窗口了，可能只是一些小bug任务，可以直接并行修改
1 个赞
每天要看外文报告汇总，通过把任务拆解，先用trae写脚本调用python成熟的库ocr提取和拆解英文报告，这部分以后就不用token了，然后翻译部分再调用模型，这样每次省了一半以上的token。
1 个赞
说个我用 SOLO 改长文档时踩出来的习惯。
之前拿它改一份十几节的使用文档，最烦的是交叉引用错位：正文把「第七节」调成了「第六节」，别处引用还指着原来的标题，得自己一遍遍找。改了两三轮我发现，这种要求光在对话里说没用，隔几轮它就忘。后来干脆在对话里把它定成硬约束：所有交叉引用必须用精确的章节标题；同一信息全篇只出现一次。之后它每轮动章节都会自己把引用全过一遍，我基本不用再手动对了。
附带的好处是第二条把 token 也省了——它以前爱把同一段话换个说法再写一遍，现在这条路被堵死了。
另外提醒一句：这类约定固化在项目记忆里挺牢，但用户级的记忆文件会被 TRAE 自动维护覆盖，重要的东西别只写在那一处，我丢过一次又补回来的。
1 个赞
技巧：简单任务用标准，复杂任务上智能。
说明： TRAE 的模型选择有智能（思考强度）、模型版本和速度三个维度。对于日常简单任务（如变量命名、代码微调、单文件问答），保持默认的"中"智能度即可，兼顾速度与成本 当遇到复杂任务（如跨文件重构、Bug 深追、架构设计）时，应切换到"高"或"超高"思考强度，让模型做更深度的推理 模型版本方面，优先选最新版本，因为新版本在能力上一定有优势 速度维度上，"标准"模式用常规 Token 量，"快速"模式消耗翻倍的 Token 但能加速 1.5 倍，Token 充裕时再开启 另外，通用任务用推理模型更稳，而写文案、做脚本等创意类任务则更适合通用模型
1 个赞
技巧：重复流程沉淀成 Skill。
说明：经常做同类任务（比如发版检查、生成周报、建表）就封装成 Skill，一条命令触发整套流程，比每次重新描述需求稳定得多。
1 个赞
先让kimi-k3出详细方案，再切deepseek按照方案逐步执行
2 个赞
技巧：用完就卸大结果，只留路径省 Token。
说明： TRAE 中大量 Token 消耗往往来自工具返回的大段结果（如读取的代码文件、日志输出等），而非对话本身当 TRAE 的工具返回超大结果时（如超过 2 万个 Token），系统会自动触发卸载机制：先将完整内容写入虚拟文件，对话中只保留文件路径和前 10 行预览，后续需要时再按需读取。作为使用者，你可以有意识地做三件事：第一，每次写完代码或获得结果后，主动让 TRAE 把阶段产物写入独立文件，对话里只要引用路径，别让原始内容长期占用窗口 ；第二，切换新任务时终止旧对话，通过 /compress 手动压缩释放上下文 ；第三，避免在一个对话中反复嵌套追问不相关的话题，一个窗口只做一件事，做完就收 。
2 个赞
技巧：Bug 修复给复现步骤，别只丢报错信息。
说明： 修复 Bug 时，只给报错截图或错误文本是不够的。先把完整的复现步骤、期望行为和实际结果整理清楚，再带上相关的文件路径一并交给 AI，这样模型能更快定位根因 。如果是复杂Bug，先在第一轮让 AI 分析可能原因，确认方向后再让它动手改，而不是直接让它一边分析一边改 。
1 个赞
技巧：并行改动用工作树，互不干扰再合并。
说明： 当你需要同时修改多个不相关的功能时，用 Git Worktree 功能创建多个独立的工作树分支，每个分支开一个单独的对话让 AI 处理各自的任务 。所有分支改完后，一次性合并回主分支，既避免了不同改动互相覆盖，也省去了挨个提交的麻烦 。
1 个赞
我在几个 AI 工具之间跳着干活，最烦的是同一套提示词资产到处复制、改一处漏两处。后来把常用的十几个技能直接搬进 ~/.trae-cn/skills，跟另外两个工具用同一套；商店里装了二十来个，用不上的内置技能（比如 dynamic-ui）在技能设置里手动关掉，列表干净点，眼不见心不烦。
2 个赞