模型技巧 From 社区 「技巧便利店」栏目

社区精选
1

GPT-5 上下文技巧说明

适用版本：TRAE 国际版

:bust_in_silhouette: 用户 @Nolan

GPT-5 最大的变化之一就是超强的 Context 处理能力。

  • **记忆深度足够：**即使项目资料几十页，它也能全部吃下去，不至于“选择性失忆”。

  • **引用能力增强：**它不只是“读过”，而是能随时把之前的内容拿出来对照。

  • **项目协同更顺滑：**当它知道规则 + 文档 + 架构，输出的方案就会更像团队自己写的，而不是空中楼阁。

  • **举个例子：**如果你在 TRAE 里挂上 #DOC，再把 user_rules、project_rules.md 喂进去，GPT-5 就能在写方案时遵守规则，不会随意“跑题”。

技巧与心得

  • **不要怕文档太长：**越多的上下文，GPT-5 越像“知根知底的老同事”。

  • **尽量分类清楚：**技术规范一类，用户习惯一类，架构设计一类，喂给 AI 时分门别类，它更容易消化。

  • **留一点人情味：**上下文不一定全是冷冰冰的规则。比如加一句“我们团队不喜欢啰嗦代码，要简洁”，AI 也能理解。

  • **持续更新：**项目变了，文档也要更新，不然 AI 还是会被旧的 Context 误导。

处理任务以理解高层抽象概念为主时，可上 Gemini-2.5-Pro

:bust_in_silhouette: 用户@研发–加百列

适用版本：TRAE 国际版

**Gemini-2.5-Pro 有更强的指令服从能力。**指令服从性 Instruction Following 通俗来说就是模型“听人话”的程度。

如果你发现模型“不听人话”了，可以切换 Gemini 试试看。根据我的非完整覆盖测试，Gemini 在听从指令、理解相对高层和抽象的概念（比如设计思路、设计原则等）时表现较好，此时切换到 Gemini 可能会给你惊喜。

另外，如果出现了模型（智能体）陷入了死循环，切换至 Gemini 有可能可以解救它于水火。

总结： 处理任务以理解高层抽象概念为主，需要强调“听人话”能力时，适合 Gemini 出场。

当处理“只读”类型任务时，Kimi-K2 可能是最具性价比的选择

:bust_in_silhouette: 用户@研发–加百列

适用版本：TRAE 中国版 & 国际版

Kimi-K2 在网络代码资源丰富的 Nodejs 和 Python 上的表现不错（根据本人不完整、不准确的评测）。

在代码解读、Code Review 这类不改动代码的“只读类”任务中，由于没有新的代码生成和环境变化，它面对的是相对静态的代码文档，没有太过复杂的变化场景需要处理和适应，因此它的表现可以相当稳定而且质量不低。

让它结合上下文给你一些决策或优化建议，同样是适合它的一种任务。

总结：“只读”模式的一些工作，更适合免费的 TRAE 中国版 + Kimi-K2 来做高性价比贡献。

当不知道选谁时，Doubao-Seed-1.6 是个稳妥的万能选项

:bust_in_silhouette: 用户@杨建新

适用版本：TRAE 中国版

图片理解能力：豆包是“唯一解”，更是“最优解”

在中国版模型中，目前仅有 Doubao-Seed-1.6 支持多模态输入 。

  • 实测表现 ：在权威视觉理解榜单中，Doubao-Seed-1.6 取得 60.58 分 ，距离榜首的 Gemini-2.5-Pro 仅差不到 5.5% 。

  • 体验优势 ：不仅识别准确率高，响应速度快，还能根据图像内容灵活调整输出策略。

  • 结论 ：无论是图文问答、图表解析，还是带图逻辑推理，Doubao-Seed-1.6 是当前中国版模型中当之无愧的视觉王者 。

逻辑推理能力：豆包“灵活制胜”

  • Doubao-Seed-1.6 可根据问题复杂度智能决定是否展开推理过程 ，兼顾效率与深度。

  • 更重要的是：现实中的逻辑任务常伴随图像输入 ——此时，Doubao-Seed-1.6 的多模态 + 灵活推理能力可谓如虎添翼 ，真正做到“一箭双雕 ”。

GPT-5 擅长做什么？

:bust_in_silhouette: 用户 @彭超

  • GPT-5 擅长编写一些精细的内容，比如 Spec Coding 的 Spec 编写：安装上 GitHub 官方开源项目 spec-kit，使用 GPT-5 编写基础定义，Spec 编写得非常精准，稍稍修改即可完成需求编写。

  • GPT-5 是一款指令精准的模型，特别擅长修改代码和进行重构，在修改过程中，GPT-5 擅长模仿已有的代码风格生成让人眼前一亮的内容，局部修复基本上没有任何 bug。

快速原型开发 + Bug 排查修复：上 Qwen3-Coder + sequential-thinking MCP

:bust_in_silhouette: 用户 @杨建新

在“快速原型开发 + Bug 排查修复”这类高频实战场景中，我强烈推荐：

Qwen3-coder + sequential-thinking MCP 工具

  • 速度超快 ：根据榜单数据，完成任务仅需 43 秒。

  • 边想边写 ：sequential-thinking 工具为其注入“推理能力”，弥补原生不带 think 的短板。

  • 自动测试加持 ：规则要求智能体在修改模块后自动测试，大幅提升代码可用性。

豆包：全能型 AI 助手

:bust_in_silhouette: 用户 @李世博

在 TRAE 中国版中，我觉得豆包的多模态+文本，以及代码能力都很不错。

  • 知识归纳总结

在完成课堂作业或者练习算法的时候，我会使用 TRAE CN ，用 Doubao-Seed-1.6 去帮我生成一些知识的归纳和总结。

  • 算法题目解析与指导

针对蓝桥杯等专业题目，有不会的也可以问问智能体，它能够直接为我生成对应的解析。我还会给一个试题大纲，智能体会直接给我生成这个大纲中能遇到的所有算法！

AI 模型挑选指南

:bust_in_silhouette: 用户 @全栈开发-K 叔

  • 模型选择：针对不同使用场景推荐合适的 AI 模型。

  • 模型能力对比：从复杂流程处理、难题解决能力、情感交流能力、内容简洁性、稳定性等维度对主流模型进行星级对比。

  • AI 使用技巧：Max 模式擅长处理复杂任务，建议按需使用；MCP 建议处理逻辑推理任务。