白话TRAE工作原理和关键术语(一)

白话TRAE工作原理和术语剖析

引言:

使用TRAE的小伙伴们,经常苦于AI编程入门容易,但进阶很难的烦恼。笔者特分享一些自己的经验,望能帮助到大家。

一、白话:工作原理

1.1 任何AI编程工具的工作原理都是一样的,包括TRAE:

用户提交“提示词”---->智能体---->大模型

最终结果,都由智能体返回

二、白话:关键术语

2.1 大模型:

大模型类似国家的综合国力,不同国家的综合国力是不同的,有高有底,但综合国力强,并不代表各个领域都强。例如,沙特的国力远不如中国,但石油资源却强于中国。

2.2 智能体:

智能体类似国家的管理者。管理者的综合水平有高有低,但综合水平高,并并不代表各个领域水平都高。例如,有的智能体擅长生成代码,有的智能体擅长生成ppt…

即便是水平高的管理者,也会因为国力不强,国家管理也会很糟糕;因此,好的管理者+强的国力,才会期望出好的结果。

三、白话:非关键术语

内置智能体、自定义智能体、规则、skill、MCP等

每个AI编程工具,都会提供一些自己的智能体,如TRAE就提供了Chat、Builder、Solo Coder等智能体,它们都有自已适用的领域。这些智能体,被统称内置智能体。

内置智能体,是可以调用其它工具,来增加自己的”指挥水平”,这些工具包括:自定义智能体、规则、skill、MCP等。所以,我们发现,单独使用内置智能体,也是能干活的;附加上其它工具,只是增强内置智能体的”指挥水平”。

三、总结

综上,我们只需要先理解1个工作原理和2个关键术语,其它您都能”无师自通”了。

2 个赞

这个比喻体系搭得很清楚,对刚入门的朋友来说是个很好的认知起点。

补充一个实操层面的判断逻辑——理解了这套框架之后,最常遇到的问题是:「什么时候该加 Rule,什么时候该加 Skill?」

一个简单的判断标准:

  • Rule = 告诉 AI"怎么做",偏向约束和边界
  • Skill = 告诉 AI"是谁",偏向身份和能力扩展

举例:想让 AI 在写代码时主动考虑安全漏洞 → 加 Rule。想让 AI 在写文案时具备"产品经理"的表达视角 → 加 Skill。

所以当你发现 AI 每次都"想得到但说不准"某个领域的问题时,往往不是提示词不够长,而是缺一个能定义身份的 Skill。这大概也是为什么很多进阶玩家最终都会沉淀一批自己的 Skill——本质上是在构建多个身份资产,而不是在堆规则。

1 个赞