0. 先和大家打个招呼 
**你是谁：**我是一名B端产品经理，接触Trae已有一段时间。去年就尝试使用这款工具，但彼时对它的使用方法十分陌生，只是随意通过Vibe模式编写了一些网页，最终呈现效果平平，便没有继续深耕、投入日常工作使用。
今年三四月份，随着Trae持续迭代更新，加上众多博主的实战分享，我清晰看到了它融入职场工作流的巨大潜力，于是决定重新尝试，将其落地到自己的工作当中。恰逢当时Trae正处于推广阶段，免费使用、算力无限、无需排队的核心优势，完美契合我的需求。依托这份无门槛、无限制的使用权限，可以大胆试错、反复打磨，不用顾虑成本与频次。后来trae的手机端出来以后，更是没日没夜的和AI聊，一段时间甚至搞得心力憔悴，后续调整作息才缓解过来。在这也用庄子的名言提醒大家：吾生也有涯，而知也无涯。以有涯随无涯，殆已！已而为知者，殆而已矣！vibecoding虽好，大家也要注意休息，不要过度
你是怎么用 TRAE 把 Demo 做出来的：
这个Demo是这样做的：
说实话，一开始也没想好怎么做，就是每天下班后在TRAE里跟它"聊天"——把脑子里关于营养管理的想法一句一句地说出来。它就帮我把这些零散的想法一点点梳理成结构化的需求：页面该有哪些、功能怎么串联、数据怎么流转。需求理清之后，我让TRAE直接生成了可交互的HTML原型。这个过程像什么呢——就像你跟一个手很巧但不懂你业务的新人合作，你告诉他"做什么"和"要什么效果"，他帮你把东西做出来。然后我俩之间不断磨合，不断完善skill，最终将这个小demo做出来了。后面也看到了很多全栈大佬发了自己的作品，感觉还需要很多提升和向大家学习的地方。
1. Demo 简介
是什么： 膳伴是一个面向中国家庭的AI膳食管理产品，包含Web端 + 手机APP端双平台。
面向谁：
1. 每天为"今晚吃什么"发愁的家庭掌勺人——尤其家中有老人（高血压/糖尿病）、儿童（过敏/挑食）等需要特殊饮食管理的家庭
2. 没有时间做饭的年轻坐班族——长期依赖外卖、单位食堂但缺乏健康选品能力
主要功能：
1家庭烹饪模式：AI冰箱管家 → 智能菜谱引擎 → 采购 → 烹饪 → 健康追踪
拍照识别冰箱食材 → 基于库存+全家健康约束生成菜谱 → 自动生成采购清单 → 步骤化烹饪指导 → 完成后自动记录饮食数据。核心亮点：多成员营养约束引擎——爷爷要低盐、妈妈要控糖、小明海鲜过敏，AI同时满足所有人的饮食约束，每道菜标注每人份的营养分配。
2 外卖轻食模式
6大品类16个菜品精准选品，按钠/蛋白/热量筛选。AI标注"去皮减油"“无辣”"低GI"等健康优化选项，直接跳转美团/饿了么下单，下单后自动记录营养摄入。
3 食物预警检测
采购时、拍冰箱时按家人身体情况触发预警。
2. Demo 创作思路
灵感来源
来自家庭的切身体验： 家里人长期受各类慢性病困扰，总说"在家吃更健康"，但实际并没有健康到哪去。长辈非常容易受营销号影响，今天这个说吃这个健康，明天又说吃那个健康，对真假消息毫无辨别能力，常常病急乱投医，让"伪大师"趁虚而入，利用信息差挣钱。我亲眼见过真正注册营养师（北京协和的医生）给出的专业建议，但那个成本和时间门槛，绝大多数家庭根本够不着。因此希望做出一种有据可依、数据源可信的AI营养师产品。
来自生活节奏的观察： 我自己也做过饭，深知做饭的前后流程长、耗时耗力。工作强度较大的白领、科研人员没有时间精力自己做饭，长期依赖外卖或餐馆，缺乏对身体情况的关注，常常到出问题才知道注意。而慢病人群点外卖时——麻辣烫怎么点少钠？炸鸡能不能选去皮减油版？这些关键信息外卖平台本身不提供。
来自技术时机的判断： 身体健康问题是一个综合性的、跨学科的复杂问题，单一的解决方案往往拆东墙补西墙。围绕个体或小家庭的定制化低成本软件，以前成本太高做不起来，现在有了AI加持，整合一整套"家庭健康工具箱"这件事变得可行了。
现实世界的复杂问题不会恰好落在某个学科的边界里，所以你必须有一整套工具箱，而不是只有一把锤子，而以前去整合这一整套健康工具箱的成本是小家庭无法承担的，现在有了AI加持，现在这件事变得似乎可行。
想解决的问题
1. 多成员饮食约束冲突：一个家庭里3-4个人各有饮食限制，掌勺人需要同时兼顾，食物、医学认知负担极重
2. 健康数据孤岛：体检报告、用药记录、过敏信息散落在不同地方，做菜时根本想不起来交叉参考
3. 食物健康盲区：点外卖、出去吃时不知道钠含量、热量，慢病人群吃了后指标恶化却不自知。尤其是没空做饭的年轻人，长期依赖外卖但缺乏健康选品能力——麻辣烫怎么点少钠？炸鸡能不能选去皮减油版？这些信息外卖平台、餐馆本身不提供
4. 营养查漏补缺:根据身体情况、吃喝内容提供营养补剂，做到真正的全流程营养师。
为什么做这个方向
1）中国家庭正在经历一场"营养危机"
· 国家卫健委数据：我国慢性病死亡人数占总死亡人数的88.5%，而膳食风险因素是慢性病首要可控因素
· 中国居民营养与慢性病状况报告：我国居民人均每日食盐摄入量10.5g（推荐<5g），食用油摄入量43.2g（推荐25-30g），远超标准
· 老年人营养不良风险：社区老年人营养不良风险达30%以上，农村留守老人问题更严重
· 儿童青少年：6-17岁儿童青少年超重肥胖率近19.0%，与不合理膳食直接相关
2）专业营养服务的门槛高到普通家庭够不着
· 注册营养师单次咨询费用300-800元，且需要预约
· 家庭多成员（3-4人）的定制化营养方案，传统模式下成本极高
· 基层社区和乡镇几乎没有营养科服务，营养信息鸿沟巨大
· 家里长辈常常被营销号、伪养生知识误导，病急乱投医
3）AI让"全家营养师"从奢侈品变成日用品
· 多约束求解是AI的天然优势：同时处理4个人的饮食限制（低盐/控糖/过敏/药物禁忌），人脑容易遗漏，AI不会
· 成本趋近于零：一次开发，无限家庭使用
· 可触达基层：只要有手机，乡镇家庭也能获得一线城市同等水平的营养指导
4）与国家健康战略的契合
· 《“健康中国2030"规划纲要》明确提出"引导合理膳食”“加强重点人群健康服务”
· 《国民营养计划（2017-2030年）》将"吃动平衡行动""生命早期1000天营养健康行动"列为重大行动
· 膳伴的核心逻辑——家庭多成员营养管理——直接对应纲要中"重点人群"（老年人、儿童、慢病患者）的健康服务需求
5）生态可扩展性强：
· 后续可以接入各类外卖平台、电商平台。
· C端免费使用积累家庭健康数据，增值服务收费（个性化营养方案、体检报告深度解读）；
· B端与生鲜电商合作导流抽佣（菜谱→采购清单→一键下单），与体检机构合作提供饮食干预方案。核心壁垒是家庭多成员健康数据的关联关系——单个用户的健康数据没有价值，但一个家庭3-4人的饮食+用药+体检关联数据，是体检机构需要的。
落地技术路径：
当前为单HTML原型，验证了产品逻辑和交互体验。
后续落地版本的技术栈：前端React + TypeScript，后端Node.js + PostgreSQL，AI能力通过后端直接调用大模型API（豆包/Claude），用LangChain做菜谱约束求解和工具调用编排，食材拍照识别接入视觉模型API，外卖数据接入美团/饿了么开放平台。健康数据采用端云混合存储——敏感数据（病历、用药记录）端侧加密存储不出设备，饮食菜谱数据云端存储支持家庭共享。
社会价值与公益延伸
当前已覆盖的价值
· 让普通家庭获得专业级营养指导，降低健康信息获取门槛
· 慢病人群（高血压、糖尿病）的饮食前置干预，减少并发症风险
· 药物-食物禁忌实时预警，避免家庭烹饪中的用药安全隐患
· 一老一小重点人群守护：老人慢病饮食管理+儿童过敏/生长发育营养
未来可扩展的公益方向
· 社区营养站：与社区卫生服务中心合作，为辖区内慢病老人提供标准化饮食管理工具
· 留守儿童关爱：为农村留守儿童家庭提供低成本营养方案，改善学龄儿童营养不均衡问题
· 灾后/应急营养支援：在突发公共事件中，快速生成大规模人群的应急膳食方案（如避难所集体供餐的营养配比）
· 康复期患者膳食：与医院营养科联动，为术后/放化疗患者提供家庭康复餐食指导
我相信，改善每个家庭、每个人的餐桌，就是在改善整个社会的健康基底。
3. Demo 体验地址
膳伴原型.zip (119.6 KB)
4. TRAE 实践过程
4.1 开发工具与流程
使用工具：TRAE Work
开发方式： 需求分析→HTML原型生成→功能修复→测试验证→模拟打分，全程在TRAE Work中完成。
4.2 开发关键步骤截图
截图1：需求分析与创意生成
Session ID 1：898741107433044:7ffb9f96b9cee114bfa2b14c2d842f72_6a3cda82686204013d973ca9.6a3cdedd686204013d973ccb.6a3cdedd686204013d973cc9:TRAE Work CN.0.1.23.no_sid.no_ppe.T(2026/6/25 15:55:09)
截图2：页面交互生成
**Session ID 2：**898741107433044:b36a0553519916f53bc4db2f3e6a09d1_6a3cda82686204013d973ca9.6a3ce6bd686204013d973d9f.6a3ce6bd686204013d973d9d:TRAE Work CN.0.1.23.no_sid.no_ppe.T(2026/6/25 16:28:45)
截图3：Web端HTML原型生成与调试
**Session ID 3：**898741107433044:a2f4856f060136b6e87a12c57dac3ba0_6a3cda82686204013d973ca9.6a3cefeb25aafe309a2e0dbf.6a3cefeb25aafe309a2e0dbd:TRAE Work CN.0.1.23.no_sid.no_ppe.T(2026/6/25 17:07:55)
截图4：APP端HTML原型生成
**Session ID 4：**898741107433044:944993a27a80a763131258594d4e7c30_6a3cda82686204013d973ca9.6a3d1a2e25aafe309a2e1b06.6a3d1a2e25aafe309a2e1b04:TRAE Work CN.0.1.23.no_sid.no_ppe.T(2026/6/25 20:08:14)
截图5：浏览器自动化验证与全量审计
**Session ID 5：**898741107433044:3bd5d48eaa389cd12957f92ba20be60b_6a3cda82686204013d973ca9.6a3e529c25aafe309a2e2b85.6a3e529c25aafe309a2e2b83:TRAE Work CN.0.1.23.no_sid.no_ppe.T(2026/6/26 18:21:16)
4.4 开发心得与踩坑复盘
踩坑：做完了才发现漏了一半用户想加需求
桌面端APP端做完了，突然想加功能，但是用AI做原型明显是：好生成但是不好改。后来让就TRAE帮我规划了"模式B：外卖轻食"——6个品类16个菜品，每个都标注了营养数据，选品时同样触发药物禁忌预警。桌面端和APP端都补上了对应入口，并调整了原来的原型生成skill，顺便加了支持中途加需求的流程。
开发心得
关于和TRAE配合
我发现跟TRAE工作的方式，有点像一个【需求+管理】的工作角色带一个技术能力很强但不了解你业务的新人。你把需求说清楚，它能做得又快又好，经常超出预期。但它不会主动替你发现业务盲区。
所以后来的节奏变成了：我负责想清楚"做什么"和"为什么做"，TRAE负责"怎么实现"和"好不好用"。这个分工特别重要，反过来做就会出问题——你让AI替你决定做什么，它做出来的东西技术上没问题，但业务上可能根本不是用户要的。
关于"先糙后精"
第一版功能看着全，但全是问题。当我选择先把整个东西做出来，然后让TRAE帮我做了一次"专家审查"——直接跟它说"你当世界级评审来审这个原型"，它给出了一份精确到行号的问题清单。按着修完，再跑一遍浏览器自动化验证，效率比我自己一行行检查高太多了。这种"先出糙版→审查→修→再审查"的循环，我觉得比"边做边打磨"的效率高出好几倍。
关于专业准确性的校验
菜谱推荐的营养配比逻辑，对照《中国居民膳食指南（2022）》8条核心推荐验证
药物-食物禁忌规则，对照《临床用药须知》逐条确认相互作用机制
慢病人群（高血压/糖尿病）的特殊约束阈值，参考《中国2型糖尿病防治指南》《中国高血压防治指南》最新版
5. 对应的报名审核通过的帖子链接
膳伴 — AI家庭营养师，从拍到上桌的全链路膳食管家 - TRAE AI 创造力大赛 / 【大赛报名专区】 - TRAE 官方中文社区