new-api，GitHub 41k stars 的开源项目，262 位开发者写了 3 年。
39 万行代码，1 个人用 TRAE，3 天全量重构完毕。
Java + Vue3 双端工程，已全部开源：
https://github.com/yaoshu-open/yaoshu-token
这个 Demo，就是 TRAE 能做什么的最好证明。
一、Demo 简介
yaoshu-token 是一个企业级 AI API 聚合平台（Token 网关）。
-
是什么：统一接入全球主流大模型 API（OpenAI、Claude、Gemini、阿里通义、百度文心、腾讯混元、DeepSeek 等 37 个渠道），提供多租户管理、Token 分发、计费、渠道调度、用量统计的完整能力。
-
面向谁：AI 应用开发者、企业技术决策者，以及所有关注「AI 全自动编程到底走不走得通」的人。
-
核心功能：智能对话与 API 调用、渠道与模型管理、用量计费与日志、订阅与兑换码、Playground 在线调试。
以下是产品的完整功能截图，每个模块都是真实可用、可在体验地址中操作的。
产品门面
【图1：产品首页】
用户体系（注册/登录/个人中心）
【图2：登录页】
【图3：个人资料】
AI 对话体验
【图4：在线 AI 对话】
开发者能力
【图5：API 密钥管理】
管理后台
【图6：管理控制台】
【图7：模型广场】
数据洞察
【图8：调用统计看板】
【图9：调用日志】
【图10：数据排行榜】
计费体系
【图11：钱包与余额】
一句话：这 11 个模块构成的可独立部署、可商用的完整系统，是 1 个人用 TRAE 完成的。
二、Demo 创作思路
灵感来源：我们日常就在用 TRAE 探索一个方向——不是「AI 帮你写代码」，而是「AI 自己写、自己测、自己联调」。为了让这个能力有可复现的工程级证据，我们挑了最硬的骨头。
想解决的痛点：编程成本太高。即便有 AI 辅助编程，普通人仍被语法、依赖、部署、联调挡在门外；企业也养不起完整的研发团队。AI 辅助只是给程序员提速，并没有把编程本身变成一种基础设施。
为什么做这个方向：与其做个玩具 Demo，不如直接挑战一个有 41k stars、262 位贡献者、3 年沉淀的真实开源项目。如果 new-api 这样体量的工程能被 AI 全量重构，那「全自动编程」就不再是概念，而是已经发生的事实。
报名时，这是一个「挑战宣言」；现在，它是已交付、可体验、已开源的成果。
三、Demo 体验地址
体验账号（演示环境，欢迎体验）：
| 角色 | 账号 | 密码 | 可体验功能 |
|---|---|---|---|
| 普通用户 | demo1 |
password@pwd |
AI 对话、API 密钥、钱包、调用日志 |
| 管理员 | test_root |
password@admin |
渠道管理、模型管理、全局统计看板、用户管理 |
四、TRAE 实践过程
4.1 方法论：AI 协同矩阵，而非散装对话
我们用 TRAE 不是做零散的「帮我写个函数」，而是搭建了一套 AI 协同矩阵：人类给出意图，多个专职智能体（后端专家、前端专家、测试专家）按「需求分析 → 架构设计 → 编码 → 测试 → 部署」的全流程自编排执行。
关键在于：所有上下文不依赖「AI 记住」，而是外化为物理文档（设计文档、事项记忆、工程规范）——每个智能体随时读取、随时落地，跨会话不丢上下文。这让 AI 能承接真正的工程级任务，而不是聊完就忘。
这不是辅助编程，这是全自动编程。
4.2 任务拆解：把「重构一个开源项目」变成可执行的工程
new-api 是个约 39 万行的大工程。我们把它拆成清晰的工程线：
-
后端 Go → Java 翻译：584 个 Go 文件 / 约 11 万行，翻译为 Java 17 + SpringBoot。核心攻坚只用 3 天——这是
1人×3天 = 262人×3年震撼对比的来源。 -
前端 React → Vue3 重写：原项目维护 classic / default 两套 React 并行实现（约 27.7 万行，自身迁移数月未竟），我们直接重写为 Vue3 单轨，精简 66%。
-
37 个渠道适配器：OpenAI / Claude / Gemini / AWS / 阿里 / 百度 / 腾讯……逐个对齐，三大格式互转，SSE 流式响应。
-
工程化补全：571 个白盒测试用例（原版仅 43 个测试文件）、Flyway 版本化迁移、完整的工程化架构设计。
核心 3 天跑通后端翻译，随后我们在前端重写、测试补全、智能调度增强、AI 协同矩阵规则沉淀上持续投入了相当精力——全自动编程本身也是一个持续演进的能力。
下面这张截图，是 TRAE 中实际开发的任务列表——可以直观看到任务是如何被拆解、推进和闭环的：
【图12：TRAE 任务列表——真实开发的全流程任务闭环】
从图里可以看到：「完善后端翻译与防错逻辑」「全量集成测试」「AI 行为管理与矩阵优化」「工单处理与优化规则」「发布文档整理与规范化」等任务逐一闭环，底部 @后端专家 体现智能体协作，右侧 Maven 构建命令体现真实的 Java 工程构建。这不是摆拍，是真实的工程开发过程。
4.3 关键步骤截图
截图①：前端 Vue3 重写——任务驱动的阶段化推进
TRAE 把前端重写拆成 M0-1 到 M0-7 的阶段任务（项目初始化 → 工程配置 → 请求封装 → 路由 → 国际化 → 布局骨架 → 占位页面），每个阶段关联具体文件变更，形成「规划-执行-思考」闭环。
截图②：后端翻译的 Bug 修复与任务闭环
后端翻译过程中，AI 自主完成任务分解、编译验证、残留 Bug 修复（如配置同步逻辑、Controller 鉴权链），并输出任务闭环报告——每个修复都有据可查。
截图③：白盒测试方案设计
AI 不是写完代码就走，而是自主设计测试方案——明确单元测试与集成测试的分层边界、测试类清单。571 个测试用例就是这样工程化产出的，工程质量反超原版。
截图④：模块评估与协作流程
前端模块的批次化评估：对照原项目逐个模块比对，输出功能对照表，确保零功能缺失。每个模块都有明确的评估与验收流程。
4.4 核心成果数据
| 维度 | new-api 原版（Go + React） | yaoshu-token 新版（Java + Vue3） |
|---|---|---|
| 开发周期 | 约 3 年（262 位贡献者） | 核心翻译 3 天（1 人 + AI 矩阵） |
| 代码总量 | 约 39 万行 / 11.7 MB | 约 20.2 万行 / 6.7 MB（精简 48%） |
| 功能覆盖 | 基线 | 25 大功能域 / 37 渠道适配器 / 321 条 API 全覆盖 |
| 工程质量 | 43 个测试文件 | 571 个白盒测试用例（反超） |
| 数据库 | 26 张表 | 26 张表（100% 兼容复用） |
| 开源 | — |  已开源 https://github.com/yaoshu-open/yaoshu-token |
4.5 工程实战经验分享
重构一个 39 万行的项目，过程中有不少值得分享的工程经验。
经验一：37 个渠道适配器的架构设计
AI 中转网关的核心难点是「渠道适配」——每个上游 AI 厂商的 API 格式都不一样。new-api 用 37 个独立适配器覆盖了 OpenAI、Claude、Gemini、AWS、阿里、百度、腾讯等主流厂商。翻译这部分时，关键不是逐个搬代码，而是理清三大格式互转机制（OpenAI Chat / Claude / Gemini）和 SSE 流式响应的统一处理层。一旦转换层理顺，37 个适配器就是重复性的模式匹配工作，AI 翻译效率极高。
经验二：表达式计费引擎的独立成包
new-api 有一个精巧的设计——用表达式引擎（billingexpr）驱动灵活计费，支持阶梯计费、Token 用量统计、模型定价倍率。翻译时我们把它独立成包，让它成为自包含的可测试单元，而不是散落在业务代码里。这种「业务复杂度隔离」的思路，是 AI 翻译时保证质量的关键——把复杂逻辑圈起来，单独测试，不与其他模块耦合。
经验三：数据模型的四层 POJO 分层
Go 原版把数据模型揉在单一的 model/ 目录（39 个文件 / 1.1 万行），职责混杂。翻译为 Java 时，我们拆分为 Entity（数据库实体）/ DTO（内部传输）/ IPO（接口入参）/ VO（视图对象） 四层 POJO 体系，每层职责清晰、类型安全。这不是过度设计，而是让后续每个接口的「输入校验 → 业务处理 → 响应组装」都有明确的类型边界，AI 也能更准确地理解每个字段属于哪一层。
经验四：数据库表结构 100% 兼容复用
new-api 有 26 张表（abilities/channels/users/tokens/logs 等），我们选择100% 复用原表结构，用 Flyway 做版本化迁移管理（原版是手工 SQL）。这个决策让新版可以直接对接原版的数据，零迁移成本。取舍点在于：不为「翻译便利」改动表结构，保持数据层契约不变。
经验五：Go 工具能力由 Java 框架原生覆盖
Go 原版有大量通用工具代码（crypto/redis/email/rate-limit），Java 侧不需要逐个翻译——SpringBoot + yue-library 框架原生覆盖了这些能力。结果是通用工具层从 Go 的 5096 行收敛到 Java 的 477 行，同等能力更精炼。这也印证了「范式重写而非逐行翻译」的价值：选对框架，很多代码根本不需要写。
4.6 踩坑与心得
-
范式重写，而非逐行翻译：同等功能下代码量精简近一半，靠的是用更紧凑的企业级框架替代散装实现。
-
React 双轨的坑：原项目 classic / default 两套前端并行，大量功能重复、迁移数月未竟；我们果断合并为 Vue3 单轨，反而更清晰、更易维护。
-
全自动编程需要体系化支撑：让 AI 承接工程级任务，关键不是单次对话多聪明，而是有一套让上下文不丢失、让智能体各司其职的工程化机制。
五、Session ID（开发过程关键任务对话记录）
以下为开发过程中关键任务的 TRAE 对话 Session ID（双击 TRAE 对话可定位），用于证明作品由 TRAE 完成开发：
.1880630114914416:e2a67a27f6038e54cc201bcebb42c0fa_6a33b20c8fade06eaba11e9e.6a33b2a58fade06eaba11ea0.6a33b2a445906588575c0aec:Trae CN.T(2026/6/18 16:56:05)
.1880630114914416:1733cfaa401f0d5698b307f7b3f97d80_6a3610898fade06eaba1499c.6a3610b28fade06eaba149ce.6a3610b166c304118ee7ea55:Trae CN.T(2026/6/20 12:01:54)
.1880630114914416:2a2662d3ce81d4248bb013edb06aa182_6a369b438fade06eaba161a4.6a369b5a8fade06eaba161a6.6a369b5966c304118ee7ea88:Trae CN.T(2026/6/20 21:53:30)
.1880630114914416:e68bd90c91ecf93b093b14cd21344f8c_6a37d2bc8fade06eaba179b6.6a37d2c68fade06eaba179bb.6a37d2c566c304118ee7eaaf:Trae CN.T(2026/6/21 20:02:14)
.1880630114914416:b84ee8e224df0b6bb6ee28ede78bcf53_6a37c76a8fade06eaba17702.6a37e8fc8fade06eaba17c25.6a37e8fa66c304118ee7eab1:Trae CN.T(2026/6/21 21:37:00)
复赛预告
初赛帖受篇幅所限，主要展示了结果与关键过程。如果顺利进入复赛，我们将进一步分享更多干货，包括：
-
全自动编程的工程化方法论：如何让 AI 从「写一个函数」升级到「承接一个工程」
-
重构过程中的具体技术攻坚：37 个渠道适配器逐一翻译的真实细节
-
AI 协同矩阵的更多实践案例
我们相信，「1 人 × 3 天 = 262 人 × 3 年」不是终点，而是全自动编程时代的起点。
