一文了解新功能|Trae 支持自定义智能体、MCP等,打造个人专属“AI 工程师”

大模型数据库容器

picture.image

picture.image

全新的智能体模式,自定义你的专属团队

新版本推出可自由配置的智能体体系,打造开放的智能体生态。你可以根据需求灵活定义工具、技能和任务逻辑,轻松构建专属的 AI 智能体团队。

智能体有哪些能力?

  • 自主运行 :独立探索你的代码库,识别相关文件并进行必要修改。
  • 完整的工具访问权限 :使用所有可用工具进行搜索、编辑、创建文件及运行终端命令。
  • 上下文理解 :建立对你项目的结构和依赖关系的全面理解。
  • 多步骤规划 :将复杂任务拆分为可执行的步骤,并按顺序逐一处理。

你只需通过简单的指令,即可实现“需求即代码”,让 AI 自主完成需求分析、方案规划和任务执行。针对不同的研发需求,你还可以根据需求灵活定义工具、技能和任务逻辑,打造适配不同场景的专属 AI 智能体,获得自己的“AI研发伙伴”。无论是复杂系统的构建还是日常代码重构,这些智能体都能提供精准、高效的支持。下方视频演示了用户与自定义智能体@FE工程师协作,利用 Figma 设计稿生成网页代码的过程。

【智能体】完整功能介绍详见:https://docs.trae.com.cn/ide/agent

picture.image

支持 MCP ,海量工具灵活调用

Trae 内置了 MCP 市场 ,提供了社区中热门的 MCP Servers,支持快速添加第三方 MCP Servers。智能体可灵活调用 MCP 工具,拓展执行能力。

让我们一起还原智能体@FE工程师的配置过程吧。

视频中使用的是 Figma AI Bridge MCP,支持读取设计稿生成前端页面,当交互稿中的组件和文案有更新时,它还可以帮助你完成批量替换的工作,大大提升工作效率。

【MCP】完整功能介绍详见:https://docs.trae.com.cn/ide/model-context-protocol

picture.image

上下文能力增强,支持多类型文件输入

Trae 提供了丰富的上下文类型,本次新增支持 #Web 和 #Doc :

  • #Web :支持联网搜索,可直接粘贴链接,AI 自动提取网页内容作为上下文。
  • #Doc :支持通过 URL 或上传 .md / .txt 文件添加文档集,最多支持 1000 个文件(50MB)。

很多团队拥有自己的术语、流程、框架,传统 AI 很难理解。而通过 Trae 的 #Doc 能力,你可以将这些知识私有化地注入给 AI,自定义知识系统,让 AI 更加理解**“你的语言”** 。

【上下文】完整功能介绍详见:https://docs.trae.com.cn/ide/context

picture.image

支持自定义规则,让 AI 更理解你的需求

新版本支持为 Trae IDE 配置个人与项目规则。

  • 个人规则 :基于个人使用习惯和需求为 AI 定制的规则,旨在让 AI 的输出更符合用户的个性化要求。个人规则在所有项目中生效。例如:
  • 语言风格 :偏好简洁/严谨/幽默等表达方式。
  • 操作系统 :提供针对 Windows 或 macOS 操作系统的回答。
  • 内容深度 :是否需要详细解释、示例或仅需结论。
  • 交互方式 :如倾向于直接答案,还是引导式提问。
  • 项目规则 :针对当前项目 AI 需要遵循的规则,仅在所配置的项目中生效。例如:
  • 代码风格 :缩进(空格/制表符)、命名规范(驼峰式/snake_case)等。
  • 语言与框架 :优先使用的编程语言(如 Python/JavaScript)或框架(如 React/Django)。
  • API 限定 :勿使用某些 API。

通过规则配置,Trae IDE 能够根据你预设的项目规范,例如代码风格、命名规则等,自动调整其行为,确保生成的代码符合团队项目的开发标准。

更重要的是,规则赋予了 AI 自我判断的能力。当 AI 面临多种规则时,它能够分析当前任务的背景,判断哪些规则需要优先执行,哪些可以适度调整。这样的自适应能力使得 AI 在应对复杂、动态的开发需求时更加精准高效。

picture.image

【规则】完整功能介绍详见:https://docs.trae.com.cn/ide/rules-for-ai


我们会继续致力于让 Trae 在不断的任务交互中,学习、适应并演化,使得 Trae 能够应对复杂多变的开发需求,助力开发者突破传统边界,实现无限可能。

期待大家对这次功能上新的反馈!

picture.image

0
0
0
0
关于作者
关于作者

文章

0

获赞

0

收藏

0

相关资源
大规模高性能计算集群优化实践
随着机器学习的发展,数据量和训练模型都有越来越大的趋势,这对基础设施有了更高的要求,包括硬件、网络架构等。本次分享主要介绍火山引擎支撑大规模高性能计算集群的架构和优化实践。
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论