AI Native应用的新范式：Trae在Coding Agent中的工程实践

1. 演讲人：宁啸威

2. 01 02 03 04 05 06 01 02 03 04 05 06

3.

4. 01

5.

6.

7. 良好的开发体验 AI 原生加持集成化 • 随时随地开发，支持跨终端和多场景 • 研发提效，更快的完成编码 • 一站式部署能力 • 开箱即用的开发环境，轻量化、极速性能 • 辅助决策，提供高质量回答 • 研发系统集成 • 良好的 AI 人机交互形态 • 人人都有一个 AI 搭档 • 多人协作核心出发点：用 AI 提升用户编码的效率

8. 02

9.

10. 思考 (Thought) → 规划 (Plan) → 执行 (Action) → 观察 (Observation)

11. 用户IDE仅保留交互，所有逻辑、数据操作均由Agent Server管控，做到工具的渲染和逻辑分离

12. 高效的配置管理和 Prompt 迭代稳定的模型接入和资源调度精准的向量索引和上下文召回

13. 03 效果、成本、体验：绕不开的三座大山

14. 、和是决定 AI Coding 产品成败的“深水区” • 同样的基座模型，为什么效果有差异？ • 如何在效果不打折扣的前提下，持续优化模型成本？ • 哪些细节决定了用户的编码体验？

15. • 从基础的交互循环 (ReAct) 到更具结构化的显式规划 (Plan-and-Execute)，再到应对复杂任务的多 Agent 系统，伴随着对规划、协调、记忆和反思等核心能力要求的不断提升。 • 现代 Agent 设计呈现出明显的融合趋势，逐步倾向于结合不同范式的优点，并通过功能专门化来应对系统复杂性。 • 先进的和机制正逐渐成为支撑 Agent 实现更高级智能行为的核心基础设施。

16. 随着大语言模型能力的提升，应该让模型发挥更大的主导作用，减少固定工程流程的限制，从而提升效果和创造力。 Agent v1.0 使用的 Proposal + Plan 这种偏向固定工程流程的方法需要调整；目标是用模型驱动工具的方式，取代较为固定的工程流程。

17. Context engineering is the art and science of filling the context window with just the right information at each step of an agent’s trajectory

18. • 工作流驱动 -> Tool Call 驱动 • 主动提供上下文 -> 模型自主决策 • 大而全的召回结果 -> 精准且必要的信息

19. • CKG 构建：合理的数据索引方式决定了检索召回内容有效性的上限 • CKG 存储：存储的方式决定了成本的下限和查询生效/时效性的上限 • CKG 检索：通过检索流程优化逼近有效上下文召回准确性的上限

20. • 会话中产生的信息 • Rules • 用户操作产生的信息 • Momento • 历史上下文 • Todo List （工作记忆）与用户偏好和历史决策代码风格一致性错误修复与反思（持久化记忆）结合多轮对话连贯性自定义规则

21.

22. 启发模型能力 -> 约束模型行为 Context 赋予模型完成工作所需的知识与工具，Prompt 告诉模型如何正确地思考

23. 在有限的上下文窗口里，保留最大的信息熵 • 构建可恢复的压缩策略 • 维护上下文 Locality • 使用小模型降低 Summary 成本 • 工程裁剪处理Input超限

24.

25. • 统一的模型接入层 • 多供应商集成 • 负载均衡与降级策略

26. • JSON Response：通过 json_repair 库，对未闭合的 JSON 进行修补利用模型流式输出特性，打造丝滑的产品体验 • 流式 Tool Call：通过 Prompt + Prefill 引导模型先输出预期的字段 • 流式文件写入：Fast Apply 代替 Search-And-Replace

27. 1. 让模型返回修改内容，未修改的内容用省略字符返回 2. 将大模型返回的增量修改内容 + 做该修改的解释 + 原始内容，一起给到 Fast Apply 小模型 3. 借由 Fast Apply 小模型来将大模型输出的变更映射到原始代码中，从而实现较为稳定的代码增量变更

28. 04

29. 全链路追踪 AB 实验数据洞察

30. 配置复杂、研发流程繁琐，调优效率低以高效迭代为核心，做好流程简化、 Prompt 结构动态化和调优链路建设

31. 端到端场景的评测打开一个文件，选中一段代码，基于当前文件和代码进行提问 • 针对用户当前的代码及选中的内容，评估回复内容是否有对上下文进行针对性的回答 • 除对代码块本身考察外同样对文本内容进行考察

32. 手动测试 -> 单机自动测试 -> 容器评测环境持续提升效果置信度

33. 05 为研发流程插上翅膀

34. MCP 是手段不是目的，核心是 IDE 领域的 AI Agent 交互规范和生态

35. IDE 作为基础设施融入研发流程体系

36. • 基于 TRAE 的自定义智能体和上下文规则，建立 UT Agent • 结合 UTGen MCP，提供代码阅读、代码修改、语言服务器协议（LSP）等功能，帮助 Agent 更好地理解上下文 • 通过 MCP 引入外部知识库，理解业务知识，辅助单测生成

37.

38. 解决复杂场景和老项目迭代的生产效率问题 • 业务知识沉淀为领域MCP • 领域Agent融入研发生命周期 • IDE作为基础设施

39. 06

40. • 效果、成本和体验是 Coding Agent 的深水区 • Context 赋予模型知识，Prompt 指导模型思考，工具解放模型能力 • 成本和效果并非水火不容，挑战在于找到并建立平衡点 • 围绕产品核心能力，持续打磨用户体验，是决定口碑的关键 • 可靠的观测手段帮助我们看清业务，聚焦核心 • 打造可持续的 AI 产品，关键在于建立领域交互规范和生态 • Prompt 工程决定产品迭代的效率，确保在快速变化的环境下保持敏捷 • IDE 作为基础设施，通过开放生态融入研发流程生命周期 • 有效的评测集与完善的自动化评测机制是有力衡量效果的标尺 • 业务专家知识是 AI 产品护城河，领域 Agent 将拥有一席之地 • 构建数据驱动的飞轮

41.

42.

43.

44. Explore the limits of AI applications