TRAE 在 Agent 代码编辑的实践

1. TRAE 在代码编辑中的实践演讲人：冯绪 TRAE / 架构师

2.

3. 01 目录 02 03 04 Agent 在 AI 编程助手中的价值 01 TRAE 编程助手的发展阶段 02 从代码补全到 Agentic Edit 的探索 03 总结和展望

4. Agent 在 AI 编程助手中的价值

5. Agent 在 AI 编程助手中的价值 AI 编程助手正经历从辅助工具到自主智能体的深刻变革辅助工具智能辅助 Agent 自主智能体核心价值自主定位文件与代码改动通过对项目结构的理解和语义分析，自主识别相关代码文件和修改位置关键能力 Q 代码编辑能力定位文件的编辑位置，准确完成文件的修改自动规划与执行项目感知与上下文理解将复杂任务分解为可执行子任务，制定详细执行计划并自主执行理解项目结构、文件依赖和业务逻辑，超越当前文件的局部视角变更矫正与迭代优化代码验证与测试生成通过测试和分析自主识别问题，生成新修改方案进行迭代自动生成测试用例，验证修改的正确性，减少人工测试工作

6. Agent 在 AI 编程助手中的价值 AI 编程助手正经历从辅助工具到自主智能体的深刻变革辅助工具智能辅助 Agent 自主智能体核心价值自主定位文件与代码改动通过对项目结构的理解和语义分析，自主识别相关代码文件和修改位置关键能力 Q 代码编辑能力定位文件的编辑位置，准确完成文件的修改自动规划与执行项目感知与上下文理解将复杂任务分解为可执行子任务，制定详细执行计划并自主执行理解项目结构、文件依赖和业务逻辑，超越当前文件的局部视角变更矫正与迭代优化代码验证与测试生成通过测试和分析自主识别问题，生成新修改方案进行迭代自动生成测试用例，验证修改的正确性，减少人工测试工作

7. 准确的文件定位和代码编辑能力存在的挑战文件定位能力有限跨文件修改困难传统 AI 助手需要用户手动指定文件或代码块，无法自主识别相关代码文件和修改位置处理跨文件、跨模块的复杂修改时，传统 AI 助手自动化能力有限，需多次干预

8. TRAE 编程助手的发展阶段

9. TRAE 编程助手的发展阶段补全 & Chat Chat Apply 编辑能力：代码续写，Chat 提供代码片段，需要手动插入编辑能力：根据代码块编辑文件，具备一定的文件定位能力用户体验：基础交互，效率提升有限用户体验：经用户选中的代码块自动应用，一次性修改 Builder & Cue 编辑能力：Cue 提供即时的文件改写、删除、续写等体验； Builder 自动规划和查找要变更文件，自动完成变更和迭代用户体验：自动化的开发体验，大幅提升开发效率

10. 补全 & Chat ：基础交互的建立代码补全用户编辑代码 AI 给出续写建议 Chat 用户提问 AI 生成代码手动复制粘贴集成到项目

11. Chat Apply ：自动化编辑 AI 生成修改代码 AI 识别目标文件用户确认采用 AI 编辑目标文件

12. Builder & Cue : 智能化编辑 • Cue • Builder 多行编辑、智能改写、光标预测项目上下文感知、自主规划、多文件编辑

13. 编辑能力的逐步增强补全 & Chat 代码续写简单的替换 Chat Apply 根据目标代码自动改写原文件具备一定的文件定位能力 Builder & Cue Agentic Edit 智能的、自主的文件编辑能力

14. 从代码补全到 Agentic Edit

15. 代码补全

16. 代码补全 • 让模型续写编辑器中的代码，是模型最擅长的能力 • 通过 FIM、最近打开文件等优化手段提升效果 • 局限性：只能编辑光标所在位置的代码

17. Apply 让 Chat 更有用武之地

18. Apply • Chat 模型输出的代码块的特点 • 只输出关键的代码，不输出所有的内容 • 其他无变更的代码使用缩略格式表示

19. Apply • 为什么要求 Chat 模型输出这样的格式呢 • 节省 Token — 上下文窗口不足以让模型输出全文 • 为什么不输出 Diff 格式呢 • Chat 模型并不擅长输出 Diff 格式 — 准确性不尽如人意 • Diff 格式对于用户的阅读体验较差

20. Apply • Apply 要解决的问题 — 根据模型输出的代码正确地编辑原文件原始文件 Chat 模型输出（Plan）结果 … # …existing code… … def calc_sum(a, b) ： return a + b def calculate_sum(num1, num2) ： return num1 + num2 def calculate_sum(num1, num2) ： return num1 + num2 def calc_min(a, b) : … + # …existing code… 挑战：难以通过纯规则匹配的手段完成代码的合并 => def calc_min(a, b) : …

21. Apply • Apply 方案 — Apply 模型 • 基于上下文和语义的改写，正好发挥大模型的能力：训练专注于代码编辑任务的 Apply 模型原文件内容 + 带有缩略的代码块（Plan） => Apply 模型 => 编辑后的文件内容

22. Apply • Apply 方案 — Apply 模型的选择和训练 • 对模型的要求 • 时延低 • 在代码编辑任务上能良好地遵循 Plan • 长上下文支持 • 模型的训练 • 针对不同 Chat 模型的输出偏好，生成不同缩略格式的训练数据 • 针对不同场景（加注释、import 依赖、删除代码、重命名等）构造不同数据 • 针对常用的编程语言构造数据

23. Apply • Apply 案例演示 — 给文件添加注释

24. Apply • Apply 案例演示 — 给文件添加注释

25. Apply • Apply 方案 — 局限性 • 额外的资源开销：需要使用 Apply 模型来进行编辑任务 • 某些场景下效率不高：即时只修改一行代码，也需要重新生成整个文件 • 长文件限制：方案特性注定有一半的 token 用于输入，无法处理太长的文件，准确性上也会有所下降

26. Cue — 补全不再只是续写

27. Cue • 能力扩展到光标之外，覆盖整个工作空间 • 多点编辑：支持代码的删除和替换，多行同时变更 • 光标预测：预测下一次光标移动的位置，快速跳转 • 跨文件编辑：智能识别需要编辑的文件

28. Cue • Cue 的挑战 • 理解用户意图 — 确定用户想要完成什么任务 • 确定更改位置 — 决定在哪里进行更改 • 确定如何编辑 — 准确高效地执行更改 • Cue 的核心技术 • 通过用户编辑历史让模型推测用户的意图 • 基于 RAG 技术的上下文感知 — 仓库级别的编辑能力

29. Agentic Edit — 自主的文件编辑

30. Agentic Edit • 随着模型能力的增强， Builder 产品形态出现 • Builder 可以自主地搜索整个仓库，自主决定要编辑的文件 • 可多次编辑相同文件或不同文件，过程中保持一致性 • 增加了多种编辑能力

31. Agentic Edit • Builder 具备更多的代码编辑能力 • write_to_file：新建文件或者完全覆盖旧文件，多用于模型新建文件的场景 • delete_file：删除掉项目中的某个文件，需要用户确认 • update_file ：编辑项目中的文件

32. Agentic Edit • 文件编辑方案的迭代：Apply -> Search/Replace Apply 方案在 Builder 模式下有一些局限性 • 一次编辑分为两个阶段（Chat 模型输出 & Apply 模型编辑），有额外的开销，两个阶段误差叠加，更容易编辑错误 • 跨行编辑效率低，长文件处理难度较高，准确性也较低

33. Agentic Edit • Search / Replace 方案模型能力不断地提升，代码编辑能力被大模型内化 • 更强的指令遵循能力 • 更强的格式化输出能力 • 更强的工具调用能力 Search / Replace 方案被越来越多地使用在文件编辑功能上

34. Agentic Edit • Search / Replace 方案 • 提供 update_file 工具供模型调用，由模型指定文件路径、 old_str 和 new_str • 在原文件中匹配 old_str，找到编辑位置，并替换成 new_str 原始文件 old_str 结果 … def calc_sum(a, b) ： return a + b … def calc_sum(a, b) ： return a + b def calc_min(a, b) : … + new_str def calculate_sum(num1, num2) ： return num1 + num2 => def calculate_sum(num1, num2) ： return num1 + num2 def calc_min(a, b) : …

35. Agentic Edit • Search / Replace 方案 — 优势 • 无需再次调用编辑模型：避免了两个阶段调用带来的误差 • 不受上下文窗口限制：适用于任意长度的文件的编辑

36. Agentic Edit • Search / Replace 方案 — 劣势 • 模型输出要求高：要求模型能够严格输出符合要求的内容和格式 • • 大量变更时输出的 token 会翻倍，拆分成多次编辑效率低 • • 特别是在需要转义的场景中，特别容易出错使用数组的方式来提升效率，但数组的格式会进一步提高对模型输出的格式要求工程复杂度高：为了应对模型输出的不确定性，需要做模糊匹配以及出错时的修复操作

37. Agentic Edit • Apply 方案和 Search/Replace 方案应用于不同的场景 • Chat 场景下，使用 Apply 方案 — 用户体验更好 • 长文件编辑场景和 Builder 模式下，使用 Search / Replace — 准确性更高

38. Builder 的 Show Case 使用 Builder 模式完成一个太阳系行星示页面 • 根据用户命令 • 完成需求开发 • 过程中感知编译错误自行修正

39. 总结和展望

40. 总结 • TRAE 编程助手的发展阶段和产品形态 • 补全 & Chat • Chat Apply • Builder & Cue • TRAE 编程助手的代码编辑能力的演进 • Apply — 通过训练 Apply 模型，完成代码编辑任务；但仍存在长文件处理不佳的问题 • Cue — 更低的延迟，更强的补全能力，RAG 的加持，提供多点编辑和光标预测能力 • Agentic Edit — 充分利用模型的编辑能力，Builder 模式下提供更准确且不受文件长度限制的编辑能力

41. 未来展望编辑准确性和效率的进一步提升协作与集体智能认知增强与自主性提升 • 探索单文件不同行和多文件的并行编辑，提升代码编辑的效率 • Multi-Agent 协作框架 • 模型思考与规划能力的进一步激发 • 通过自我纠正机制，提升编辑的准确性 • 角色分化 & 领域专业化 • 代码生成质量自我反思 • 生态开放 & 自定义Agent分享 • 更有效的会话历史管理能力，在有限的模型上下文窗口内达到最佳效果

42.

43. THANKS 探索 AI 应用边界 Explore the limits of AI applications