目录1.引言当 AI 从助手变成同事2.产品定位不只是 IDE 的延伸TraeCodeTraeWorkTraeCode CLITraeCode Plugin3.三端架构网页、桌面、移动协同4.双模式设计Work 与 CodeWork 模式Code 模式5.智能体系统自主运行的开发引擎智能体的四项核心能力智能体的工作流多任务并行与子智能体6.Skills 技能体系按需加载的专业能力按需加载Token 效率的关键技能的三种典型用途保证输出一致性自动化重复工作流共享专业能力连接 MCP 工具创建技能的三种方式内置技能7.MCP 协议连接外部工具的桥梁支持的传输协议MCP 与 Skills 的关系典型 MCP 应用场景8.多格式文件处理与工具面板工具面板的核心组件Diff 视图与变更管理8.积分计费体系与套餐选择9.实战场景四个真实用例场景一技术调研报告生成场景二数据分析与可视化场景三全栈应用快速原型场景四移动端任务调度10.上手指南与最佳实践快速开始三步走提升效果的五个建议自定义智能体配置11.总结AI 工作台的未来形态12.参考来源1.引言当 AI 从助手变成同事过去两年AI 编程工具的形态经历了快速演变。从最初 GitHub Copilot 的行级补全到 ChatGPT 掀起的对话式编程再到 Cursor 等工具带来的 Agent 式开发——每一次迭代都在重新定义人与 AI 的协作边界。但一个核心问题始终存在这些工具大多停留在代码编辑器插件的层面AI 是一个被动响应的助手而非一个能够主动规划、拆解任务并交付结果的协作者。TraeWork 的出现试图回答一个更本质的问题如果 AI 不只是帮你写代码而是帮你完成一整件工作——从需求理解、方案设计、代码编写到结果交付——那么工具应该长什么样答案是一个独立于传统编辑器之外的 AI 原生工作台。它不依附于任何 IDE而是自成体系同时覆盖代码开发和日常办公两类场景。这就是字节跳动推出的 TraeWork——一款支持网页版、桌面版和移动版的 AI 工作平台[1]。本文将从产品定位、架构设计、核心能力、计费体系和实战场景五个维度对 TraeWork 进行一次全面的技术解析。2.产品定位不只是 IDE 的延伸理解 TraeWork需要先理解 TRAE 品牌的产品矩阵。TRAE 是字节跳动面向 AI 原生开发和智能体体验的产品品牌旗下包含四条产品线[2]TraeCodeAI 原生 IDE深度集成 AI 编程能力提供完整的代码开发体验。内置 SOLO 模式提供智能体工作流。TraeWork独立 AI 工作台覆盖 Web、桌面、移动三端。支持 Work 和 Code 双模式面向更广泛的工作场景。TraeCode CLI命令行 AI 编程智能体面向终端开发者可独立运行不依赖 IDE。TraeCode Plugin面向 VS Code 和 JetBrains IDE 的 AI 助手插件在现有编辑器中注入 AI 能力。关键区分在于TraeCode 是一个 IDE而 TraeWork 是一个独立的工作台。TraeWork 的前身是 TraeCode 中内置的 SOLO 模式但它已经发展为完全独立的产品——不依赖 TraeCode 运行拥有自己的客户端、账号体系和任务管理系统[3]。这个定位意味着什么意味着 TraeWork 不只是给程序员用的。它的 Work 模式面向文档撰写、数据分析、演示文稿制作、深度调研等日常办公场景而 Code 模式则面向代码开发。一个产品两种模式覆盖了从写文档到写代码的完整工作链路。3.三端架构网页、桌面、移动协同TraeWork 最显著的设计特征是真正的多端协同。它提供三种客户端形态共享同一套账号体系和任务数据信息实时全量同步[3]客户端定位适用场景网页版开箱即用的云端环境临时需求、外出办公、快速验证。无需下载安装有网络即可访问。桌面版专为 AI Agent 设计的独立应用长期开发、复杂项目。兼顾本地与云端任务不依赖 TraeCode 运行。移动端口袋里的智能体调度中心碎片化场景下快速下发和管理任务随时查看任务进度和验收结果。这套架构的精妙之处在于角色分工移动端是任务下发的入口桌面版和网页版是任务执行和成果验收的主战场。你在通勤路上用手机下发一个数据分析任务回到办公室后打开桌面版直接查看结果——任务在云端持续运行你不需要等待。架构要点TraeWork 的云端算力支持多任务并行执行。即使你同时下发了多个任务计算和处理也会在后台持续进行不会因为一个任务阻塞其他任务。这对于需要同时处理多个独立工作项的场景非常实用。设备管理方面同一个 TRAE 账号最多可同时登录 3 台客户端设备包括 TraeCode、TraeWork 桌面版和 TRAE 移动版网页版不计入设备限制[4]。这对于多设备用户来说是一个需要注意的约束。4.双模式设计Work 与 CodeTraeWork 提供两种核心模式通过界面左上角的模式切换按钮一键切换[5]。这种设计反映了一个产品判断开发者和非开发者的工作流有本质差异但两者之间存在大量交叉场景。Work 模式面向文档、数据、调研、演示文稿等日常办公场景。智能体自动拆解任务调用 Skills 和工具完成执行。用户只需提出任务需求对最终结果进行验收。所有项目文件集中在同一个 Workspace 中无需反复查找或重新上传。产出结果在工具面板中直接展示支持随时评论和修改。Code 模式面向代码开发场景以 AI 主导全流程开发。从需求理解、代码生成、测试到成果预览AI 自主规划并执行。支持自然语言描述、语音交互或上传本地文件等多种输入方式。提供 Diff 视图查看代码变更支持 Figma 设计稿直接还原为代码。两种模式共享同一套智能体底层能力——Skills、MCP Server、自定义智能体配置在两个模式下都可以使用。这意味着如果你为团队配置了一套代码审查的 Skill它在 Work 模式下分析技术文档时同样可以调用相关规范在 Code 模式下审查代码时也能发挥作用。值得一提的是TraeWork 还设计了 Design 模式目前已在官网页面提及进一步扩展了设计场景的覆盖。三模式的设计让产品能够服务更广泛的用户群体而不仅仅局限于开发者。5.智能体系统自主运行的开发引擎智能体Agent是 TraeWork 的核心引擎。与传统对话式 AI 不同TraeWork 的智能体不是被动回答问题的助手而是一个能够自主规划、拆解和执行任务的协作者[6]。智能体的四项核心能力自主运行— 独立探索代码库识别相关文件并进行必要修改不需要逐步人工引导。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— 建立对项目结构和依赖关系的全面理解而非仅基于当前对话片段做判断。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过程中动态调整策略。智能体的工作流TraeWork 的智能体遵循一个五阶段工作流从需求理解到交付验收形成完整闭环[6]需求分析深入理解任务目标及代码库上下文明确需求要点。这一步决定了后续所有工作的方向。代码调研检索代码库、文档及网络资源定位相关文件并分析现有实现逻辑。智能体会主动搜索而不是等待用户提供信息。方案设计根据分析结果拆解任务步骤并动态优化调整修改策略。用户可以在这一步确认方案后再继续。实施变更按照计划在整个代码库中进行必要的代码变更包括新增依赖库推荐、执行终端指令、提供客户端外的手动操作指引。交付验收完成验证后移交控制权同步汇总所有修改内容。用户通过 Diff 视图审查变更决定是否接受。多任务并行与子智能体TraeWork 打破了传统串行执行任务的限制支持在一个项目中同时管理多个任务。这意味着你可以同时让智能体处理前端组件开发、后端 API 编写和测试用例编写而不必排队等待[7]。对于更复杂的项目TraeWork 支持子智能体Subagent机制。子智能体通过 Markdown 文件定义拥有独立的上下文窗口可以由主智能体在需要时调用。例如主智能体可以调用一个专门负责 UI 组件的子智能体处理前端任务同时调用另一个负责数据库设计的子智能体处理后端——多角色协同加速项目落地。实践建议智能体在确认任务后会自动推进开发进度但建议在方案设计阶段仔细审查其拆解的计划。一个准确的方案可以避免后续大量返工。TraeWork 的设计也鼓励这种确认后再执行的交互模式。6.Skills 技能体系按需加载的专业能力如果说智能体是 TraeWork 的大脑那么 Skills 就是它的专业手册。技能Skill通过SKILL.md文件定义和管理每个技能封装了指令、脚本及相关资源用于为智能体提供可复用、面向特定场景的专业能力[8]。按需加载Token 效率的关键Skills 最核心的设计理念是动态按需加载。智能体不会在任务开始时一次性读取所有技能的完整内容——它先扫描所有技能的简要描述仅当判断当前任务与某个技能高度相关时才会加载该技能的详细内容。这种机制有效减少了上下文中的 Token 消耗避免无关信息干扰智能体的决策。这与规则Rule形成了鲜明对比。规则采用全量加载机制一旦开启对话就会持续占用上下文窗口而技能只在需要时才加载。两者的定位也不同规则是始终遵守的约束技能是特定场景下参考的专业指南。技能的三种典型用途保证输出一致性将统一设计规范、团队标准、品牌一致性要求封装为技能让智能体在不同任务中始终按既定标准输出。自动化重复工作流将测试流程、代码规范检查、常规数据分析等 SOP 封装为技能触发后自动按定义好的流程执行。共享专业能力总结个人经验或团队规范在社区、交流群等公共平台分享实现跨项目、跨团队的技能复用。连接 MCP 工具技能用于描述如何完成任务MCP Server 负责提供可调用的工具。两者配合使用效果最佳。创建技能的三种方式TraeWork 提供了灵活的技能创建路径对话创建直接通过对话描述需求AI 自动生成对应的SKILL.md文件。例如告诉 AI帮我创建一个代码审查技能检查命名规范和注释完整性它会自动生成配置。手动创建前往设置 技能与命令选择技能类型全局/项目填写技能名称、描述和指令。适合有明确规范需要固化的场景。导入外部技能上传已有的SKILL.md文件或包含该文件的 .zip 包TraeWork 会自动解析并填充字段。适合从社区或团队共享中引入技能。内置技能TraeWork 内置了四个开箱即用的技能[8]技能名称功能描述TRAE-security-review执行代码安全扫描审查合并请求与代码差异针对安全漏洞风险提供结构化反馈。TRAE-generate-mini-app生成基于 Taro 框架的高质量、可运行的多端小程序代码。识别到小程序相关需求时自动触发。TRAE-debugger调试需要收集运行时证据的复杂问题。遵循假设-插桩-复现-分析-修复-验证的科学调试流程。TRAE-code-review执行代码审查针对代码质量、正确性及最佳实践提供结构化反馈。此外TraeWork 还支持.agents/skills/目录——这是由 Agent Skills 规范约定的标准目录用于存放可被智能体自动发现和加载的技能。你可以使用内置的find-skills技能从开放的 Agent Skills 生态中搜索和安装技能包进一步扩展能力边界。7.MCP 协议连接外部工具的桥梁模型上下文协议Model Context ProtocolMCP是 TraeWork 扩展能力的另一条重要路径。MCP 是一种允许大型语言模型访问自定义工具和服务的协议。在 TraeWork 中智能体作为 MCP 客户端可以向 MCP Server 发起请求使用其提供的工具[9]。支持的传输协议类型传输协议执行环境stdiostdio本地HTTPSSE / Streamable HTTP本地 / 远程两种类型覆盖了不同的使用场景stdio 类型适合本地工具集成如文件系统操作、本地命令执行HTTP 类型则支持远程服务调用如第三方 API、云服务。TraeWork 支持从 MCP 市场一键添加也支持手动配置。MCP 与 Skills 的关系一个常见的疑问是MCP 和 Skills 有什么区别简而言之——Skills 描述如何完成任务MCP Server 负责提供可调用的工具。以自动化测试为例TraeWork 通过 Playwright MCP Server 获得页面操作、截图、点击等自动化测试能力这是工具而对应的技能则用于约定测试工程结构、页面对象模型设计规范、常见测试用例的编写和执行流程这是方法。两者配合智能体才能在正确的上下文中高效调用这些能力。典型 MCP 应用场景Figma 设计稿转代码— 通过 Figma AI Bridge MCP Server将 Figma 设计文件中的设计元素自动转化为可运行的前端代码[10]。网页自动化测试— 集成 Playwright MCP Server实现截图、点击、填充等浏览器操作构建端到端自动化测试方案[11]。行程规划— 使用高德地图 MCP Server 进行坐标转换、天气查询、路径规划等让 AI 帮你规划旅行行程[12]。安全提示MCP Server 由第三方构建和维护TraeWork 不审查或认可这些服务器。在使用前应自行评估安全风险确保遵守当地法律法规。部分 MCP Server 可能因网络限制或服务器访问策略在某些地区无法使用。8.多格式文件处理与工具面板TraeWork 的另一个核心能力是多格式文件处理。它可以理解和处理多种文件格式包括 JSON、Python、PPTX、CSV 等。用户只需描述需求就可以完成复杂的信息分析和处理不用在多个工具之间来回切换[1]。所有产出会在工具面板中直接展示结果一目了然。用户可以随时评论和修改直观地进行成果验收和迭代。工具面板是 TraeWork 区别于传统 AI 对话工具的重要交互设计——它不是一个简单的聊天窗口而是一个集成了编辑器、文档、浏览器、终端等多种工具的工作面板。工具面板的核心组件在 Code 模式下切换至 SOLO 界面后工具面板提供以下工具[5]编辑器— 查看和编辑代码文件支持语法高亮和 Diff 视图。文档— 查看智能体生成的文档、报告等文本产出。浏览器— 内置浏览器控制能力可以预览网页效果或进行自动化操作。终端— 查看命令执行过程和输出结果。工具面板还提供实时跟随模式——开启后系统会根据 AI 工作阶段自动切换工具展示进度和产物。处理任务时工具面板为只读状态需关闭该模式才能手动干预。这个设计让用户可以在 AI 工作时实时观察进度而不需要频繁手动切换面板。Diff 视图与变更管理项目变更完成后用户可以点击对话面板中的查看变更按钮打开代码变更窗口。窗口中显示本次变更涉及的文件数量、变更的代码行数以及变更的文件列表。点击具体文件可以查看 Diff 视图清晰展示新增、删除和修改的代码行[5]。此外TraeWork 还支持对话流节点自动折叠功能——已完成的任务步骤会在对话框中自动折叠并生成摘要需要时可以展开查看细节。这在处理长流程任务时有效减少了信息噪音。8.积分计费体系与套餐选择TraeWork 采用以积分为核心的计费体系并提供多档付费会员套餐[13]。积分分为两类通用积分可用于 TraeCode 和 TraeWork和Work 专属积分仅限 TraeWork 使用。套餐连续包月积分/月云端并行任务适用产品会员 Lite¥452000 Work 专属2 个仅 TraeWork会员 Pro¥894000 通用10 个TraeCode TraeWork会员 Pro¥21912000 通用10 个TraeCode TraeWork会员 Ultra¥62940000 通用20 个TraeCode TraeWork所有付费会员均享有高峰期优先使用权限和 Seed 系列模型 2.5 折计费福利。Ultra 套餐额外提供新模型优先体验权益。Lite 套餐仅适用于 TraeWork适合只需要日常办公场景的用户Pro 及以上套餐同时覆盖 TraeCode 和 TraeWork适合有代码开发需求的用户。套餐选择建议如果你只使用 TraeWork 处理文档、数据分析等办公任务Lite 套餐¥45/月即可满足基本需求。如果你同时使用 TraeCode 进行代码开发Pro 套餐¥89/月是性价比最高的选择——4000 通用积分加上 10 个云端并行任务额度足以应对中等强度的开发工作。对于重度用户或团队场景Pro 或 Ultra 套餐提供更大的积分池和并行额度。9.实战场景四个真实用例为了更直观地展示 TraeWork 的能力以下是四个典型使用场景的模拟演示。场景一技术调研报告生成你需要在一天内完成一份关于2026 年前端框架趋势的技术调研报告。在 TraeWork 的 Work 模式中你只需输入帮我调研 2026 年主流前端框架的发展趋势包括 React、Vue、 Svelte 和 Solid 的最新动态生成一份结构化的技术调研报告 包含框架对比表格、社区活跃度数据和选型建议。TraeWork 会自动拆解任务搜索最新信息、整理框架特性、生成对比表格、撰写分析段落、输出完整报告。整个过程中你可以在工具面板中实时查看进度最后直接在文档工具中审阅和修改产出。如果需要调整报告风格或补充某个框架的细节直接在对话中追加指令即可。场景二数据分析与可视化你有一份 CSV 格式的销售数据需要分析各区域季度表现并生成可视化图表。上传文件后输入需求分析这份销售数据按区域和季度统计销售额 生成柱状图和趋势线图并找出增长最快的区域和潜在风险点。TraeWork 会自动解析 CSV 文件结构编写 Python 脚本进行数据清洗和统计分析生成 ECharts 可视化图表并撰写分析结论。所有代码和图表都在工具面板中直接展示你可以查看执行的每一步操作。场景三全栈应用快速原型在 Code 模式下你想快速搭建一个待办事项应用的原型。输入需求描述后智能体会先给出一份开发计划——包含技术栈选择如 React Node.js SQLite、页面组件规划、API 接口设计。你确认方案后它开始并行处理前端组件、后端路由和数据库 schema 的编写最终交付一个可运行的项目。如果你有 Figma 设计稿还可以通过 Figma MCP Server 直接将设计元素转化为代码。智能体会解析设计文件中的颜色、字体、间距等样式信息生成对应的前端组件[10]。场景四移动端任务调度你在通勤路上突然想到一个需要处理的工作——分析竞品的产品页面。打开手机上的 TraeWork 移动端输入任务描述并下发。任务在云端开始执行你到办公室后打开桌面版任务已经完成结果直接呈现在工具面板中。这种移动端下发、桌面端验收的工作流让碎片化时间也能产生实际产出。10.上手指南与最佳实践快速开始三步走选择入口如果你只是想快速体验直接访问 TraeWork 网页版work.trae.cn无需下载安装。如果你需要长期使用或进行复杂项目开发下载桌面版客户端。移动端可在应用商店搜索TRAE下载。选择模式根据当前任务选择 Work 或 Code 模式。处理文档、数据、调研等任务用 Work 模式写代码、做开发用 Code 模式。两种模式可以随时切换。下发任务用自然语言描述你的需求尽可能包含目标、约束和期望的输出格式。智能体会自动拆解任务并给出方案确认后开始执行。提升效果的五个建议善用 Skills 固化团队规范将代码风格、命名约定、文档模板等团队规范封装为技能避免每次任务都重复描述。技能的按需加载机制不会浪费 Token。配置 MCP Server 扩展工具链根据你的工作场景添加合适的 MCP Server——前端开发加 Figma Bridge测试加 Playwright数据分析加数据库连接器。利用多任务并行提升吞吐将大任务拆分为多个独立子任务并行下发充分利用云端算力。比如同时处理前端、后端和测试三个独立模块。在方案确认环节把关智能体给出的方案计划是后续所有工作的基础。花一两分钟审查方案可以避免大量返工。用记忆功能保持上下文连续TraeWork 支持全局记忆和项目记忆可以记录你的偏好和项目约定。善用记忆功能可以让智能体在后续任务中自动遵循你的习惯[14]。自定义智能体配置对于有特定场景需求的用户TraeWork 支持创建自定义智能体。你可以通过智能生成或手动创建两种方式搭建配置提示词、MCP Server 与内置工具等参数[15]。TraeWork 官方还提供了一批支持一键导入的自定义智能体示例包括 UI 设计师、前端架构师、后端架构师、API 测试工程师等角色可以直接作为模板使用或在此基础上修改。Auto 模式是一个值得关注的特性——开启后系统会综合考虑问答速度、性能与资源占用情况智能调用合适的内置模型提供更流畅的 AI 问答体验[5]。对于不确定该选择哪个模型的用户Auto 模式是一个省心的默认选项。11.总结AI 工作台的未来形态TraeWork 代表了一种新的 AI 工具设计思路AI 不再是依附于编辑器的插件而是一个独立的工作平台它不只服务于程序员而是覆盖从文档到代码的完整工作链路它不要求用户逐步引导而是自主规划、拆解和执行任务。从技术架构看TraeWork 的三层能力设计形成了完整的闭环智能体系统提供了自主执行的核心引擎Skills 技能体系提供了可复用的专业能力MCP 协议提供了连接外部工具的扩展通道。三者配合让 TraeWork 能够应对从简单的文档撰写到复杂的全栈开发等各类场景。多端协同架构则解决了 AI 工具的一个实际痛点任务执行的异步性。传统 AI 工具要求用户全程在场而 TraeWork 通过云端算力和三端同步让任务可以在后台持续运行用户只需在关键节点介入——这更接近真实工作场景中的协作模式。当然作为一款仍在快速迭代的产品TraeWork 也面临一些挑战。积分计费体系对于重度用户的成本需要仔细评估MCP Server 生态的成熟度直接影响工具的实用性智能体在复杂场景下的方案准确性仍有提升空间。但整体来看TraeWork 已经构建了一个完整的 AI 原生工作台框架其产品设计思路值得每一位关注 AI 工具发展的技术人深入思考。如果你正在寻找一款能够覆盖日常工作全链路的 AI 工具TraeWork 值得一试。网页版零门槛体验桌面版适合长期使用移动端让你随时随地保持连接——三端协同的设计让 AI 真正成为你工作流程的一部分而不仅仅是一个偶尔打开的工具。本文基于 TraeWork 官方文档和公开信息撰写产品功能可能随版本更新而变化请以官方最新文档为准。官方文档索引docs.trae.cn/llms.txt12.参考来源TraeWork 官方产品页面介绍 AI 办公平台核心功能与多端协同能力。TraeWork - AI 办公平台 | 自动生成PPT/数据分析/深度调研/文档撰写TRAE 官方文档索引涵盖 TraeCode、TraeWork、TraeCode CLI、TraeCode Plugin 全产品线文档。https://docs.trae.cn/llms.txtTRAE 官方文档TraeWork 客户端上线介绍三端架构与产品定位。重磅更新TraeWork 客户端上线TRAE 官方文档设备数量限制说明。设备数量限制TRAE 官方文档SOLO 模式概览介绍界面布局、工具面板与功能特性。SOLO 模式概览TRAE 官方文档智能体概述介绍智能体能力与工作流。智能体概述TRAE 官方文档多任务并行功能说明。多任务并行TRAE 官方文档技能Skill详细介绍包括结构、创建方式与内置技能。技能SkillTRAE 官方文档模型上下文协议MCP概览。MCP 概览TRAE 官方教程使用 MCP 将 Figma 设计稿转化为前端代码。MCP 教程将 Figma 设计稿转化为前端代码TRAE 官方教程使用 Playwright MCP Server 实现网页自动化测试。MCP 教程实现网页自动化测试TRAE 官方教程使用高德地图 MCP Server 规划行程。MCP 教程使用高德地图 MCP Server 规划行程TRAE 官方文档以积分为核心的计费模式与会员套餐说明。重磅更新以积分为核心的计费模式正式上线TRAE 官方文档记忆功能介绍包括全局记忆和项目记忆。记忆TRAE 官方文档创建并管理自定义智能体。创建并管理自定义智能体 
长河君 · 2026/8/10 9:14:01 · 阅读 1.2k TraeWork：重新定义AI原生工作台
目录1.引言当 AI 从助手变成同事2.产品定位不只是 IDE 的延伸TraeCodeTraeWorkTraeCode CLITraeCode Plugin3.三端架构网页、桌面、移动协同4.双模式设计Work 与 CodeWork 模式Code 模式5.智能体系统自主运行的开发引擎智能体的四项核心能力智能体的工作流多任务并行与子智能体6.Skills 技能体系按需加载的专业能力按需加载Token 效率的关键技能的三种典型用途保证输出一致性自动化重复工作流共享专业能力连接 MCP 工具创建技能的三种方式内置技能7.MCP 协议连接外部工具的桥梁支持的传输协议MCP 与 Skills 的关系典型 MCP 应用场景8.多格式文件处理与工具面板工具面板的核心组件Diff 视图与变更管理8.积分计费体系与套餐选择9.实战场景四个真实用例场景一技术调研报告生成场景二数据分析与可视化场景三全栈应用快速原型场景四移动端任务调度10.上手指南与最佳实践快速开始三步走提升效果的五个建议自定义智能体配置11.总结AI 工作台的未来形态12.参考来源1.引言当 AI 从助手变成同事过去两年AI 编程工具的形态经历了快速演变。从最初 GitHub Copilot 的行级补全到 ChatGPT 掀起的对话式编程再到 Cursor 等工具带来的 Agent 式开发——每一次迭代都在重新定义人与 AI 的协作边界。但一个核心问题始终存在这些工具大多停留在代码编辑器插件的层面AI 是一个被动响应的助手而非一个能够主动规划、拆解任务并交付结果的协作者。TraeWork 的出现试图回答一个更本质的问题如果 AI 不只是帮你写代码而是帮你完成一整件工作——从需求理解、方案设计、代码编写到结果交付——那么工具应该长什么样答案是一个独立于传统编辑器之外的 AI 原生工作台。它不依附于任何 IDE而是自成体系同时覆盖代码开发和日常办公两类场景。这就是字节跳动推出的 TraeWork——一款支持网页版、桌面版和移动版的 AI 工作平台[1]。本文将从产品定位、架构设计、核心能力、计费体系和实战场景五个维度对 TraeWork 进行一次全面的技术解析。2.产品定位不只是 IDE 的延伸理解 TraeWork需要先理解 TRAE 品牌的产品矩阵。TRAE 是字节跳动面向 AI 原生开发和智能体体验的产品品牌旗下包含四条产品线[2]TraeCodeAI 原生 IDE深度集成 AI 编程能力提供完整的代码开发体验。内置 SOLO 模式提供智能体工作流。TraeWork独立 AI 工作台覆盖 Web、桌面、移动三端。支持 Work 和 Code 双模式面向更广泛的工作场景。TraeCode CLI命令行 AI 编程智能体面向终端开发者可独立运行不依赖 IDE。TraeCode Plugin面向 VS Code 和 JetBrains IDE 的 AI 助手插件在现有编辑器中注入 AI 能力。关键区分在于TraeCode 是一个 IDE而 TraeWork 是一个独立的工作台。TraeWork 的前身是 TraeCode 中内置的 SOLO 模式但它已经发展为完全独立的产品——不依赖 TraeCode 运行拥有自己的客户端、账号体系和任务管理系统[3]。这个定位意味着什么意味着 TraeWork 不只是给程序员用的。它的 Work 模式面向文档撰写、数据分析、演示文稿制作、深度调研等日常办公场景而 Code 模式则面向代码开发。一个产品两种模式覆盖了从写文档到写代码的完整工作链路。3.三端架构网页、桌面、移动协同TraeWork 最显著的设计特征是真正的多端协同。它提供三种客户端形态共享同一套账号体系和任务数据信息实时全量同步[3]客户端定位适用场景网页版开箱即用的云端环境临时需求、外出办公、快速验证。无需下载安装有网络即可访问。桌面版专为 AI Agent 设计的独立应用长期开发、复杂项目。兼顾本地与云端任务不依赖 TraeCode 运行。移动端口袋里的智能体调度中心碎片化场景下快速下发和管理任务随时查看任务进度和验收结果。这套架构的精妙之处在于角色分工移动端是任务下发的入口桌面版和网页版是任务执行和成果验收的主战场。你在通勤路上用手机下发一个数据分析任务回到办公室后打开桌面版直接查看结果——任务在云端持续运行你不需要等待。架构要点TraeWork 的云端算力支持多任务并行执行。即使你同时下发了多个任务计算和处理也会在后台持续进行不会因为一个任务阻塞其他任务。这对于需要同时处理多个独立工作项的场景非常实用。设备管理方面同一个 TRAE 账号最多可同时登录 3 台客户端设备包括 TraeCode、TraeWork 桌面版和 TRAE 移动版网页版不计入设备限制[4]。这对于多设备用户来说是一个需要注意的约束。4.双模式设计Work 与 CodeTraeWork 提供两种核心模式通过界面左上角的模式切换按钮一键切换[5]。这种设计反映了一个产品判断开发者和非开发者的工作流有本质差异但两者之间存在大量交叉场景。Work 模式面向文档、数据、调研、演示文稿等日常办公场景。智能体自动拆解任务调用 Skills 和工具完成执行。用户只需提出任务需求对最终结果进行验收。所有项目文件集中在同一个 Workspace 中无需反复查找或重新上传。产出结果在工具面板中直接展示支持随时评论和修改。Code 模式面向代码开发场景以 AI 主导全流程开发。从需求理解、代码生成、测试到成果预览AI 自主规划并执行。支持自然语言描述、语音交互或上传本地文件等多种输入方式。提供 Diff 视图查看代码变更支持 Figma 设计稿直接还原为代码。两种模式共享同一套智能体底层能力——Skills、MCP Server、自定义智能体配置在两个模式下都可以使用。这意味着如果你为团队配置了一套代码审查的 Skill它在 Work 模式下分析技术文档时同样可以调用相关规范在 Code 模式下审查代码时也能发挥作用。值得一提的是TraeWork 还设计了 Design 模式目前已在官网页面提及进一步扩展了设计场景的覆盖。三模式的设计让产品能够服务更广泛的用户群体而不仅仅局限于开发者。5.智能体系统自主运行的开发引擎智能体Agent是 TraeWork 的核心引擎。与传统对话式 AI 不同TraeWork 的智能体不是被动回答问题的助手而是一个能够自主规划、拆解和执行任务的协作者[6]。智能体的四项核心能力自主运行— 独立探索代码库识别相关文件并进行必要修改不需要逐步人工引导。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— 建立对项目结构和依赖关系的全面理解而非仅基于当前对话片段做判断。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过程中动态调整策略。智能体的工作流TraeWork 的智能体遵循一个五阶段工作流从需求理解到交付验收形成完整闭环[6]需求分析深入理解任务目标及代码库上下文明确需求要点。这一步决定了后续所有工作的方向。代码调研检索代码库、文档及网络资源定位相关文件并分析现有实现逻辑。智能体会主动搜索而不是等待用户提供信息。方案设计根据分析结果拆解任务步骤并动态优化调整修改策略。用户可以在这一步确认方案后再继续。实施变更按照计划在整个代码库中进行必要的代码变更包括新增依赖库推荐、执行终端指令、提供客户端外的手动操作指引。交付验收完成验证后移交控制权同步汇总所有修改内容。用户通过 Diff 视图审查变更决定是否接受。多任务并行与子智能体TraeWork 打破了传统串行执行任务的限制支持在一个项目中同时管理多个任务。这意味着你可以同时让智能体处理前端组件开发、后端 API 编写和测试用例编写而不必排队等待[7]。对于更复杂的项目TraeWork 支持子智能体Subagent机制。子智能体通过 Markdown 文件定义拥有独立的上下文窗口可以由主智能体在需要时调用。例如主智能体可以调用一个专门负责 UI 组件的子智能体处理前端任务同时调用另一个负责数据库设计的子智能体处理后端——多角色协同加速项目落地。实践建议智能体在确认任务后会自动推进开发进度但建议在方案设计阶段仔细审查其拆解的计划。一个准确的方案可以避免后续大量返工。TraeWork 的设计也鼓励这种确认后再执行的交互模式。6.Skills 技能体系按需加载的专业能力如果说智能体是 TraeWork 的大脑那么 Skills 就是它的专业手册。技能Skill通过SKILL.md文件定义和管理每个技能封装了指令、脚本及相关资源用于为智能体提供可复用、面向特定场景的专业能力[8]。按需加载Token 效率的关键Skills 最核心的设计理念是动态按需加载。智能体不会在任务开始时一次性读取所有技能的完整内容——它先扫描所有技能的简要描述仅当判断当前任务与某个技能高度相关时才会加载该技能的详细内容。这种机制有效减少了上下文中的 Token 消耗避免无关信息干扰智能体的决策。这与规则Rule形成了鲜明对比。规则采用全量加载机制一旦开启对话就会持续占用上下文窗口而技能只在需要时才加载。两者的定位也不同规则是始终遵守的约束技能是特定场景下参考的专业指南。技能的三种典型用途保证输出一致性将统一设计规范、团队标准、品牌一致性要求封装为技能让智能体在不同任务中始终按既定标准输出。自动化重复工作流将测试流程、代码规范检查、常规数据分析等 SOP 封装为技能触发后自动按定义好的流程执行。共享专业能力总结个人经验或团队规范在社区、交流群等公共平台分享实现跨项目、跨团队的技能复用。连接 MCP 工具技能用于描述如何完成任务MCP Server 负责提供可调用的工具。两者配合使用效果最佳。创建技能的三种方式TraeWork 提供了灵活的技能创建路径对话创建直接通过对话描述需求AI 自动生成对应的SKILL.md文件。例如告诉 AI帮我创建一个代码审查技能检查命名规范和注释完整性它会自动生成配置。手动创建前往设置 技能与命令选择技能类型全局/项目填写技能名称、描述和指令。适合有明确规范需要固化的场景。导入外部技能上传已有的SKILL.md文件或包含该文件的 .zip 包TraeWork 会自动解析并填充字段。适合从社区或团队共享中引入技能。内置技能TraeWork 内置了四个开箱即用的技能[8]技能名称功能描述TRAE-security-review执行代码安全扫描审查合并请求与代码差异针对安全漏洞风险提供结构化反馈。TRAE-generate-mini-app生成基于 Taro 框架的高质量、可运行的多端小程序代码。识别到小程序相关需求时自动触发。TRAE-debugger调试需要收集运行时证据的复杂问题。遵循假设-插桩-复现-分析-修复-验证的科学调试流程。TRAE-code-review执行代码审查针对代码质量、正确性及最佳实践提供结构化反馈。此外TraeWork 还支持.agents/skills/目录——这是由 Agent Skills 规范约定的标准目录用于存放可被智能体自动发现和加载的技能。你可以使用内置的find-skills技能从开放的 Agent Skills 生态中搜索和安装技能包进一步扩展能力边界。7.MCP 协议连接外部工具的桥梁模型上下文协议Model Context ProtocolMCP是 TraeWork 扩展能力的另一条重要路径。MCP 是一种允许大型语言模型访问自定义工具和服务的协议。在 TraeWork 中智能体作为 MCP 客户端可以向 MCP Server 发起请求使用其提供的工具[9]。支持的传输协议类型传输协议执行环境stdiostdio本地HTTPSSE / Streamable HTTP本地 / 远程两种类型覆盖了不同的使用场景stdio 类型适合本地工具集成如文件系统操作、本地命令执行HTTP 类型则支持远程服务调用如第三方 API、云服务。TraeWork 支持从 MCP 市场一键添加也支持手动配置。MCP 与 Skills 的关系一个常见的疑问是MCP 和 Skills 有什么区别简而言之——Skills 描述如何完成任务MCP Server 负责提供可调用的工具。以自动化测试为例TraeWork 通过 Playwright MCP Server 获得页面操作、截图、点击等自动化测试能力这是工具而对应的技能则用于约定测试工程结构、页面对象模型设计规范、常见测试用例的编写和执行流程这是方法。两者配合智能体才能在正确的上下文中高效调用这些能力。典型 MCP 应用场景Figma 设计稿转代码— 通过 Figma AI Bridge MCP Server将 Figma 设计文件中的设计元素自动转化为可运行的前端代码[10]。网页自动化测试— 集成 Playwright MCP Server实现截图、点击、填充等浏览器操作构建端到端自动化测试方案[11]。行程规划— 使用高德地图 MCP Server 进行坐标转换、天气查询、路径规划等让 AI 帮你规划旅行行程[12]。安全提示MCP Server 由第三方构建和维护TraeWork 不审查或认可这些服务器。在使用前应自行评估安全风险确保遵守当地法律法规。部分 MCP Server 可能因网络限制或服务器访问策略在某些地区无法使用。8.多格式文件处理与工具面板TraeWork 的另一个核心能力是多格式文件处理。它可以理解和处理多种文件格式包括 JSON、Python、PPTX、CSV 等。用户只需描述需求就可以完成复杂的信息分析和处理不用在多个工具之间来回切换[1]。所有产出会在工具面板中直接展示结果一目了然。用户可以随时评论和修改直观地进行成果验收和迭代。工具面板是 TraeWork 区别于传统 AI 对话工具的重要交互设计——它不是一个简单的聊天窗口而是一个集成了编辑器、文档、浏览器、终端等多种工具的工作面板。工具面板的核心组件在 Code 模式下切换至 SOLO 界面后工具面板提供以下工具[5]编辑器— 查看和编辑代码文件支持语法高亮和 Diff 视图。文档— 查看智能体生成的文档、报告等文本产出。浏览器— 内置浏览器控制能力可以预览网页效果或进行自动化操作。终端— 查看命令执行过程和输出结果。工具面板还提供实时跟随模式——开启后系统会根据 AI 工作阶段自动切换工具展示进度和产物。处理任务时工具面板为只读状态需关闭该模式才能手动干预。这个设计让用户可以在 AI 工作时实时观察进度而不需要频繁手动切换面板。Diff 视图与变更管理项目变更完成后用户可以点击对话面板中的查看变更按钮打开代码变更窗口。窗口中显示本次变更涉及的文件数量、变更的代码行数以及变更的文件列表。点击具体文件可以查看 Diff 视图清晰展示新增、删除和修改的代码行[5]。此外TraeWork 还支持对话流节点自动折叠功能——已完成的任务步骤会在对话框中自动折叠并生成摘要需要时可以展开查看细节。这在处理长流程任务时有效减少了信息噪音。8.积分计费体系与套餐选择TraeWork 采用以积分为核心的计费体系并提供多档付费会员套餐[13]。积分分为两类通用积分可用于 TraeCode 和 TraeWork和Work 专属积分仅限 TraeWork 使用。套餐连续包月积分/月云端并行任务适用产品会员 Lite¥452000 Work 专属2 个仅 TraeWork会员 Pro¥894000 通用10 个TraeCode TraeWork会员 Pro¥21912000 通用10 个TraeCode TraeWork会员 Ultra¥62940000 通用20 个TraeCode TraeWork所有付费会员均享有高峰期优先使用权限和 Seed 系列模型 2.5 折计费福利。Ultra 套餐额外提供新模型优先体验权益。Lite 套餐仅适用于 TraeWork适合只需要日常办公场景的用户Pro 及以上套餐同时覆盖 TraeCode 和 TraeWork适合有代码开发需求的用户。套餐选择建议如果你只使用 TraeWork 处理文档、数据分析等办公任务Lite 套餐¥45/月即可满足基本需求。如果你同时使用 TraeCode 进行代码开发Pro 套餐¥89/月是性价比最高的选择——4000 通用积分加上 10 个云端并行任务额度足以应对中等强度的开发工作。对于重度用户或团队场景Pro 或 Ultra 套餐提供更大的积分池和并行额度。9.实战场景四个真实用例为了更直观地展示 TraeWork 的能力以下是四个典型使用场景的模拟演示。场景一技术调研报告生成你需要在一天内完成一份关于2026 年前端框架趋势的技术调研报告。在 TraeWork 的 Work 模式中你只需输入帮我调研 2026 年主流前端框架的发展趋势包括 React、Vue、 Svelte 和 Solid 的最新动态生成一份结构化的技术调研报告 包含框架对比表格、社区活跃度数据和选型建议。TraeWork 会自动拆解任务搜索最新信息、整理框架特性、生成对比表格、撰写分析段落、输出完整报告。整个过程中你可以在工具面板中实时查看进度最后直接在文档工具中审阅和修改产出。如果需要调整报告风格或补充某个框架的细节直接在对话中追加指令即可。场景二数据分析与可视化你有一份 CSV 格式的销售数据需要分析各区域季度表现并生成可视化图表。上传文件后输入需求分析这份销售数据按区域和季度统计销售额 生成柱状图和趋势线图并找出增长最快的区域和潜在风险点。TraeWork 会自动解析 CSV 文件结构编写 Python 脚本进行数据清洗和统计分析生成 ECharts 可视化图表并撰写分析结论。所有代码和图表都在工具面板中直接展示你可以查看执行的每一步操作。场景三全栈应用快速原型在 Code 模式下你想快速搭建一个待办事项应用的原型。输入需求描述后智能体会先给出一份开发计划——包含技术栈选择如 React Node.js SQLite、页面组件规划、API 接口设计。你确认方案后它开始并行处理前端组件、后端路由和数据库 schema 的编写最终交付一个可运行的项目。如果你有 Figma 设计稿还可以通过 Figma MCP Server 直接将设计元素转化为代码。智能体会解析设计文件中的颜色、字体、间距等样式信息生成对应的前端组件[10]。场景四移动端任务调度你在通勤路上突然想到一个需要处理的工作——分析竞品的产品页面。打开手机上的 TraeWork 移动端输入任务描述并下发。任务在云端开始执行你到办公室后打开桌面版任务已经完成结果直接呈现在工具面板中。这种移动端下发、桌面端验收的工作流让碎片化时间也能产生实际产出。10.上手指南与最佳实践快速开始三步走选择入口如果你只是想快速体验直接访问 TraeWork 网页版work.trae.cn无需下载安装。如果你需要长期使用或进行复杂项目开发下载桌面版客户端。移动端可在应用商店搜索TRAE下载。选择模式根据当前任务选择 Work 或 Code 模式。处理文档、数据、调研等任务用 Work 模式写代码、做开发用 Code 模式。两种模式可以随时切换。下发任务用自然语言描述你的需求尽可能包含目标、约束和期望的输出格式。智能体会自动拆解任务并给出方案确认后开始执行。提升效果的五个建议善用 Skills 固化团队规范将代码风格、命名约定、文档模板等团队规范封装为技能避免每次任务都重复描述。技能的按需加载机制不会浪费 Token。配置 MCP Server 扩展工具链根据你的工作场景添加合适的 MCP Server——前端开发加 Figma Bridge测试加 Playwright数据分析加数据库连接器。利用多任务并行提升吞吐将大任务拆分为多个独立子任务并行下发充分利用云端算力。比如同时处理前端、后端和测试三个独立模块。在方案确认环节把关智能体给出的方案计划是后续所有工作的基础。花一两分钟审查方案可以避免大量返工。用记忆功能保持上下文连续TraeWork 支持全局记忆和项目记忆可以记录你的偏好和项目约定。善用记忆功能可以让智能体在后续任务中自动遵循你的习惯[14]。自定义智能体配置对于有特定场景需求的用户TraeWork 支持创建自定义智能体。你可以通过智能生成或手动创建两种方式搭建配置提示词、MCP Server 与内置工具等参数[15]。TraeWork 官方还提供了一批支持一键导入的自定义智能体示例包括 UI 设计师、前端架构师、后端架构师、API 测试工程师等角色可以直接作为模板使用或在此基础上修改。Auto 模式是一个值得关注的特性——开启后系统会综合考虑问答速度、性能与资源占用情况智能调用合适的内置模型提供更流畅的 AI 问答体验[5]。对于不确定该选择哪个模型的用户Auto 模式是一个省心的默认选项。11.总结AI 工作台的未来形态TraeWork 代表了一种新的 AI 工具设计思路AI 不再是依附于编辑器的插件而是一个独立的工作平台它不只服务于程序员而是覆盖从文档到代码的完整工作链路它不要求用户逐步引导而是自主规划、拆解和执行任务。从技术架构看TraeWork 的三层能力设计形成了完整的闭环智能体系统提供了自主执行的核心引擎Skills 技能体系提供了可复用的专业能力MCP 协议提供了连接外部工具的扩展通道。三者配合让 TraeWork 能够应对从简单的文档撰写到复杂的全栈开发等各类场景。多端协同架构则解决了 AI 工具的一个实际痛点任务执行的异步性。传统 AI 工具要求用户全程在场而 TraeWork 通过云端算力和三端同步让任务可以在后台持续运行用户只需在关键节点介入——这更接近真实工作场景中的协作模式。当然作为一款仍在快速迭代的产品TraeWork 也面临一些挑战。积分计费体系对于重度用户的成本需要仔细评估MCP Server 生态的成熟度直接影响工具的实用性智能体在复杂场景下的方案准确性仍有提升空间。但整体来看TraeWork 已经构建了一个完整的 AI 原生工作台框架其产品设计思路值得每一位关注 AI 工具发展的技术人深入思考。如果你正在寻找一款能够覆盖日常工作全链路的 AI 工具TraeWork 值得一试。网页版零门槛体验桌面版适合长期使用移动端让你随时随地保持连接——三端协同的设计让 AI 真正成为你工作流程的一部分而不仅仅是一个偶尔打开的工具。本文基于 TraeWork 官方文档和公开信息撰写产品功能可能随版本更新而变化请以官方最新文档为准。官方文档索引docs.trae.cn/llms.txt12.参考来源TraeWork 官方产品页面介绍 AI 办公平台核心功能与多端协同能力。TraeWork - AI 办公平台 | 自动生成PPT/数据分析/深度调研/文档撰写TRAE 官方文档索引涵盖 TraeCode、TraeWork、TraeCode CLI、TraeCode Plugin 全产品线文档。https://docs.trae.cn/llms.txtTRAE 官方文档TraeWork 客户端上线介绍三端架构与产品定位。重磅更新TraeWork 客户端上线TRAE 官方文档设备数量限制说明。设备数量限制TRAE 官方文档SOLO 模式概览介绍界面布局、工具面板与功能特性。SOLO 模式概览TRAE 官方文档智能体概述介绍智能体能力与工作流。智能体概述TRAE 官方文档多任务并行功能说明。多任务并行TRAE 官方文档技能Skill详细介绍包括结构、创建方式与内置技能。技能SkillTRAE 官方文档模型上下文协议MCP概览。MCP 概览TRAE 官方教程使用 MCP 将 Figma 设计稿转化为前端代码。MCP 教程将 Figma 设计稿转化为前端代码TRAE 官方教程使用 Playwright MCP Server 实现网页自动化测试。MCP 教程实现网页自动化测试TRAE 官方教程使用高德地图 MCP Server 规划行程。MCP 教程使用高德地图 MCP Server 规划行程TRAE 官方文档以积分为核心的计费模式与会员套餐说明。重磅更新以积分为核心的计费模式正式上线TRAE 官方文档记忆功能介绍包括全局记忆和项目记忆。记忆TRAE 官方文档创建并管理自定义智能体。创建并管理自定义智能体