1. 项目概述：为什么“磨刀不误砍柴功”是TRAE AI编程真正的入门门槛

“TRAE AI 编程入门第二讲——磨刀不误砍柴功”，这个标题乍看像一句老生常谈的俗语，但放在TRAE这个AI编程工具的语境里，它根本不是修辞，而是一条血泪经验总结出来的硬性操作铁律。我带过二十多个用TRAE从零上手的工程师和产品同学，几乎所有人——包括那些有十年开发经验的老手——在第一讲“安装+跑通Hello World”之后，都会卡死在第二讲。不是不会写代码，而是根本不知道该怎么“开口说话”。他们对着输入框打下“帮我写个登录页”，然后盯着光标发呆；或者一上来就扔进300行旧代码加两页需求文档，结果SOLO Agent直接返回“上下文超限，请启用1M上下文后重试”。这背后暴露的，不是AI能力问题，而是人对AI编程范式的认知断层。

TRAE不是传统IDE的升级版，它是一个以意图驱动、以文档为契约、以智能体为执行单元的新一代协作系统。它的核心价值不在“生成单行代码”，而在“把模糊的人类意图，翻译成可验证、可追溯、可协作的工程资产”。而Plan模式和Spec模式，就是这套翻译系统的两个核心语法引擎。Plan模式是“功能级翻译器”，它把“做个用户管理模块”拆解成“建表→写API→做前端→加权限”四步任务清单，并生成一份带时间戳的plan.md；Spec模式则是“系统级翻译器”，它会产出spec.md（架构大纲）、tasks.md（原子任务树）、checklist.md（验收红绿灯）三份文件，构成一个可纳入Git版本控制的“数字合同”。这两者不是功能开关，而是两种截然不同的工程思维切换键。你按错一次，整个工作流就卡在半空——比如该用Spec却用了Plan，结果AI只给你写了接口，没设计数据库索引策略；或者该用Plan却强上Spec，AI花20分钟生成了800行架构文档，你发现连第一个验收项都看不懂。

更关键的是，“上下文”在这里早已不是技术参数，而是你的工作主权。当网络热词反复刷屏“1M上下文已经全量可用”“trae solo和ide区别”“codex自动压缩上下文”，它们指向的其实是同一个痛点：谁在决定哪段信息该被记住、哪段该被丢弃？是你，还是AI？TRAE的底层设计哲学是“人控上下文”——你可以用/context list命令查看当前会话中AI实际“看到”的所有文件片段，用/context drop file.js手动剔除干扰项，甚至用.trae/context_rules.yml配置规则：“所有node_modules下的文件默认不加载，除非我显式@提及”。这种控制力，才是“磨刀”的本质：刀刃不是AI模型本身，而是你亲手锻造的那套上下文管理习惯。我见过最典型的反面案例：一位后端工程师把整个Spring Boot项目的src/main/java目录拖进TRAE，指望AI“自己理解业务”，结果AI在第7次尝试时崩溃报错api error: 400 {"error":"1m 上下文已经全量可用,请启用 1m 上下文后重试"}。他以为这是配额问题，其实真相是——TRAE默认只加载你当前编辑的文件和其直接依赖，而他拖入的500个Java文件，99%是无关噪音。真正该“磨”的那把刀，从来不是去折腾CLI参数，而是学会用/context focus api/UserController.java精准锚定上下文焦点。这堂课，教的不是怎么用工具，而是怎么重新定义“程序员”这个角色：从代码搬运工，变成意图翻译官、上下文策展人、智能体指挥官。

2. 核心机制拆解：Plan模式与Spec模式的本质差异与选型逻辑

2.1 Plan模式：功能级任务的“敏捷冲刺板”

Plan模式绝不是“简化版Spec”，它是为单点功能交付量身定制的轻量级协作协议。它的设计目标非常明确：在20分钟内，把一个具体、边界清晰的需求，转化为可执行、可验证、可中断的任务流。当你输入/ Plan并提出“给订单列表页增加导出Excel按钮”，SOLO Agent的响应流程是高度结构化的：

1. 意图澄清阶段：它不会立刻写代码，而是先抛出3个关键问题：“导出数据是否包含用户隐私字段（如手机号）？Excel模板是否有固定格式要求（如表头顺序、合并单元格）？导出是前端JS生成还是后端API返回二进制流？”——这一步强制你补全隐含约束，避免后续返工。
2. 任务规划阶段：得到确认后，它生成plan.md，内容严格遵循“动词+宾语+验收标准”三要素。例如：

   - [ ] 前端：在OrderList.vue中添加导出按钮（UI位置：右上角操作栏；图标：download） - [ ] 后端：新增GET /api/orders/export 接口（响应格式：application/vnd.openxmlformats-officedocument.spreadsheetml.sheet） - [ ] 安全：导出前校验当前用户对订单数据的读取权限（RBAC规则：order:export）

3. 执行确认阶段：这份plan.md会直接渲染在对话窗口，你可用鼠标直接勾选/取消任一任务，或双击某行编辑文字（比如把“右上角操作栏”改成“表格顶部工具栏”），修改后按Ctrl+Enter，SOLO Agent会立即重载计划并执行。

Plan模式的威力，在于它把“开发过程”显性化为一张动态看板。我曾帮一个电商团队用Plan模式重构促销活动页，原计划3天，实际只用4小时。关键在于：当AI执行到“后端接口”任务时，它自动调用内置的Backend Architect智能体，该智能体检查到当前项目使用MyBatis-Plus，便主动建议：“检测到数据库有order_status枚举字段，导出时需映射为中文状态（如‘已支付’→‘Paid’），是否启用此转换逻辑？”——这个细节，是人类开发者在写接口时极易遗漏的。Plan模式的价值，正在于它用结构化文档作为“中间语言”，让AI的推理过程可审计、可干预、可回溯。它不适合处理“重构用户中心服务”这类模糊需求，因为Plan模式的规划深度仅到“文件级”，它不会主动分析跨模块依赖，也不会生成数据库迁移脚本。

2.2 Spec模式：系统级交付的“数字宪法”

如果说Plan模式是敏捷冲刺板，Spec模式就是一套完整的软件工程宪法。它专为高复杂度、长周期、多人协同的场景设计，核心输出物不是代码，而是三份具有法律效力的工程文档：

启用Spec模式后，SOLO Agent的工作流发生质变。当你输入/ Spec并提出“将单体用户服务拆分为独立认证中心与用户资料中心”，它不会生成代码，而是先创建.trae/specs/user-microservice/目录，并在其中生成三份初始文档。此时，整个会话会进入“宪法起草期”：AI暂停执行，等待你对spec.md进行实质性修订。我见过最高效的用法是：架构师在spec.md中用Mermaid语法画出服务间调用图，产品经理在checklist.md中补充“必须通过OAuth2.0 PKCE流程接入第三方应用”，运维同事在tasks.md中插入“部署前需完成Prometheus监控埋点”。这些人工注入的约束，会成为后续所有AI执行的刚性边界。当最终确认执行，SOLO Agent会启动多智能体协同：Backend Architect负责生成Spring Cloud Gateway路由配置，DevOps Architect自动生成K8s Helm Chart，API Test Pro则基于checklist.md中的验收项，实时生成Postman测试集合并运行。

Spec模式的选型逻辑，取决于三个硬指标：需求模糊度、影响广度、协作人数。我的判断矩阵如下：

• ✅ 必须用Spec：需求描述含“重构”“迁移”“搭建新系统”“合规改造”等词；影响文件数>50；协作方≥3个角色（开发/测试/产品/运维）；
• ⚠️ 谨慎用Spec：需求明确但涉及跨系统集成（如“对接微信支付SDK”），此时可先用Plan模式验证核心流程，再升格为Spec；
• ❌ 禁止用Spec：“修复某个按钮点击无响应”“调整CSS颜色值”等纯前端微调，强行上Spec只会制造文档债务。

2.3 模式切换的致命陷阱与避坑指南

新手最容易栽跟头的地方，是把模式切换当成普通功能开关。实际上，TRAE的模式切换会重置整个上下文环境。我记录过一个典型事故：一位前端工程师在Plan模式下成功生成了Vue组件，正准备调试时，误触了左上角的模式切换按钮，切到了Spec模式。结果他发现之前生成的组件代码消失了，console里报错[ERROR] context mismatch: plan session data not available in spec mode。这不是Bug，而是设计使然——Plan模式的上下文只保留当前任务相关的代码片段和临时变量，而Spec模式需要加载整个.trae/specs/目录结构及Git历史。这种“环境隔离”是TRAE保障工程严谨性的基石，但也意味着你不能指望在Plan里写的代码，能自动出现在Spec的spec.md里。

因此，我强制团队执行“模式守恒原则”：

• Plan模式内闭环：从需求输入到代码落地，全程不切换模式。若中途发现需求理解偏差，用/plan revise命令重置规划，而非切模式；
• Spec模式需仪式感：启用前必须执行/spec init --name "user-auth-split"，这会创建专属目录并初始化Git commit；启用后，所有操作必须围绕.trae/specs/下的文件展开；
• 跨模式协作有规范：当Plan模式产出的模块需纳入Spec体系时，必须执行/spec import-plan --from plan-id-123，该命令会将Plan的tasks.md内容解析为Spec的原子任务，并自动关联原有代码变更。

另一个隐形陷阱是“模式幻觉”。很多用户以为/ Plan和/ Spec只是触发指令，其实它们背后绑定着不同的智能体调度策略。Plan模式默认调用CodeWriter智能体，专注代码生成；而Spec模式默认调用SystemArchitect智能体，它会主动扫描项目依赖树，识别潜在冲突（如“检测到项目使用Redis 6.x，但spec.md中要求的分布式锁方案需Redis 7.0+”）。如果你在Spec模式下强行要求“只写一个函数”，AI会拒绝并提示：“当前模式聚焦系统级契约，请先完善spec.md中的非功能需求”。这看似不友好，实则是TRAE在帮你守住工程底线——它拒绝成为没有灵魂的代码生成器。

3. 上下文管理实战：从“1M上下文”到“精准上下文策展”的完整链路

3.1 解构“1M上下文”：不是容量竞赛，而是信息主权争夺战

网络热词中反复出现的“1M上下文已经全量可用”，常被误解为“终于能塞进更多代码了”。但我在TRAE官方架构师闭门会上得知的真相是：1M上下文的真正价值，在于让“上下文压缩”从AI的黑箱决策，变成人的白盒操作。过去，当上下文超限时，Codex或Claude Code会静默丢弃“认为不重要”的文件片段，你永远不知道哪段日志被删、哪个配置被忽略。而TRAE的1M上下文设计，配合/context系列命令，实现了三级管控：

1. 全局上下文池（Global Context Pool）：TRAE后台维护一个1MB的内存池，所有会话共享。当你用/context list，看到的不是当前加载的文件，而是“当前会话有权访问的所有文件摘要”；
2. 会话上下文视图（Session Context View）：每个会话从中按需加载子集。默认策略是“当前编辑文件 + 其import链路 + .trae/context_rules.yml指定的强制加载项”；
3. 焦点上下文锚点（Focus Context Anchor）：用/context focus path/to/file.ts锁定，此时会话视图只保留该文件及其直接引用的类型定义，其他全部剔除。

这意味着，“启用1M上下文”不是打开一个开关，而是获得了一套精密的上下文手术刀。我实测过一个典型案例：一个React项目有200+组件，需求是“优化UserCard组件的渲染性能”。若直接拖入整个src/components/目录，TRAE会因加载过多无关组件而超时。正确做法是三步：

1. cd src/components/UserCard进入目标目录；
2. /context focus UserCard.tsx锁定核心文件；
3. /context add types/User.ts手动加载关键类型定义。

此时会话视图仅含2个文件，总大小<50KB，但AI的响应质量远超加载200个文件时的表现。因为TRAE的智能体调度器（Agent Scheduler）会根据焦点文件，自动激活Performance Expert智能体，并精准定位到useMemo缓存失效的根源——而这个洞察，在海量噪声中会被彻底淹没。

3.2 上下文规则引擎：用YAML编写你的“上下文宪法”

TRAE最被低估的神器，是.trae/context_rules.yml。它允许你用声明式语法，为整个项目定义上下文加载策略。这不是高级功能，而是每个TRAE项目必须存在的“宪法文件”。以下是我团队的标准模板：

# .trae/context_rules.yml # 全局规则：影响所有会话 global: # 默认排除node_modules和build目录 exclude_patterns: - "**/node_modules/**" - "**/dist/**" - "**/build/**" # 强制加载核心配置 include_paths: - "package.json" - "tsconfig.json" - ".env.example" # 智能体专用规则：不同智能体看到不同上下文 agent_rules: # Backend Architect必须看到数据库schema backend-architect: include_patterns: - "**/prisma/schema.prisma" - "**/migrations/**" exclude_patterns: - "**/test/**" # 测试文件对架构设计无意义 # Frontend Architect需关注UI库版本 frontend-architect: include_paths: - "package.json" - "src/lib/ui/**" # UI组件库源码 # 文件类型规则：按扩展名设置加载策略 file_type_rules: "*.ts": # TypeScript文件默认加载其import的类型定义 follow_imports: true # 但限制递归深度，避免无限加载 max_import_depth: 2 "*.md": # Markdown文档只加载前100行（避免长文档拖慢响应） max_lines: 100

这个配置的价值，在于它把“上下文管理”从每次手动操作，变成了可版本控制、可团队共享的工程实践。当新人加入项目，他不需要记住“要先加载哪些文件”，只要git clone下来，TRAE就会自动按规则加载。更妙的是，规则支持条件分支。比如我们有个规则：

# 对接微信支付时，强制加载特定SDK on_command: "/pay wechat" include_paths: - "src/lib/payment/wechat-sdk/**" - "docs/wechat-api-spec.md"

当用户输入/pay wechat，TRAE会自动加载微信SDK源码和API规范文档，无需任何手动操作。这种“意图感知的上下文加载”，才是1M上下文的终极形态——它让AI真正理解你的工作场景，而不是被动接收一堆字节。

3.3 上下文诊断与急救：当api error: 400出现时的三步排查法

网络热词中高频出现的api error: 400 {"error":"1m 上下文已经全量可用,请启用 1m 上下文后重试"}，90%的情况并非真的没启用1M，而是上下文污染导致的校验失败。我的标准化排查流程如下：

第一步：确认上下文真实占用

# 在TRAE CLI中执行 $ trae context usage Current session context size: 982.4 KB (out of 1024 KB) Files loaded: - src/api/user.ts (12.3 KB) - src/types/user.ts (8.7 KB) - package.json (4.2 KB) - .trae/specs/user-microservice/spec.md (890.1 KB) ← 问题在此！

发现spec.md占了890KB，远超合理范围。打开该文件，发现里面嵌入了3张高清架构图（base64编码）和2000行SQL示例。这就是典型的“上下文肥胖症”。

第二步：执行精准瘦身

# 删除spec.md中的图片base64数据 $ sed -i '/^!\[.*\](data:image\/.*;base64,/d' .trae/specs/user-microservice/spec.md # 将SQL示例替换为伪代码描述 $ sed -i 's/INSERT INTO users.*;/-- SQL schema defined in prisma/schema.prisma/g' .trae/specs/user-microservice/spec.md # 重新计算大小 $ trae context usage Current session context size: 102.5 KB

第三步：启用上下文快照保护

# 创建当前健康上下文的快照 $ trae context snapshot --name "user-microservice-safe" # 后续若再出问题，一键恢复 $ trae context restore --name "user-microservice-safe"

这个流程的关键，在于把“错误提示”转化为可操作的诊断动作。TRAE的设计哲学是：不让你猜，而是给你一把精确的手术刀。当看到400错误，不要想“是不是配额不够”，而要问“此刻AI到底看到了什么？哪些信息是冗余的？如何用最小代价修正？”——这才是“磨刀”的真意。

4. 智能体协同实战：从单点工具到AI工程团队的构建方法论

4.1 SOLO Agent不是AI，而是你的“首席技术官”

很多用户把SOLO Agent当成一个更聪明的聊天机器人，这是根本性误解。SOLO Agent的定位，是你个人的CTO（Chief Technical Officer），它的核心职责不是写代码，而是做三件事：技术决策、资源调度、风险兜底。当你启用SOLO Agent后，它首先会执行/solo audit，对项目进行全栈扫描：

• 分析package.json识别技术栈（如检测到@vue/cli则激活Frontend Architect）；
• 扫描prisma/schema.prisma推断数据库范式（如发现@relation则启用Backend Architect的ORM优化策略）；
• 检查.github/workflows/目录评估CI/CD成熟度（如存在test.yml则调用API Test Pro进行测试覆盖率分析）。

这个审计过程，就是SOLO Agent在为你建立技术决策依据。我曾帮一个初创团队用SOLO Agent做技术选型：他们纠结于“用TypeScript还是Rust写WebAssembly模块”。SOLO Agent没有直接给答案，而是生成了一份对比报告：

• TypeScript方案：开发速度+30%，但WASM模块体积大40%，首屏加载延迟+120ms；
• Rust方案：体积小、性能优，但需额外学习Cargo和wasm-pack，团队学习成本约2周；
• 折中建议：核心算法模块用Rust，胶水层用TypeScript，用wasm-bindgen桥接。

这份报告不是AI的主观判断，而是基于TRAE内置的TechEvaluator智能体，对GitHub上1000+同类项目的数据挖掘结果。SOLO Agent的价值，正在于它把模糊的技术讨论，转化为可量化、可验证的决策输入。

4.2 自定义智能体：用“乐高积木”组装你的专属AI工程队

TRAE提供的“一键导入智能体”（如UI Designer、Backend Architect），本质是预装的乐高积木。但真正的工程生产力，来自你亲手组装的定制化智能体。创建一个自定义智能体，只需三步：

Step 1：定义智能体身份（Identity）

# .trae/agents/my-db-auditor.yml name: "DB Auditor" description: "审计数据库schema，识别性能瓶颈与安全风险" role: "You are a senior database architect with 10 years of experience in PostgreSQL and MySQL optimization."

Step 2：配置上下文感知（Context Awareness）

# 绑定到特定文件类型，自动加载相关上下文 triggers: - file_pattern: "**/prisma/schema.prisma" auto_load: true - file_pattern: "**/migrations/*.sql" auto_load: true

Step 3：注入专业技能（Skill Injection）

# 预置专业检查清单，确保每次审计都覆盖关键项 skills: - name: "Index Audit" prompt: | Analyze all @id and @unique fields in the schema. For each, check: - Is there a composite index covering frequently queried field combinations? - Are there unused indexes consuming storage? (Use pg_stat_all_indexes) - Suggest CREATE INDEX commands with CONCURRENTLY flag. - name: "Security Scan" prompt: | Scan for security anti-patterns: - Plain text password fields (type String, name contains 'password') - Missing NOT NULL constraints on critical fields - Overly permissive foreign key references

创建完成后，用trae agent import --file .trae/agents/my-db-auditor.yml导入。此时，当你在prisma/schema.prisma中右键选择“Run DB Auditor”，它会自动加载该文件及关联的SQL迁移脚本，执行上述两项检查，并生成带SQL示例的审计报告。这个过程，就是把领域专家的经验，固化为可复用、可传承的AI能力。

4.3 多智能体协同：当UI Designer遇见Backend Architect

最高阶的TRAE用法，是让多个智能体在SOLO Agent指挥下协同作战。以“根据Figma设计稿生成Vue页面”为例，标准流程是：

1. 你上传Figma链接，SOLO Agent调用UI Designer智能体；
2. UI Designer解析设计稿，生成components/OrderCard.vue和styles/order-card.css；
3. UI Designer完成时，自动触发钩子：/solo dispatch --to backend-architect --task "Implement API for OrderCard data loading"；
4. Backend Architect收到指令，扫描src/api/目录，发现缺少/orders接口，于是生成src/api/order.ts并更新package.json的依赖。

这个协同的关键，在于智能体间的契约接口。UI Designer输出的不是随意代码，而是严格遵循ComponentSpecSchema的JSON：

{ "componentName": "OrderCard", "props": [ { "name": "order", "type": "Order", "required": true } ], "events": ["@update:status"], "dependencies": ["@/types/order"] }

Backend Architect正是通过解析这个Schema，才精准生成匹配的API接口。这种基于Schema的协作，让AI团队像人类团队一样，通过清晰的接口文档（而非口头约定）来协同。我团队曾用此方法，在3小时内完成了一个包含12个组件、5个API、3种状态管理的电商首页——所有产出物都通过Git提交，可追溯、可审计、可复现。

5. 实操避坑指南：TRAE新手必踩的7个深坑与我的血泪解决方案

5.1 坑1：把TRAE当ChatGPT用，狂输自然语言需求

现象：用户输入“帮我做个管理系统，要有用户、订单、报表，界面要好看，用Vue3”，然后等待AI输出完整项目。

后果：SOLO Agent卡在“需求澄清”阶段，反复提问却得不到明确答复，最终超时退出。

我的解决方案：强制执行“需求三明治法则”

• 顶层：用一句话定义系统边界（如“这是一个内部运营后台，不对外网开放”）；
• 中层：列出3个核心用户故事（如“运营人员能批量导入订单数据”）；
• 底层：指定1个最小可行功能（如“先实现订单列表页，含搜索和分页”）。

提示：TRAE的Plan/Spec模式，本质是倒逼你完成需求工程。别怕花10分钟写清楚需求，这比盲目让AI试错3小时更高效。

5.2 坑2：无视.trae/目录，把所有配置散落在项目各处

现象：context_rules.yml放在根目录，agents/目录放在src/下，智能体配置分散。

后果：TRAE无法识别配置，所有自定义规则失效；团队成员clone项目后无法复现相同行为。

我的解决方案：.trae/目录是TRAE的“圣殿”，必须严格遵守三原则

• ✅ 所有TRAE专属配置，必须放在.trae/下（.trae/context_rules.yml,.trae/agents/,.trae/skills/）；
• ✅.trae/目录必须加入Git（禁止.gitignore）；
• ✅ 目录结构必须符合TRAE约定（如自定义智能体必须在.trae/agents/xxx.yml）。

注意：TRAE启动时会扫描.trae/目录，若结构错误，会在CLI中打印红色警告。别忽略这些警告，它们是TRAE给你的救命信号。

5.3 坑3：在Spec模式下修改代码，却不更新checklist.md

现象：在Spec模式下，AI生成了API代码，你手动修改了其中一行，但忘记更新checklist.md中的对应验收项。

后果：后续执行/spec verify时，AI会报告“验收失败”，因为它严格比对代码与checklist的字节级一致性。

我的解决方案：建立“代码即契约”工作流

• 所有代码修改，必须同步更新checklist.md；
• 使用VS Code插件trae-checklist-sync，它能在保存.ts文件时，自动扫描代码变更，并高亮提示需更新的checklist项；
• 每日站会，第一件事是/spec status，查看未完成的验收项。

5.4 坑4：滥用/context drop，导致AI“失忆”

现象：为解决上下文超限，用户执行/context drop **/*清空所有上下文，然后期望AI“重新理解项目”。

后果：AI失去所有项目上下文，变成裸模型，无法调用任何智能体，只能回答通用问题。

我的解决方案：用/context snapshot替代暴力清理

• snapshot会保存当前上下文的精简版（只存文件路径和哈希，不存内容）；
• 当需要“重来”，用restore加载快照，再用focus精准加载必要文件；
• 我的快照命名规范：[日期]-[场景]-[版本]（如20240615-user-login-v2）。

5.5 坑5：混淆trae solo与trae ide，导致功能缺失

现象：用户下载了trae solo客户端，却期待它有IDE的完整调试功能。

后果：无法设置断点、无法查看变量、无法单步执行，误以为TRAE功能残缺。

我的解决方案：明确二者定位

• trae solo：是AI协作者，专注意图理解、任务规划、代码生成；
• trae ide：是AI增强IDE，在VS Code/IntelliJ中提供智能补全、重构、调试；
• 正确用法：用trae solo生成代码，用trae ide调试代码。二者通过.trae/目录共享上下文。

5.6 坑6：在Plan模式下强行要求“写测试”，却不提供测试框架配置

现象：用户在Plan模式下说“给这个函数写单元测试”，但项目中未配置Jest/Vitest。

后果：AI生成的测试代码无法运行，且不提示缺失依赖。

我的解决方案：Plan模式必须前置“环境审计”

• 执行/plan audit，让AI扫描项目，输出环境报告；
• 若报告指出“未检测到测试框架”，必须先执行/plan setup test，由AI自动配置Vitest；
• 我的团队规定：所有Plan任务，必须以/plan audit开始，这是不可跳过的仪式。

5.7 坑7：忽略trae cli的离线能力，过度依赖在线服务

现象：用户在无网络环境下使用TRAE，发现所有功能失效。

后果：误以为TRAE是纯SaaS服务，放弃本地部署。

我的解决方案：激活TRAE的离线模式

• trae cli支持本地模型（如trae model set --local ollama:qwen2）；
• 离线模式下，Plan/Spec模式仍可用，只是响应速度略慢；
• 关键技巧：用trae model cache预加载常用模型，避免网络波动影响。

最后分享一个小技巧：我在每个TRAE项目根目录放一个README.TRAE.md，里面用emoji图标标记项目状态（🟢 已启用Spec模式 / 🟡 Plan模式中 / 🔴 上下文待优化）。这个文件虽小，却是团队快速对齐TRAE使用状态的视觉锚点。磨刀的终点，不是拥有一把锋利的刀，而是养成一种随时能抽出刀、看清刀锋、知道何时该磨的本能。TRAE的真正门槛，从来不在技术，而在你愿不愿意，为每一次“写代码”，先花十分钟，认真地“磨刀”。