2026 刚开始 AI Coding，应该怎么选工具？｜Trae 开发者报告解析

很多人可能不知道，我是 Trae 的老用户。

在 25 年 6 月刚开发 Chat Memo 的时候，经过多次试用，我最终选了 Trae 国际版做了早期开发的 Coding 工具。

彼时 Cursor、Windsurf 互相竞争、风光无两，Claude Code 也在技术圈逐步聚集了最死忠的拥趸。 

Trae 发布尚不足半年，Agent 框架的上下文记忆、指令遵循质量，较前三者有些许差距。

但如你所见，我开发的 Chat Memo 已是今年受欢迎的 AI 记忆产品之一，

能将 ChatGPT、Gemini、Claude 等各大 AI 平台的珍贵对话，实时保存为统一、可永久检索的个人 AI 记忆库。

最近，它也被 Google 评为 Chrome 商店精选 AI 扩展。

而 Chat Memo 从 0 到 1 的验证，包括产品本体、官网设计，前 10 个主要版本的架构与迭代，是由半年前那个“不完美”的 Trae 协助完成的，完全 AI Coding，没手写一行代码。

今天刚好借着 Trae 刚发的年度产品报告，结合 Chat Memo 的 AI Coding 心得，聊聊当我们刚开始 AI Coding，可以注意些什么。

📍 为什么先选了 Trae？

很多人可能不相信我是非技术出身。

25 年中那阵，Trae 确实不好用。 Agent 上下文不够长，过了几轮就忘了之前定下的产品要求；让它执行复杂点的任务，有时也会出现需求理解偏差。

但那时为什么选择它呢？

 25 年 6-8 月，Chat Memo 前十个版本的主力 AI Coding 程序是 Trae

除了一眼能看出来的性价比优势外（彼时国外 Coding 均在 15 刀起步，Trae 3 刀），影响我选择还有「适合入门 AI Coding、易操作」两个原因。

1）越智能，不一定越适合学 AI Coding

这一点可能极其反直觉，也是我最想分享的“AI Coding 黑盒乐高观点”。

彼时 Trae 存在上下文限制、指令遵循的问题，反而让我更快习得了连续迭代 Chat Memo 的 AI Coding 能力。

25 年以来，Coding 模型能力确实越来越强，只需要几句话，AI 就能给你一个看起来像回事的 Demo。

但用户真的理解他们一句话做出来的东西吗？

等试着把产品从 Demo 变成真正可用的版本时，灾难往往就开始了：

• 交互逻辑里藏着一堆冗余跳转；
• 代码重复定义，改了一个文案，另一个界面却没变；
• 功能坏了，你甚至不知道它涉及了哪些文件。

这就叫做 AI Coding 的 💩 山速成。

而在用早期的 Trae 时，因为一开始就调低了预期，就逼着自己：

1.理解模块的 Input/Output：虽然我不懂具体代码怎么写，但我必须搞清楚这个模块“吃”什么数据，“吐”什么结果。

2.要求解释与边界确认：要求 AI 解释每一次变更的影响范围——“你改了这里，会不会影响那里？”

3.和 AI 一起分析不同 Bug 的真实原因

这种“半自动”的 Coding 摩擦感，反而被迫建立了一种「黑盒乐高」的视角：

即便不懂代码细节，我也要看懂代码注释，理解每个文件、每个模块在负责什么。

附我的完整「AI Coding 黑盒乐高观点」：

AI 写 Bug 没关系，我相信未来的 AI 能帮我们解决一切 bug。

但在那天到来之前，我们至少要能看得懂代码注释，理解每个文件、每个模块在负责什么。

把整个项目视作多个黑盒模块组成的乐高，才是用 AI Cover 复杂项目长期迭代的关键。

2）用的明白，才能用的起来

接触过的编程类产品中，我的易用性体验是： 

Trae > Windsurf > Cursor >  VS Code ≈ Claude Code

对于习惯了飞书、Notion 等现代 SaaS 产品的用户来说，VS Code 原生的复杂 IDE 界面讲真是劝退利器。

满屏的英文菜单、平铺直叙的按钮，都在消耗认知带宽。

Trae 的全中文界面引导、舒适的 UI 间距，已是几家里最“简单的产品”。

左 Trae，右 Cursor

哪怕是现在，如果是推荐给完全没基础的朋友入门，我依然会考虑首推 Trae。不谈代码质量，至少在这个界面里，你还能搞清楚自己在做什么、AI 在做什么。

🤔 报告中，有哪些值得开发者关注的趋势 or 习惯？

截至 25 年底，Trae 的用户越来越多，总注册用户数 600 万，覆盖全球近 200 个国家和地区。

其中用户周均活跃天数近 5 天，工作日全勤；国际版付费用户的周均活跃天数超过 6 天。（我没给大家拖后腿）

用户的 Coding Agent 行为样本积累多了，也就能看出大部分用户的 Coding 使用习惯与趋势，也能在用法上查漏补缺。

1️⃣ Agent 已成主流：从 Chat 到 Build

在 Trae 的生态里，Builder（即我们常说的 Coding Agent）的使用率高达 80%，而传统的 Chat 模式仅占 23%。

这意味着，“由 AI 主导开发，人类负责验收”已经成为了绝对的主流习惯。我们不再一行行写代码，而是像给员工下达指令一样，去构建产品。

有趣的是，尽管 MCP（模型上下文协议）在技术圈很火，但在 Trae 里只有 13% 的用户在使用。

既是因为官方 Agent 本身功能封装的足够完善（Trae + Seed-Code 模型，已经在 SWE Bench Verified 排名第一了）

也说明着让 C 端用户主动配置 MCP 依然有着不小的困难。

另外，下半年新推出的功能，以 AI 为主的 SOLO Coder、Builder，倒也已经有了不错的渗透率。

前者擅长自动开发复杂项目，后者更偏从需求到上线发布的个人开发尝试。

2️⃣ 最受欢迎的 MCP 工具

虽然 C 端用户感知并不直接，但 MCP 依旧在 25 年形成了各个 AI Agent 产品的共识。

大量给 AI 用的工具、数据服务，都以 MCP 协议形式被重新提供。

在 Trae 年度报告中，最受欢迎的 MCP 被分为了 5 类：

其中，Chrome DevTools 是我最近用的最多的 MCP，也印证了我的实战经验：

在开发 Chat Memo 时，能让 AI 直接操作浏览器、读取控制台报错、甚至验证 UI 布局，也是效率提升的质变点。

它让 AI 拥有了“眼睛”和“手”，形成了“写代码-运行-看报错-修代码”的闭环。

3️⃣ 最多采纳的编程语言：Web 全栈开发

说到用户采纳最多 or AI 生成最多的语言，Trae 的报告中也给出了他们的观察：

前端阵营，Vue、TypeScript、JavaScript、HTML 占据了半壁江山。

后端阵营，则以 Java、Go、C++、PHP、Python 为主。

此外，Markdown 的入围最值得玩味。以我自己为例，早已习惯用 AI 编写 README、技术文档、更新日志甚至 SEO 文案。

AI Coding 不仅是写代码，更在接管从写代码到文档的全流程工作。

4️⃣ AI 写代码、AI 改 Bug 已成常态

数据显示，Bugfix（修复 Bug）的场景占比（35%-38%）甚至超过了代码生成（30%）。

这背后 maybe 存在了两个原因：

一方面，开发者需要 AI 帮忙修复老旧代码的人为错误；

另一方面，AI 生成的代码往往不能一次跑通，需要通过“运行-报错-再修复”的循环来解决。

这种“生成”与“修复”的高频交替，也正是目前 AI 编程的真实工作情况。

此外，用 AI 总结与理解仓库的 9-11% 占比也不低，让开发者面对新的“屎山”时省下了不少力气。

5️⃣ 用 Context 简化提示难度

Trae 在引用 context 方面，一直给了用户很大的主动选择空间。

其在 Context（上下文）引用上的迭代，也呼应了 Context 工程日趋完善的趋势：除了定向上传图片、选择文件或文件夹，现在也支持了直接引用报错信息、控制台日志、figma 信息。

用户早就厌倦在终端环境和 AI 聊天框之间来回复制粘贴报错信息，开放更全面的上下文给 AI，能够大幅降低用户 Prompt 的难度。

🎐 写在最后

说起来，回顾 Chat Memo 的开发历程，虽然当时用 Trae 的时候喜忧参半，但我还是庆幸于自己一开始选择了“不那么完美”的工具。（这是真话：）

如果不是 Trae 便宜 + 慷慨、快速的内置 Claude 模型服务 + 相对直观的 UI 界面，我可能也很难动手搓出 Chat Memo 的第一个版本。 

Chat Memo 被 Google 精选的通知～

也因为没有在一开始就陷入“全自动 Coding”的幻觉，老老实实地理解代码大意，不断递归优化提示词的准确性，才能更好的摸索了 AI 协作的边界。

Coding 源于需求，Agent 听从 Prompt。

AI 智能程度固然重要，Claude Code 们也确实很强，

但对于初学者而言，能降低一些心理负担，愿意开始第一次磕磕绊绊的 Coding 尝试，或许才是选择工具更重要的一环。

完整 Trae 开发者报告 👉 ：TRAE 1.0.0｜2025 年度产品报告

文章来自于“一泽Eze”，作者 “一泽Eze”。