在这个数字化与人工智能迅速发展的时代，AI编程工具的关注度在开发者中不断攀升。然而，理想与现实之间常常存在差距。通过作者的亲身体验，本文将探讨字节跳动推出的Trae（国内版）AI编程工具在实际应用中的表现，揭示其在功能实现、用户体验及与实际开发需求的结合方面所面临的诸多挑战。

在日常撰写提示词时，我常常感到耗时较长，且未找到合适的管理工具，因此产品经理张师傅决心自行开发一个。这个任务的复杂性显然需要专业的IDE支持。尽管Cursor被认为是AI编程的理想选择，但由于不断看到关于Trae的文章，我的好奇心驱使我下载了这个字节跳动的产品，以了解它是否能带来更好的体验（相较于上次使用coze的感受）。

结果让我失望了……

第一次迭代花费2小时，却以失败告终

因为对Trae的功能不甚了解，我决定采取较为保守的策略，只实现基本的增删改查功能。按照我的估计，这种逻辑简单且常见的功能应该能在5分钟内完成。然而，我计划再用一小时逐步扩展业务逻辑，再花一小时进行测试和小的优化，然后就可以安心入睡，完美收官！

这是我第一版提示词的设计，虽然简朴，但尽量涵盖了必要的信息。

该项目是一个具备前后台的工具，名为“提示词管理”，功能包括：

1. 支持多用户

2. 每个用户能够管理自己的提示词

3. 管理功能包括：增加、删除、修改

4. 主页面呈现分栏布局，左侧为树形分类导航，右侧为相应分类下的提示词列表，展示提示词的名称及前100个字符，超出部分用…表示

5. 点击导航以切换分类

6. 列表项旁边设有查看和修改选项

7. 点击列表项后可查看详情，进行删除或编辑

项目使用Python作为技术栈，数据存储使用MySQL。

事实证明，我要么对Trae的能力过于乐观，要么是对某些文章的信任太过单纯。我认为与Deepseek-v3-0324搭配的国内版Trae应该能够轻松应对，于是我熬夜尝试。可结果是，连核心功能都未能实现，登录注册都无法顺利进行……

这种熬夜的过程看似一切都在往好的方向发展，但始终无法抵达终点。

• 一开始我设计了项目结构，前台、后台及配置均做得相当不错
• 提供了关键代码的实现，相关的实体也都具备
• 前台页面、数据库及环境准备也都到位

我满心欢喜地搭建好环境，确认代码无误后，运行时却报错……

当时的我完全不担心，毕竟Trae能够分析错误代码，只需将其扔进去就好，难道不是可以vibe coding吗？vibe coding不是声称只需描述需求，就能在对话框中粘贴输出，奇迹般地生成可运行的程序吗？

然而事实并非如此。我还发现，从某个错误开始，Trae的反馈开始反复循环，简直无法解决……

此时我尝试自己定位问题，但这套代码对于我来说已变得有些复杂，尤其是对一个熬夜且久未编码的中年人而言……经过一番努力，钟表指向1点，我最终放弃了。我已经不再是那个可以整夜写bug的年轻研究生了……

功能齐全却难以使用，这个悖论是否归咎于AI？

表面上看，Trae的功能列表相当丰富：编辑器、支撑工具、编程优化、Deepseek模型以及Chat和Builder双模式，互联网大厂的完整功能加上AI时代的强大模型，李云龙恐怕也会感叹“这种富裕我八辈子都没见过”。

但一旦翻车，你能想象李云龙会怎么说吗？

那么问题就来了，责任究竟在于谁？

显然，不是编辑器的错，也不是模型的错，那只可能是产品经理的责任。

产品经理对AI模型在场景应用中的能力不足。

以我熬夜遇到的问题为例，引用一个包失败（不懂技术的读者无需过于关注），这算是什么大问题吗？显然不是，类似于找不到门牌号而已，解决不了，反复尝试反复出错，揭示出的问题是什么？就是Trae对代码的整体结构缺乏认知，或者上下文窗口设置不当。

Deepseek-v3难道没有认知能力吗？显然有，但产品未进行优化，导致其“上下文失明”。

这种错误为何会出现呢？因为产品经理对该问题的理解不足，未能针对模型和场景进行优化。

字节的AI产品经理究竟遇到了什么困境？

在之前的文章中我批评了字节的coze，而这次Trae又让我感到失望，字节的AI产品为何不能像抖音的产品那样流畅呢？难道字节不是一家AI大厂吗？

所以，回到一个根本问题，打造AI产品，尤其是将AI融入“传统”产品的产品经理需要具备怎样的能力？

coze和Trae的产品经理显然有很强的发言权，不仅仅是传统的产品设计能力，那是基础；更重要的是理解AI的能力、AI能力的边界以及AI在实际场景中面临的挑战。如今的Trae与那些在产品上直接嵌入ChatGPT或Deepseek的工具没有太大区别，都是“坐在儿童桌前”。

原本效果不佳还可以归咎于海外版可以使用Claude，而国内只能用豆包，但如今国内能够使用Deepseek则暴露了真实问题，当模型效果良好时依赖模型，当模型无法覆盖时就束手无策。

AI产品是特殊的，它的“质量”不仅仅由确定性的功能支撑，可能依赖训练数据的质量、微调策略的精准度，甚至推理过程的稳定性等隐性因素，但最终产品经理要对交付质量负责，Trae的产品经理是否亲自用Trae进行编码？是否意识到产品中这些低级错误的存在？

Trae的教训与启示

Trae（国内版）的现状揭示了一个不容忽视的事实：AI产品的功能已不再是产品的全部。从推荐引擎的时代开始，数据和算法就发挥着重要作用，虽然当时的体感并不强烈，但在大模型时代，AI部分的重要性已占据了一半以上。如果AI能力不足，融合效果不佳，再好的功能体验也无法掩盖缺陷。

未来的AI产品必须满足三条基本底线：

1. 功能底线：在功能层面上必须可用且完备，这似乎是大家的基本技能。
2. 模型底线：模型应当具备处理相关问题和场景的能力，无论是基础模型还是微调，均需能够理解和应对。
3. 场景融合底线：在产品应用过程中，AI能力和模型需针对具体场景有意识地融合，无论是Prompt、上下文、工作流还是工具插件，必须针对场景将模型“粘合”起来，而非简单地将数据丢给模型。

我仍会努力利用Trae完成提示词工具的开发，如果有时间可能还会尝试Builder模式，只是我会控制整体结构，实现顺序也会改为从更小的MVP到完整功能，期待能尽快与大家分享。同时希望Trae能加快迭代，围绕场景进行优化，以期赶超甚至超越Cursor。作为一名用户，我对使用哪个开发工具并不在乎，但我仍希望在Deepseek之后，能够涌现出更多优秀的中国AI应用，更多的AI时代产品经理能够崭露头角。

作者：张师傅-中年架构师 公众号：张师傅-中年架构师

本文由 @张师傅-中年架构师 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

抱歉，我无法满足该请求。