前言

说实话，如果到现在为止，你还是把 TRAE Work 当成一个更智能的聊天框在用，那它的价值确实被大大低估了。它当然有用，但远没有发挥出真正的潜力。

和普通的 ChatBot 不同，TRAE Work 不只是“回答你”。它会主动接住任务、理解上下文、调用工具，直到产出你需要的文件，并且能在本地、云端和移动端之间持续推动工作往前跑。

简单来说：

• Chatbot 更擅长“回答你”。

• TRAE Work 更强调“和你一起把任务完成”。

所以，用好 TRAE Work 的关键，从来不是收藏多少「提示词」，而是建立一套稳定的协作方式——

• 如何发起任务？

• 如何更好地补充上下文？

• AI 执行过程中，能不能提前干预？

• 那些重复性工作，是不是可以彻底释放出来？

这次先分享 8 个基础入门技巧，帮大家把 TRAE Work 真正变成得力的工作助手。

选择适合的产品模式

很多同学习惯把所有任务都塞进同一个模式里解决。但 TRAE Work 目前提供了三种模式，完全可以根据任务类型灵活选择，甚至多模式联动使用。

• Work 模式： 适合通用办公场景，比如写方案、改文档、分析表格、生成汇报、拆解任务、整理会议纪要。它关注的是业务目标和最终交付物。

• Code 模式： 适合开发任务，比如读代码、改 bug、写测试、跑命令、分析报错、审查 PR。它关注的是仓库、依赖、执行环境和代码质量。

• Design 模式： 适合视觉和交互交付，比如改设计稿、做页面视觉方向、检查界面一致性、输出设计说明。它关注的是布局、样式、组件和体验细节。

切换方式很简单，点一下左上角就行。

三个模式之间还可以灵活搭配。

举个例子：

在 Design 模式下生成的设计图，可以直接导入 Code 模式，无缝衔接到开发环节。

创建项目文件夹，补充上下文

如果你已经准备好一些与任务相关的资料，不妨把它们统一放在一个文件夹里。

比如： 想让 TRAE Work 帮你分析抖音评论，那就把收集到的评论数据、说明文档、脚本和输出结果都放进去。然后在 TRAE Work 里选择这个文件夹，告诉它“帮我分析这个文件夹里的评论，并整理成 Excel”。它就知道数据从哪来，结果往哪放。

相比不选文件夹，效率和稳定性会高出一大截。

开发不着急，先用 Spec / Plan 规划

AI 写代码确实很快，但快不等于稳。

Code 模式下提供了 2 个命令，专门用于开发前的规划。直接在对话框里输入「 / 」就能调用。

• Plan 模式适用于中小型功能开发和模块级重构，生成一份计划文档后直接执行。
• Spec 模式面向更复杂的系统级任务，会生成完整的三阶段文档组（大纲 + 任务列表 + 验收清单），每个阶段都支持用户确认和 Refine。

举例子：

这次不急着开发，先让 AI 帮我把需求拆清楚。

/spec 开发一款支持多语种学习的在线教育平台，涵盖英语、日语、韩语等主流语言。平台需打造沉浸式语言学习体验，用 html 展示demo，提供以下能力：1、分级课程体系
2、互动式学习模块（单词记忆、语法练习、口语跟读、听力训练）
3、学习进度追踪功能
4、支持用户注册登录
5、个性化学习路径推荐
6、社区交流及成就激励系统

可以看到，AI 已经生成了每个阶段的文档。我们可以点开查看，确认无误后，再让它开始执行。

语音功能，帮你理清思绪

很多高价值需求的起点，往往不是一条清晰的 Prompt，而是一段混乱的口述。

人的思考有时就是不够全面，如果直接把这种需求转成 Prompt，很容易丢失细节。

更好的方式是用语音先讨论，让 TRAE Work 帮你把问题拆开：用户是谁、核心场景是什么、输入从哪来、输出给谁看、哪些信息必须有、哪些只是锦上添花。

如果不确定自己的最终需求，或者需求还不够明确，不妨让 AI 反向对你追问。

你可以直接对它说：

先直接产出最终的结论，可以把我刚说的内容整理一份需求假设、待确认问题和可能方案。

用 Rules / Memory / Skill 沉淀标准工作流

临时的 Prompt 能解决一次问题，但不够稳定。

真正的做法，是把那些日常高频的工作，沉淀成可复用的规则、记忆和技能。

Rules 用来固定硬约束。比如代码项目里的技术栈、命名风格、测试要求；文档项目里的语气、结构、禁用词；设计项目里的组件规范、间距规则、品牌风格。这些内容不必每次重复说。

Memory 用来保存长期偏好。比如你喜欢先给结论再给依据，公众号文章不要过度标题党，代码修改必须说明风险点，方案文档要明确 owner 和 deadline。Memory 适合保存「以后也会用到」的协作偏好。

Skill 用来封装专业流程。它是给 AI 使用的“专业能力说明书”，定义任务的场景、执行需要遵循的要求和步骤。

一个基础的 SKILL.md 通常包含名称、描述、使用场景、执行指令和示例。

---
name: 技能名称
description: 简要描述这个技能的功能和使用场景
---
# 技能名称

## 描述
说明这个技能的作用。

## 使用场景
说明什么时候应该触发这个技能。

## 指令
清晰地告诉智能体应该按什么步骤完成任务。

## 示例（可选）
给出输入 / 输出示例，帮助智能体理解预期效果。

判断一件工作是否值得沉淀，可以问自己几个问题

• 是否高频重复？

• 是否每次都要解释同一批要求？

• 是否流程比较固定？

• 是否经验可以团队共享？

满足其一，就可以尝试从 Prompt 升级为规则、技能或命令。

配置自动化工作流，减少重复工作

凡是固定时间、固定逻辑、固定产出的工作，都应该考虑自动化。

比如日报、周报、竞品动态、代码仓库巡检、舆情摘要、数据异常提醒、待办汇总等等。

可以先从小型自动任务开始尝试，确认结果输出稳定后，再逐步增加判断逻辑和分发动作。

例如：

竞品监控可以先从「每周一上午汇总三个竞品官网和公开更新」开始，输出功能变化、市场动作、可能影响和建议跟进行动。

自动化的边界也要写清楚：

• 哪些内容可以直接生成

• 哪些必须标记为待确认

• 哪些情况要提醒人工介入

AI 最适合承担重复收集、整理和初步判断，关键决策仍应留给人。

灵活配置自定义模型

如果不想用内置模型，或者觉得高峰期排队影响效率，TRAE Work 也支持配置自定义模型。

填入你自己的模型服务商和 API Key 就能接入。

很多人可能还不知道，现在它已经支持自定义上下文窗口，可以按需调大，处理长文档、大型仓库时的上下文容量不再受默认限制。

多端协同，移动端随时查看和下发任务

无论身在何处，都可以通过 TRAE Work 移动版，选择目标设备和工作路径，向远程环境发送任务。

系统会在对应环境中自动启动智能体来执行指令，同时你可以在手机端随时查看任务进度、获取结果，实现跨设备的高效任务管理。

你可以：

• 【下发任务】 直接通过手机下发任务，实时查看进度，确认执行事项。

• 【检查任务】 不在电脑旁时，查看正在执行的任务进度，确认产物。

在设置后台进行配置即可

写在最后

以上 8 个基础技巧，不是让你记住更多功能入口。

而是帮你把 TRAE Work 从 “一个更聪明的聊天框” ，逐步变成 “一个可以持续协作的工作伙伴” 。

真正用好 TRAE Work 的关键，是让 AI 更早进入你的工作流，同时让人始终掌握方向、判断和最终决策权。

当这套协作方式跑顺了之后，很多原本零散、重复、容易中断的工作，就会变得清晰起来，也更容易被持续推进。

期待你的体验！