AI工具篇：Cursor平替——字节跳动开发的全能助手Trae（附案例演示）

Trae是字节跳动推出的AI编程工具，，真正的AI工程师。核心功能亮点：• 国际版深度集成Claude-3.7-Sonnet（免费！）/国内支持DeepSeek-R1和Doubao-1.5• 支持自然语言生成/解释代码/build功能（类似Cursor的compose）• 内置知识库问答功能• 跨平台支持Windows/macOS由于”你懂的“原因，字节的Trae也分为国内版和国际版两个版本。国内

再不会python就不礼貌了

4577人浏览 · 2025-04-01 10:02:09

再不会python就不礼貌了 · 2025-04-01 10:02:09 发布

前言

自动编程工具Cursor已经大火，但这个赛道才刚刚起步，国内外有通义灵码、Windsurf、Cline等等竞品。半个月前字节跳动也推出了自家研发的IDE工具Trae，那非程序员用Trae能解决什么问题：

\1. 数据处理，比如大数据量的excel/csv文件
\2. 重复性的工作
\3. 复杂的计算和绘图事项
\4. 当做简单的知识库对话工具

Trae简介

Trae是字节跳动推出的AI编程工具，The Real AI Engineer，真正的AI工程师。

核心功能亮点：

• 国际版深度集成Claude-3.7-Sonnet（免费！）/国内支持DeepSeek-R1和Doubao-1.5
• 支持自然语言生成/解释代码/build功能（类似Cursor的compose）
• 内置知识库问答功能
• 跨平台支持Windows/macOS

由于”你懂的“原因，字节的Trae也分为国内版和国际版两个版本。

国内版：https://www.trae.com.cn

国际版：https://www.trae.ai

以下演示均基于国际版。

1、用自然语言对话做数据处理

我拿到原始文件看了一下，原本是80个excel，合并成了一个5G的大csv文件，有612万行，excel根本没法完整读取。

如果没有AI工具，需要自己用python的pandas库写代码来操作，对于非熟练工来说，费事费劲，有了Trae类工具，几分钟就可以搞定（当然需要懂一点调试代码的技巧）。

生成代码如下：

import pandas as pd
from datetime import datetime
import os
import glob
# 处理清单文件夹下的所有文件
defprocess_folder():
folder_path = '/Users/phantasy/Downloads/清单'
output_folder = '/Users/phantasy/Downloads/清单_处理后'
# 确保输出文件夹存在
ifnot os.path.exists(output_folder):
os.makedirs(output_folder)
# 获取文件夹中所有CSV文件
csv_files = glob.glob(os.path.join(folder_path, '*.csv'))
ifnot csv_files:
print(f"警告: 在 {folder_path} 中没有找到CSV文件")
return
print(f"找到 {len(csv_files)} 个CSV文件需要处理")
for file_path in csv_files:
file_name = os.path.basename(file_path)
output_path = os.path.join(output_folder, file_name) # 保持原文件名
print(f"\n处理文件: {file_name}")
# 读取CSV文件
df = pd.read_csv(file_path)
print(f"原始数据行数: {len(df)}")
# 1. 删除到期日期晚于2024年12月31日的记录
cutoff_date = pd.to_datetime('2024-12-31')
# 确保O列的日期格式正确
df['到期日期'] = pd.to_datetime(df.iloc[:, 14], errors='coerce')
before_count = len(df)
df = df[~(df['到期日期'] > cutoff_date)]
after_count = len(df)
print(f"删除到期日期晚于2024年12月31日后的行数: {after_count} (删除了 {before_count - after_count} 行)")
# 2. 只保留特定主体的记录 - 使用正确的完整名称
valid_entities = ['x公司', 'xx公司', 'xxx公司']
before_count = len(df)
df = df[df.iloc[:, 30].isin(valid_entities)]
after_count = len(df)
print(f"只保留特定主体后的行数: {after_count} (删除了 {before_count - after_count} 行)")
# 3. 删除AG、AH、AI、AJ四列
# 这些列的索引分别是32, 33, 34, 35
iflen(df.columns) > 35:
df = df.drop(df.columns[[32, 33, 34, 35]], axis=1)
else:
print(f"警告: 列数不足，当前只有 {len(df.columns)} 列")
# 保存处理后的文件 - 使用UTF-8编码
df.to_csv(output_path, index=False, encoding='utf-8-sig')
print(f"文件处理完成，已保存至: {output_path}，共 {len(df)} 行数据")
print(f"\n清单文件夹处理完成！")

2、计算和画图

问题：有一个产品，期间发生了多次申赎，一般展示的净值是时间加权的，而我想考虑资金进出因素回溯一个资金加权的净值表现，该怎么做？

先解释一下TWR和MWR两个概念：

时间加权（Time - Weighted Return，TWR）和资金加权（Money - Weighted Return，MWR）是衡量投资回报率的两种不同方法，适用于不同场景。

1. 时间加权回报率（TWR）

• 定义：忽略投资者在期间的资金流入/流出，仅反映投资组合本身的收益率。
• 用途：常用于评估基金经理或投资策略的表现，因为它排除了投资者资金流动的干扰。
• 计算逻辑：将投资期分成若干子期间（每次资金流动前后），分别计算每个子期间的收益率，再通过几何平均连接起来。
• 特点：
- • 不受投资者追加或赎回资金的影响，纯粹反映投资能力。
- • 适合比较不同基金经理的表现。

2. 资金加权回报率（MWR）

• 定义：考虑投资者在期间的资金流入/流出时间，反映投资者实际获得的回报。
• 用途：适合评估个人投资者的实际收益，因为它受资金投入时机的影响。
• 计算逻辑：本质是计算内部收益率（IRR），即让现金流的现值等于终值的折现率。
• 特点：
- • 如果投资者在市场低点追加资金，MWR会高于TWR；反之亦然。
- • 反映投资者实际体验的回报，但受个人操作影响大。

维度	时间加权（TWR）	资金加权（MWR）
核心	投资组合本身的收益能力	投资者实际获得的收益
现金流影响	忽略	考虑
适用场景	评估基金经理、策略	评估个人投资结果
计算复杂度	简单（分段计算）	复杂（需解方程）

生成的图表如下：

Trae也支持图片问答。

比如我把上述的净值走势图丢给他，让他帮我进行客观评价：

结论：

除了画曲线图之外，Claude还擅长绘画各式各样的图表，包括SVG卡片，层级结构等等，后续有机会慢慢试验填坑。

3、当作本地知识库使用

本地知识库的这个话题比较大，我也综合比较过anythingLLM、Cherry studio、Dify等工具，整体来说，本地模型无论是数据处理和embedding的能力都比较差，效果一般，我目前选择的是obsidian+copilot插件的方案（这个坑比较大，有空再填）。

但，得益于Trae内置了强大的上下文管理和文件读取能力，除了用它编写、理解整体代码项目外，用户其实可以把它当做一个全能的AI助手使用，非常适合用来管理文档或个人知识库。

比如结合Obsidan，做本地知识库管理：让Trae读取整个知识库的目录，进行对话问答。

（图片来源于：机器之心）

或者让Trae基于本地的文件参考，生成新的内容：

省去了自己搭建RAG工具的烦恼。

官方文档：https://docs.trae.ai/docs/context?_lang=zh

本地知识库的核心不在于工具，而在于本地的内容。

工具会越来越丰富，越来越强大，素材本身以及如何把过去囤积的素材进行加工是对于想做知识库的人需要思考的问题。

目前也有一些工具来针对这方面做优化，比如说MinerU，可以把PDF识别成markdown文件。

Markdown是一种轻量级标记语言，用简单符号（如#、*）就能实现标题、列表等排版，其优势在于：

\1. 纯文本格式：长期可读，不依赖特定软件

\2. 结构化与简洁：既保持可读性，又能通过语法实现内容分层

\3. 跨平台解析：几乎所有笔记/开发工具都原生支持

\4. 版本控制友好：diff对比清晰，适合Git管理

这也是为什么obsidian等markdown原生软件非常适合在未来用于做文档管理的原因。