告别繁琐指令，Trae CLI 让大模型 Agent 成为你的开发副手

在 AI Agent 的浪潮中，命令行工具正成为提升开发效率的关键抓手。今天要给大家介绍的 Trae CLI，是字节跳动开源的 Trae Agent 项目核心组件，它以自然语言为桥梁，将复杂的软件工程任务拆解为可执行流程，让开发者在终端中就能驱动大模型完成代码编写、调试、重构等全流程工作，真正实现 “一句话搞定开发任务”。

一、Trae CLI 是什么？

Trae CLI 是一款基于大语言模型（LLM）的命令行工具，隶属于字节跳动 Trae Agent 项目，专为通用软件工程任务设计。它打破了传统开发中 “手动写脚本、反复调试” 的繁琐模式，支持自然语言指令输入，可调用 bash 执行、文件编辑、顺序思考等多种工具，兼容 OpenAI、Anthropic、Google Gemini、本地 LLM 等主流模型提供商，同时支持 YAML/JSON 配置与环境变量，兼顾灵活性与易用性。

简单来说，它就是你的 “终端开发助手”—— 不用打开复杂编辑器，在命令行里输入 “为项目添加错误处理功能”“重构数据库模块”，它就能自动拆解任务、调用工具、生成代码并执行，全程可视化追踪，让开发更高效、更轻松。

二、核心功能与亮点

1. 多模型无缝兼容

无需绑定单一模型，可灵活切换不同提供商的模型，满足不同场景的性能与成本需求：

• 云端模型：支持 OpenAI（gpt-4o）、Anthropic（claude-sonnet-4）、Google Gemini、Doubao 等，直接通过 API 调用；
• 本地模型：集成 Ollama，可部署 deepseek-coder、qwen3 等本地模型，保护代码隐私；
• 自定义配置：通过 YAML 文件指定模型、最大 token 数、温度系数等参数，适配个性化需求。

2. 丰富工具生态，覆盖全流程

内置十余种开发工具，覆盖从需求到上线的核心环节，无需额外安装插件：

表格

3. 交互与追踪双保障

• 交互式 REPL 模式：支持trae-cli interactive进入对话模式，可逐轮沟通细化需求，像聊天一样完成开发任务；
• 任务轨迹记录：自动生成 JSON 格式的执行轨迹，包含 LLM 交互、工具调用、步骤详情，方便回溯调试；
• 可视化进度：Lakeview 功能可提炼任务执行摘要，清晰展示每一步进展，避免 “黑盒操作”。

4. 灵活配置与扩展

• 配置优先级：命令行参数 > 配置文件 > 环境变量 > 默认值，适配不同使用场景；
• MCP 集成：支持 Model Context Protocol，可接入 Playwright 等第三方服务，拓展工具能力；
• 容器化运行：通过--docker-image参数指定镜像，隔离开发环境，避免依赖冲突。

三、快速上手：3 步安装与使用

1. 环境准备

• 系统：macOS/Linux/Windows；
• 依赖：Python 3.12+、Git、CMake、UV（Python 包管理工具）；
• 密钥：申请 OpenAI/Anthropic/Gemini 等模型的 API 密钥。

2. 安装步骤

方式一：源码安装（推荐，获取最新功能）

bash

运行

# 克隆仓库
git clone https://github.com/bytedance/trae-agent.git
cd trae-agent

# 安装依赖并激活虚拟环境
uv sync --all-extras
source .venv/bin/activate  # Linux/macOS
# Windows: .venv\Scripts\activate

方式二：快速安装（适合快速体验）

bash

运行

# macOS/Linux
sh -c "$(curl -L https://trae.cn/trae-cli/install.sh)" && export PATH=~/.local/bin:$PATH

# Windows PowerShell
irm https://trae.cn/trae-cli/install.ps1 | iex
```{insert\_element\_0\_}

### 3. 配置与使用
#### 第一步：配置模型密钥
复制示例配置文件并编辑：
```bash
cp trae_config.yaml.example trae_config.yaml
# 编辑trae_config.yaml，填入API密钥

示例配置（以 OpenAI 为例）：

yaml

agents:
  trae_agent:
    enable_lakeview: true
    model: trae_agent_model
    max_steps: 200
    tools: [bash, str_replace_based_edit_tool, sequentialthinking, task_done]

model_providers:
  openai:
    api_key: "sk-xxx"  # 替换为你的OpenAI API密钥
    provider: "openai"
    base_url: "https://api.openai.com/v1"

models:
  trae_agent_model:
    model_provider: "openai"
    model: "gpt-4o"
    max_tokens: 4096
    temperature: 0.7

第二步：执行任务

bash

运行

# 1. 简单任务：生成Python脚本
trae-cli run "创建一个hello world Python脚本，打印'Hello Trae CLI'"

# 2. 项目任务：进入项目目录后执行
cd your-project
trae-cli run "为utils模块添加单元测试" --working-dir ./  # 指定工作目录

# 3. 交互式对话：逐轮细化需求
trae-cli interactive
# 输入：解释这个项目的架构
# 输入：优化数据库查询逻辑

第三步：进阶用法

bash

运行

# 查看配置
trae-cli show-config

# 保存执行轨迹（用于调试）
trae-cli run "修复认证模块bug" --trajectory-file debug.json

# 容器化运行
trae-cli run "安装项目依赖" --docker-image python:3.11

四、实用场景示例

场景 1：快速原型开发

需求：10 分钟内搭建一个 FastAPI 用户管理服务

bash

运行

trae-cli run -w ./fastapi-demo "创建FastAPI应用，包含用户CRUD接口（创建、查询、更新、删除），使用SQLite数据库，自动生成API文档"

效果：自动生成项目结构、数据库模型、接口代码，启动后可直接访问http://localhost:8000/docs测试接口。

场景 2：代码重构与优化

需求：重构现有项目的日志模块，统一日志格式、添加级别控制

bash

运行

trae-cli run "重构项目中的日志模块，使用logging模块，支持INFO/DEBUG/ERROR级别，输出格式为'时间-级别-信息'，兼容Windows和Linux系统"

效果：自动遍历项目文件，修改所有日志调用逻辑，生成优化后的模块并备份原文件。

场景 3：自动化测试生成

需求：为核心算法添加单元测试，覆盖边界情况

bash

运行

trae-cli run "为algorithm.py中的sort函数生成单元测试，使用pytest框架，覆盖空列表、重复元素、逆序排列等边界场景"

效果：自动生成测试用例，执行pytest验证测试通过，确保代码质量。

五、与同类工具的对比优势

表格

六、总结与使用建议

Trae CLI 以 “自然语言驱动开发” 为核心，完美契合全栈开发者、AI Agent 爱好者、团队协作场景的需求，既能提升个人开发效率，也能融入团队自动化工作流。

使用建议

1. 新手优先选择源码安装，可及时获取最新功能与 bug 修复；
2. 敏感项目优先使用本地模型（如 Ollama），避免代码隐私泄露；
3. 复杂任务建议使用交互式模式，逐轮沟通需求，避免指令偏差；
4. 善用轨迹记录功能，任务失败时快速定位问题。

目前 Trae CLI 仍在快速迭代中，欢迎通过 GitHub 提交 Issue 或参与贡献，共同完善工具生态。

资源链接

• 官方 GitHub 仓库：https://github.com/bytedance/trae-agent
• 官方文档：https://trae.ai/docs
• 快速安装脚本：https://trae.cn/trae-cli/install.sh