一年 200 次更新，字節 TRAE 如何拿下全球 600 萬開發者

2025 年末的 AI 編程圈，分別來自中美 AI IDE 第一玩家的兩條最新消息，為本就熱鬧的市場再添一把新柴。

12 月 26 日，字節跳動旗下 AI 編碼工具 TRAE 發布了首份年度報告，并在其中披露：發布不到一年，TRAE 共計為全球用戶生成近 1000 億行代碼，處理了 5 億條開發查詢。其全球累計用戶數量已經突破 600 萬，覆蓋近 200 個國家和地區，月活攀升至 160 萬。

這是什么概念呢？開源項目分析機構 OpenDigger 做過一個統計，全球 GitHub 活躍開發者總量為 7700 萬。基于這個數據，換算一下的話，全球每 13 個開發者中，就有 1 個正在使用 TRAE

更關鍵的是增長勢能與用戶粘性，近半年 TRAE Token 消耗量暴漲 700%，6000 名核心用戶全年使用天數超 200 天，國際版付費用戶更是實現自然周全勤。

幾乎在同一時間，同賽道的另一匹黑馬 Cursor 傳來融資捷報：11 月 14 日，Cursor 母公司 Anysphere 完成 23 億美元融資，估值飆升至 293 億美金，這一數字超過了國內大模型六小虎的估值總和

然而，就在一年前，行業對 AI IDE 的評價還充滿鄙夷：魔改 VS Code+套殼大模型、只能哄騙沒開發經驗的小白、生產環境沒法用……類似的嘲諷在技術社區隨處可見。

短短一年，口碑兩級逆轉背后，行業到底發生了什么？

通過復盤 TRAE 2025 年累計超 200 次的迭代細節，我們發現，這場質變的答案，就藏在性能、全能、智能，這三個行業關鍵詞中。

01

性能：AI Coding 落地生產的基石

2025 年，當整個大模型產業的主題，從前一年的百模大戰快進到AI IDE 井噴，市場的關注重點，也從是否具備某種能力的選擇題，升級成為了用戶體驗如何的應用題。

性能正是 AI IDE 逆襲的核心邏輯之一。

TRAE 年度報告中的數據給出了佐證：6 月至今，TRAE 的補全延遲降低 60%+，客戶端首 Token 耗時降幅達 86%；9 月以來，TRAE 首次構建耗時減少 70%+，非首次構建耗時減少 80%；穩定性層面，TRAE 的 MacOS 崩潰閃退率降至 0.43%，Windows 系統降至 0.71%，補全成功率和會話成功率均提升至 99%+，面板進入成功率更是高達 99.93%。

當然，這些工程層面的優化，往往不是各種榜單測評中的重點，但對開發者的實際體驗卻至關重要：

這意味著他們可以不再因等待補全中斷思路，也無需因工具閃退重復勞動；也同時意味著，AI 編程工具的可用性與穩定性，已經跨過了從 demo 到生產環境的關鍵一步

字節內部的實戰正是最好的證明：據了解，字節內部 92% 的工程師在都使用 TRAE 加速開發進度；其中，抖音生活服務在 DevOps 全鏈路中接入 TRAE 后，AI 的代碼貢獻總量占比達 43%，約等于提升近一倍的人效比。

但性能的提升只是落地生產的第一步，如何打造完整的開發體驗，才是今年下半年以來行業的關鍵賽點。

02

全能：全流程開發的全鏈路打通

性能達標后，今年下半年起，AI 編程工具的競爭就從代碼補全、檢索等單點任務，升級至全流程覆蓋的完整解決方案。

這場競賽中，Cursor 和 TRAE 的迭代路徑極具代表性。

2025 年 10 月，Cursor 正式發布 2.0 版本，宣布支持多模型并行執行、內置瀏覽器代碼測試及語音轉碼功能，目標直指全流程開發。

而 TRAE 的布局更早：7 月從 1.0 階段（插件+IDE）升級到 2.0 階段（SOLO Beta），集成編輯器、終端、瀏覽器等多工具視圖，打通從需求構思到代碼落地的完整鏈路；11 月再推 3.0 階段 SOLO 正式版，主打「The Responsive Coding Agent」，完成從工具集成到智能協同的升級。

體現在產品設計上，截止如今，TRAE 的 IDE 模式，其核心支撐體系包含智能體、MCP（模型上下文協議）、上下文管理、Cue 四大模塊，SOLO 模式在此基礎上又進一步強化了對話流、工具面板和上下文管理能力。

其中，值得一提的是，SOLO 模式中的 SOLO Builder 可直接處理 PRD、技術架構文檔，并集成了 Figma、Supabase、Stripe、Vercel 等主流工具。而這也意味著，AI 編程軟件有了覆蓋完整開發的全流程，在連續、多輪、更復雜的項目中承擔了更多實質性工作的能力。

支撐這種全能性的，則是行業在上下文管理和工具調用能力上的突破，這也是企業級用戶選擇專業 AI IDE 而非原始大模型的核心原因。

先看超長上下文管理能力。企業級項目對歷史代碼的調用、復用程度極高，部分大型項目復用率甚至超過 80%，但海量代碼的處理的是大模型的天然短板。

以 Google Chrome 瀏覽器為例，其代碼量達數百萬行，按每行代碼 5-10 個 Token 計算，完整加載需上千萬 Token，遠超當前大模型 20 萬 Token 左右的普遍上下文窗口。

專業的 AI IDE 則能夠針對這一問題，通過引入向量數據庫構建 RAG，或者對歷史內容進行修剪、分類、優化、壓縮等操作，進行上下文管理，從而保證海量代碼搜得到的同時，也不會產生過長的上下文，撐爆大模型。

比如 TRAE SOLO 的解決方案就是同時引入以上兩種模式，既支持一次檢索 10 萬個代碼文件，通過索引構建實現全倉庫的上下文覆蓋，讓龐大項目的開發不再受限于模型上下文窗口的局限；同時也推出了智能壓縮機制，當上下文超過窗口限制時，可以自動壓縮，也允許用戶手動觸發壓縮，釋放上下文資源，提升模型輸出效果。

除此之外，考慮到實踐中的上下文類型的多樣化，TRAE 還支持 10 余種上下文類型的添加，包括#file（文件）、#folder（文件夾）、#doc（文檔）、#code（代碼）、#figma（設計稿）、#image（圖片）等。

如果說更強的上下文檢索與更強的大模型，讓模型可以深入大型、企業級項目的開發；那么工具使用能力的進化則帶來了更好的四肢，支撐起 AI c 編程軟件在企業級項目中的全流程覆蓋。

TRAE 目前支持的 MCP，涵蓋瀏覽器自動化（Chrome DevTools、Playwright）、AI 輔助推理（Sequential Thinking）、系統工具（文件管理、命令執行）、專業工具（IDA Pro 反匯編、Supabase 數據庫操作）等多個品類，總數量達 1.1 萬個。

借助以上海量工具的接入，企業真正實現了項目不同開發環節在同一流水線上的高效、無損對接：比如，集成 Figma 實現了設計稿直接轉代碼，解決了前端開發中設計與開發的銜接痛點；集成 Supabase 打通了數據庫操作鏈路，無需切換工具即可完成數據層開發；Stripe 的集成則讓支付功能開發無需重復對接第三方接口；Vercel 的接入則實現了代碼編寫與部署的即時聯動。

體現在實際項目中，就是過去開發一個帶支付功能的 H5，企業要在設計工具、編輯器、數據庫工具、部署平臺間反復切換，現在用 TRAE SOLO 模式，一個界面就能完成所有操作。

但問題是，專業項目中，AI 產出的代碼，我們真的能相信它嗎？

03

智能：如何實現 AI 自主能力與可控的平衡

一組有趣的對比是：進入今年十月以來，AI 編程賽道掀起了一股 Agent 熱：從開源代碼平臺 GitHub，到大模型玩家 OpenAI，再到主流 AI IDE 產品 Cursor 、TRAE 全數下場，試圖讓 AI 能夠自主理解開發目標、承接上下文并自主調度工具，獨立推進開發各階段任務。

TRAE SOLO 正式版，無疑是其中增長最為迅速的一個：數據顯示其國際版 SOLO 模式從 Beta 到正式版，用戶累計滲透率達 44%，問答規模暴漲 1300%。中國版 SOLO 上線后，每 10 位 TRAE 開發者中就有 3 位采用 SOLO，問答規模增長 7300%，用戶交互深度提升 74%。

但供給側的狂熱，與需求側的警惕形成對比：近期多家大廠陸續出臺 AI 編碼限制政策，泄密之外，AI 生成項目 BUG 過多成為核心顧慮。在實際生產中，AI 花兩分鐘生成的代碼，常常需要程序員用 20 分鐘 review，然后再花兩小時改 Bug。

對比背后，是 AI 編程的致命兩難：要如何在提升 AI 自主性的同時，保證代碼的可控性和可追溯性？

TRAE 的解法是將「結對編程」理念融入 AI 工具設計。

這一誕生于 XP 敏捷開發的概念，核心是兩個角色協同：駕駛員負責敲代碼、關注細節，導航員負責把握方向、發現問題。

TRAE SOLO 將這種模式升級：當用戶使用 SOLO Coder 智能體時，可以勾選「Plan」模式，AI 收到任務后不會直接寫代碼，而是先輸出詳細的開發計劃，開發者可以與 AI 反復溝通方案，明確開發階段、任務拆分和技術選型，直到達成共識再推進開發。

此外，在大型項目中，牽一發而動全身，如果 AI 生成的代碼不規范、黑盒過多，短期看似高效，實則將項目風險后置，形成技術債務雪球越滾越大，且難以修復。

因此，Reddit 上一度流行一個段子：本來代碼寫出來只有作者和上帝能看懂，用了 AI coding 之后，就只剩上帝能看懂了。

針對大型項目這種對標準化的更高需求，TRAE 推出了自定義智能體功能。開發者可以根據項目的開發規范、流程要求，創建專屬智能體，讓 AI 生成的代碼天然符合團隊的編碼習慣和質量標準。

數據顯示，TRAE 中國版 57% 的用戶會使用多于一種智能體，國際版 84% 的用戶會使用多于一種智能體。TRAE 累計成功創建/編輯的自定義智能體達 36.5 萬個。

04

結尾

過去一年多，關于 AI 編程，行業一直有一個疑問：當大模型的能力已經足夠強大，甚至能直接通過對話生成代碼時，我們為何還需要專門的 AI IDE 軟件？

前 a16z 合伙人 Benedict Evans 在近期做客老東家播客時，給出了答案：當你與空白的原始聊天機器人對話時，你的提問不僅要說明想要什么，還要包含實現這件事的所有細節。

換而言之，好的產品是能力與經驗的封裝，最終交付給用戶的是解決方案，大模型只是被封裝的內容之一。而用戶打磨實現細節、交付完整解決方案。

從這個角度來說，TRAE 本質上是字節的先進代碼開發經驗，以及大模型能力的深度封裝。

而位列國產 AI IDE 第一的 TRAE，其本質，正是一個「偽裝」成 AI IDE 形態的字節能力全家桶 RAR。