Trae 的免費 AI IDE 正式全面支援 MCP Server，並把 ⁣Chad 與 Builder 融為一體，讓上下文在同一對話中完成規劃、建構與執行。除了自訂智能體、還能同時使用多種模型（GPT-4.1、Claude⁤ 3.7、Gemini ‍等），更整合網路搜尋、檔案抓取與自動輸出規格、Todo、Readme 的能力，為 AI 開發與文件產出提供一條龍的工作流程，讓開發效率與協作規範同時提升。

在影片中，凱文大叔以實測為證，展示 Trae 改版的核心價值：先用 Chat 規劃再切換 Builder 執行，讓整個專案的上下文保持一致；可自定義 Agent，支援多種角色與 MCP Server，並新增 debug 模式協助除錯；還具備直接上網搜尋與讀圖能力，能把設計稿轉化為可執行的程式與文件，讓未來科技革新更近、更快落地。

文章目錄

• Trae 大升級帶來統一工作流程 與 Chad 與 Builder 的整合與 ‍MCP Server 的核心價值
• 自訂智能體與多元上下文的實作全景 如何定義 Agent 選擇 MCP 並建立網路與檔案搜尋能力
• 模型生態的取捨與實戰建議 從可讀圖片的能力到上下文長度的差異
• 從規則到產出 全局與專案規則如何推動規格 ⁢Todo 與 Readme 的自動化生長
• 實務整合與最佳化 策略 包含網路搜尋 路由規則 多使用者設定 與 Windows 環境的注意事項
• 常見問答
• 重點複習

Trae 大升級帶來統一工作流程 與 Chad 與 Builder 的整合與⁣ MCP Server 的核心價值

凱文大叔實測 Trae 的新版本，認為「Trae 大升級」帶來三大變革：統一工作流程、chad 與 Builder 的整合，以及 MCP Server 的核心價值。這些改變讓 AI Coding‍ 的開發體驗更連貫且具擴充性。

• 統一上下文與工作流程，規劃、設計、寫程式皆在同一環境完成。
• 在同一對話中切換角色，無需分開管理 Chad/Builder 的對話。
• 自動除錯與 Debug 模式提升除錯效率，快速定位問題。
• 自訂智能體（Agent）的能力大幅成長，突破只限於 Chad 與 Builder 的限制。
• MCP Server帶來多源上下文與網路整合，讓模型能直接查詢與獲取外部資料。

在「自訂智能體與 MCP 的核心價值」部分，凱文大叔認為這是最具顛覆性的進展。

• 自定義 Agent的彈性，能根據需求定義用途（找檔案、純聊天、網路搜尋等），不再侷限於 Chad/Builder。
• 多源上下文：透過 MCP Server 擴充到檔案、網路、即時資料與網頁資料。
• 原生的 網路搜尋與直接貼網址下載資訊，讓專案能快速取得最新規格與資料。
• 支援 圖像上下文，讓設計圖與圖像內容直接影響程式與規格的生成。
• 支援多種 模型與推理引擎：GPT-4.1、Claude 3.7、Gemini 2.5 Pro 等等，並可根據需求切換使用。

在整合與工作流層面，Trae 把 Chad 與 Builder 的協作提升到新的高度。

• Chad 與 Builder 的整合，讓規劃與實作在同一個工作流內完成。
• 同一對話中完成「規劃 → 生成 → 編寫」的連續任務，減少跨工具跳轉。
• 介面沿用 VS Code 衍生的開發體驗，上手更直覺。
• 自動把規格轉為 ⁢ Todo 清單，再生成⁢ Readme，提高產出效率。
• 價值在於提升專案的一致性與可重用性，透過「單一對話」管理多角色任務。

在規則與專案管理方面，Trae 提供清晰的雙層規則機制與自動化產出。

• 分為 全域規則與 專案規則，適用於不同層級與情境。
• 規格、todo​ 與 Readme 的自動化產出，讓新專案快速落地。
• 專案規則可定義技術棧與依賴，例如前端/後端的框架與測試工具，細節一目了然。
• 系統會根據提示自動引導你寫出所需的規則內容，使用者只需按步就班。
• 未來可以將規則模組化，支援多專案並行與模組化開發。

實務層面的注意事項與展望，凱文大叔也給出實測經驗與建議。

• 目前在寫檔/產出內容時需要使用者確認，這是為了避免未審核就自動寫入，屬於安全設計的一部分。
• Windows 環境下的 NCP Market​ 效率與安裝，常需要透過命令列操作，避免 GUI 的限制與衝突。
• 模型選擇方面，GPT-4.1、Claude 3.7 ‍等都可直接使用，未來仍會加入更多 OpenAI ⁤推理模型。
• Trae 現在是免費支援、具備網路連結能力的 AI IDE，適合同時處理文件與程式專案。
• 實際應用場景包括用圖像指引設計與程式撰寫，提升工作效率與創新性。

自訂智能體與多元上下文的實作全景 如何定義 Agent 選擇 MCP 並建立網路與檔案搜尋能力

核心在於把‍ 自訂智能體、多元上下文與 MCP 伺服器 結合，讓你能在同一個對話中先規劃再落地，並同時建立網路與檔案搜尋能力。透過將 Chat 與 Builder 的上下文統一，你可以先用 ⁤Chat‍ 做全域規劃，接著再用 Builder 將專案逐步實作，資料在兩者之間自動無縫轉移，減少切換與重複設定的成本。這樣的實作全景，讓自訂智能體成為專案的核心工作流，而非單一工具的附屬功能。

如何定義 Agent 是實作的第一步。建議從以下方向著手：
• 選擇 Agent 類型：內建的 Chad（聊天）與 Builder（專案寫作）之外，還可加入 ASK（純聊天）、Debug（除錯模式）等，依需求組成多重角色。
• 指定要使用的 MCP 伺服器 與可啟用的 上下文來源，如網路搜尋、檔案搜尋、工作區內容等。
• 設定上下文能力：啟用 網路搜尋、檔案搜尋，並定義可存取的網站、檔案路徑與工作區範圍。
• 設定工作流與路由：為不同專案與使用者建立路由，配置全域規則、個人規則與專案規則，確保輸出與風格一致。
• 啟用 Debug ‌與測試：在開發階段開啟 Debug 模式，利用非直覺性的除錯技巧找出潛在 Bugs，確保穩定性再投入正式使用。

在多元上下文中建立網路與檔案搜尋能力，能讓 Agent 擁有「看網路、找檔案、讀資料、設計與實作」的整合能力。實作要點包括：
• 啟用 MCP 伺服器 的多源上下文，讓 agent 可同時接入網路、檔案與工作區內容，形成跨場景的知識庫。
• 使用網路上下文直接上網抓取規格與資料，必要時可貼上網址讓模型下載相關文件。
• 對特定任務建立「找檔案的 Agent」或「資料抓取的 Agent」，依不同需求定義其檔案類型、來源與優先順序。
• 圖像輸入與閱讀能力的差異：以 Claude 3.7、GPT-4.1 等模型為例，部分模型能直接讀取圖片，這在工程設計、規格圖與引用圖上尤為重要；其他模型如 DeepSeek、R1 等則可能不支援圖片讀取，需根據專案需求選型。
• 透過路由與規則管理，實現自動化的資料蒐集、整理與產出，讓網路與檔案的整合成為日常工作流程的一部分。

為了讓實作落地更順手，必須善用規則系統與上線流程。你可以在 全域規則、個人規則、以及 專案規則 三個層級中，逐步定義內容與流程：先寫明規格（spec）、再產出 Todo 清單、最後生成 Readme 與測試規則。當你建立專案規則時，系統會提示需要的框架版本、依賴、API 與 libary，協助你一次性把規則寫完整。實務上，這些規則會自動指引 Agent 產出符合專案需求的文件與測試，並在完成時以按鍵確認的方式進行檔案落地，雖然目前仍需要手動同意寫入檔案，但整個流程已極大地提高了自動化與可控性。這也是 Trae 新版本在 MCP Server 上的核心價值：讓自訂智能體能以可預測、可審核的方式，去上網、去找檔案、去寫程式與產出文件。

模型生態的取捨與實戰建議 從可讀圖片的能力到上下文長度的差異

本節聚焦於模型生態的取捨與實戰建議，從可讀圖片的能力到上下文長度的差異，幫你在眾多 AI⁣ IDE 與代理（Agent）中做出更符合專案需求的選擇。以 Trae⁤ 的 MCP Server 為核心，說明「Chad/Builder 的合一上下文」、「自訂智能體與多模態上下文來源」以及如何在實務專案中落地。以下重點可快速照顧到你在開發流程中的取捨與設計。

可讀圖片能力的差異方面，目前支援可讀取圖片的模型包含 GPT-4.1、Claude 3.7（含⁤ Cloud 3.7）與 ​Gemini​ 2.5 Pro 等，基本都能直接根據設計圖或截圖產生相應的程式與規格。相對地，DeepSeek、R1⁣ 等模型目前就不支援讀圖。實務上，若你的任務需要把「設計圖→規格/Todo→程式實作」串連，選擇具備多模態能力的模型能帶來顯著效率提升；而若你需要大量上下文內容或長文本的專案說明，則要考量上下文長度的差異。

上下文長度與整合工作流的實戰策略，Trae 將 Chad（規劃/對話）與 Builder（專案實作）合併在同一個對話入口，統一上下文後你可以先用 Chat 做規劃，再切到 Builder 實作而不必在兩端切換。自訂智能體（Agent）亦是核心，除了內建的 Chad/Builder，還可新增像 ASK、Debug、乃至第三方代理（如 roo Code 等）的不同角色。透過 MCP Server，你可以讓 Agent 直接上網查資料、下載規格，或以多元上下文來源（檔案、工作區、網路）提供資料，甚至把網址直接貼上請它下載查看。實務上，建議以「先規劃再落地」的流程，讓資料在 Chat 與 Builder 之間無縫流動。

規則設計與路由管控的實務要點，在這一代工具裡，規則分成「個人全域規則」與「專案規則」。建立個人規則相當於全域層面的寫作風格與變數命名等通用約束；專案規則則依專案需求分前端/後端、框架版本、相依套件等，讓專案走向更可控的開發流程。設定步驟通常包含：定義完成的規格（spec）、產出 Todo 清單、產出 README；同時可透過路由規則控制不同使用者與專案的寫作風格與輸出格式。你可以依需求逐步新增框架版本、依賴、測試工具等，系統會依照個人規則與專案規則自動引導你完成。

實務取捨與注意事項，目前 Trae 的一個限制是需要手動同意才寫入檔案，與 Cursor 或 Roo ⁣Code 的全自動流程相比稍顯不便；但這也是他用於降低自動化風險的設計之一。若你在‍ Windows 環境中使用 MCP⁣ Server，可能需透過命令列模式來安裝與配置，避免圖形介面限制造成執行失敗。就模型選擇而言，若你需要大量上下文與長度，建議同時混用支援長上下文的模型（如 GPT-4.1、Claude 3.7 ⁢的長文本版本）與具多模態能力的模型；在專案規則與路由設定完成後，實作與測試會變得更高效與穩定。最後，當你需要快速產出文件或規格時，使用具可讀圖片能力的模型能帶來最直接的效率提升。

從規則到產出 全局與專案規則如何推動規格 Todo 與​ Readme 的自動化生長

在 Trae 的 MCP 與全新智能體機制下，從「規則」到「產出」可以實現規格、Todo 與 ‌Readme 的自動化成長。核心在於分層的全局規則與專案規則共同塑造上下文，讓 Chat 的規劃、Builder 的落實，能在同一條對話中無縫切換且保持一致的風格與標準。

如何定義全局規則以推動自動化？首先設定全局的分析、Todo 清單與 Readme 模板，確保上/下文在所有專案中保持一致。具體做法包括：

• 分析與前置規範：在正式寫程式前先讓智能體做需求與資料結構分析，產出初步的 Spec 框架。
• Todo 產出模板：根據 spec 設計 Todo 清單的欄位與分解粒度，例如可交付項、子任務、完成標準。
• Readme 結構：定義 ‌Readme 的章節（專案背景、技術棧、安裝/設定、API、測試與部署指引、風格與約定）。
• 語言與風格：統一的寫作風格與變數命名規範，尤其在臺灣開發者常用的用語與術語。
• 上下文往返：讓‌ Chat 完成規劃後，Builder 直接承接並落地實作，避免分散在不同對話中。

接著是專案規則的設定。專案規則讓每個專案根據技術棧與需求擁有自己的限制與模板，讓自動化產出更貼近實務：

• 技術棧與框架版本：指定前端與後端使用的框架與版本，如 spring Boot、React、Vue 等，以及相依套件版本。
• 架構與依賴：列出必須的 API、資料庫、中介層等，以及禁用的技術或工具。
• 測試與驗證：指定單元測試、整合測試框架，以及測試案例撰寫的規範。
• 檔案與命名規範：設定專案中文件結構、命名慣例與範本檔案內容。
• 輸出與審核：由規則產生的 Spec、Todo 清單與 Readme，經過自動化管道再交由你確認與接受。

規則生效的工作流大致如下：全局規則先給出「規格分析→Todo清單→Readme 模板」的底稿，專案規則再針對技術細節做具體化。Agent 會依據這些輸入自動產出對應的 Spec、Todo、Readme，最終以 Readme 形式記錄於專案中。值得注意的是，像 trae 目前的執行過程仍需要你在寫入檔案時進行手動同意才會落地，這是出於安全與資料控制的設計；長期看，這部分會隨著版本穩定而逐步自動化提升。

實務建議與重點小結：

• 在全球層面建立清晰的規範模板，避免專案間規格混亂。
• 以「分析-Todo-Readme」的流程作為首要工作流，確保輸出物的一致性與可追蹤性。
• 利用 MCP 的輸入通道連網獲取最新規範與範例，讓規則更具時效性與實用性。
• 把專案規則拆成前端與後端兩個清晰的檔案結構，降低複雜度並提升自動化的正確性。

實務整合與最佳化 策略 ⁣包含網路搜尋 ⁤路由規則 多使用者設定 與 Windows 環境的注意事項

實務整合與最佳化的要點，聚焦在「網路搜尋、路由規則、多使用者設定」與「Windows 環境的注意事項」。根據凱文大叔的實測，MCP Server 的多元上下文與上網能力讓 Chat 與 Builder 的規劃與實作得以在同一個流程中完成；自訂的 智能體(agent) 與支援上網查詢的能力，讓專案在不切換工具的情況下就能取得最新資訊。以下策略可協助你在實務中快速落地並產出可維護的成果。

• 網路搜尋與資料來源策略：啟用 MCP ​Server 的網路搜尋能力，讓 Agent 能在需要時自動查找最新的規格與文檔；直接貼網址或下載 Spec 作為參考，並建立資料來源白名單以維護時效性與可信度。
• 統一的上下文流：在規劃階段先用 Chat 定義需求，再切換到 Builder⁣ 進行實作，確保資料與上下文在整個專案中保持一致，避免反覆切換造成遺漏。
• 實作語境與來源管理：當上網取得新資訊時，將其與專案的 spec/Todo/Readme 產出流程綁定，讓知識來源可追溯、版本可控。

此外，路由規則與規範設定是關鍵的實務要點。凱文大叔指出，Trae 目前提供的「全域規則、個人規則與專案規則」可以分層管理，避免混亂。高層次以全域規則固定寫作風格與變數命名規範，專案層再細分框架版本、依賴、API 與 Library；個人層則針對個人偏好或特定任務進行微調。透過這些規則，自動產出規格（spec）、待辦清單（Todo List）、Readme 與測試範例，整個研發流程更具一致性與可追蹤性。實務上，在規則設定完成後，只需按「下一步」即可讓系統依規則落地，但需注意其寫入檔案的動作需由使用者確認才能完成。

• 全域規則：確立整體風格、命名慣例與核心流程，適用於所有專案。
• 專案規則：根據專案特性（前端、後端、語言與框架）定義依賴、API 與測試框架等細節。
• 個人規則：對個人工作流程與偏好進行微調，提升日常效率與一致性。
• 產出內容：規格、todo、Readme、測試範例的自動化生成，減少重複性工作。

多使用者設定與協作方面，建議針對不同使用者建立獨立的路由與資料來源，實作工作區隔離，避免跨人作業時的衝突。以此方式，團隊成員可以各自維護自己的規則模板與偏好，同時在專案層面共享統一的規範，提升協作效率與品質穩定性。凱文大叔也提醒，使用者端的設定與審核流程在實務中相當重要，即使功能強大，仍需透過清晰的審核機制確保輸出的一致性與正確性。

Windows 環境的注意事項方面，現階段新版本在 Windows 上的操作需透過 Command 模式完成，某些 GUI 自動化流程可能無法直接執行，因此需改以命令列方式進行設定與安裝。遇到路徑與權限的限制時，建議以系統管理員身分開啟終端、確保相關指令可在 PATH 中呼叫，並遵循官方文件的命令步驟逐步落地。此為目前在 Windows 環境中最實際的風險與對策，掌握後即可穩定地在本機完成整合與測試。凱文大叔的經驗也顯示，若能把網路查詢、規則建立與多使用者設定分工明確，Windows 的限制就能被有效降低。

常見問答

🧠 如何自訂智能體（Agent）以及為何要這樣做？

你可以依照任務需求自定義智能體（Agent），打破僅有 Chad 與 Builder 的限制。 Trae 目前支援自訂 Agent，除了原本的 Chad/Builder，還可透過 MCP Server⁤ 定義適用於特定任務的 Agent，如找檔案的 Agent 或純聊天的 ASK，以及專門用於除錯的 Debug 模式，並能讓 Agent 直接上網查詢資料。這樣的設計讓同一個對話中可切換不同角色，先規劃再實作，提升跨任務的協同與生產力。不過寫檔時需要手動同意才能實際寫入，這點在自動化流程中需要注意。

🚀 MCP Server 的重點與對開發流程的影響？

MCP Server 讓你為不同任務定義可互通的上下文與外部資源，極大提升開發流程的靈活性與自動化。它支援自行選用的 MCP、建立多元上下文來源（文件、網頁、直接網路搜尋、圖片等），並能透過網路取得 Spec 等資料；同時可設定路由與全局/專案規則，定義程式風格與變數命名等，讓專案自動產出 Spec、Todo、Readme 等產物。此外，市場化支援（NCP/MCP 市場）讓你快速安裝與整合外部模組，雖然在 Windows 環境下仍需透過命令列執行進行安裝，但整體生態顯著提升了擴充性與開發效率。

🌐 如何利用多元上下文與網路搜尋提升專案自動化？

它允許直接透過網路搜尋與網頁／檔案內容的上下文來推動專案自動化，並可貼網址讓系統直接下載相關規格或資料。並且支援直接讀取圖像以協助設計與實作（多種模型如 GPT-4.1、Claude 3.7、Gemini 2.5 Pro 等均可讀圖），讓你依設計稿自動產生程式碼與規格。再加上全局與專案級規則，能自動產生 Spec、Todo、Readme 與測試框架等規範，讓專案流程更一致、更高效。這些規則會指引你如何定義框架版本、依賴、測試工具等，開發過程因此更具自動化與可控性。

重點複習

結語：Trae 的新改版把 AI IDE 的開發流程再度提升。核心在於把 ⁣Chat 與 Builder 合併，統一上下文，讓前期規劃完成後即可順暢切入實作；同時引入自訂智能體，讓使用者可以打造專屬 AI 助手，提升工作效率。MCP Server 的加入，讓 AI 能跨網路查詢、存取資料並與市場連結，並支援多源上下文（文件、網頁、直接上網取用內容），大幅拓展了可處理的場景。再加上路由與規則系統、全局與專案層級的設定，以及對圖片與多模態的支援，Trae 已成為端到端的 AI 程式開發解決方案。透過這些變革，使用者可以在單一對話中完成規劃、資源整合、到實作與驗證的整合流程，情報取得與生產力都顯著提升。

資訊增益與獨特洞見：
– Chat 與 Builder 的統一上下文，讓規劃與實作在同一工作流內流動，降低切換成本。
– 自訂智能體（Agent）擴展性強，超越原本的 Chat/Builder⁤ 限制，可根據任務定義多種角色與能力。
– debug 模式提升除錯效率，提供更強的程式漏洞定位與修正能力。
– MCP Server 與 Marketplace 的整合，讓 Agent 能網路查詢、安裝資源，並可選用自訂 MCP 服務。
– 多元上下文來源，包含文件、網頁與直接上網取用，提升資訊蒐集與背景支援速度。
– 全局與專案級別的規則（Rule）設定，統一開發風格、框架與測試規範，利於團隊協作與品質控管。
-⁢ 支援多模型與圖像輸入（GPT-4.1、Claude 3.7、Gemini 2.5 Pro 等），多模態能力帶來更豐富的輸入與輸出選項。
– 上網抓取與圖片閱讀等實用能力，讓設計圖、規格、など可以直接轉換為實作任務。
– 內建的規則引導，能幫助新手快速建立專案規範，並協助產出閱讀文件（如 README、Todo、規格等）。
– MCP Market 讓第三方資源與工具可快速整合，提升擴展性與生態可用性。

CTA（行動號召，根據影片描述內容改寫的 natural CTA）：
這次要來深入介紹抖音母公司推出的 AI IDE 工具 – Trae 的最新改版！ Trae 跟 cursor、Windsurf 一樣，都是基於 VS Code ⁢核心開發的 AI 輔助程式開發工具。這次改版的最大亮點就是 ⁢Trae 終於支援了 ⁢MCP 了，補齊了關鍵功能！⁢ 同時還帶來了許多令人驚豔的進化，讓 AI 寫程式、處理文件、甚至連網查資料都更方便了。重點是，它提供了多款強大的模型 (國際版包含 GPT-4.1, Claude 3.7, ‌Gemini 2.5 Pro) 讓你免費使用！ 請按讚、訂閱、開啟小鈴鐺，一起探索 ‌AI 的無限可能！ 同時別忘了在下方留言告訴我們你最期待的功能與應用場景。