昨天，字节跳动的 AI 编程助手 Trae 正式发布 2.0 版本，并逐步开放使用权限。这个版本新增了 SOLO 模式 —— 一个具备上下文工程能力的系统，可基于完整信息进行任务规划和执行，支持从代码编写到功能交付的端到端开发流程。
字节跳动宣布，Trae 2.0 带来全新的视觉设计，并引入了核心功能 SOLO 模式。
SOLO 不仅仅是一个智能的上下文工程师，它能做的远不止协助编写代码，更能思考、规划、构建并交付端到端的完整功能。具体来说，SOLO 模式能够处理从 PRD 风格的需求文档、技术设计，到浏览器内容和终端输出等丰富的上下文信息，全面覆盖规划、编码、测试、部署等完整的开发周期。
而且，全新的 SOLO 模式将代码、文档、终端和浏览器整合到一个窗口中。用户不再需要编写一行代码，只需通过自然语言或语音输入开发需求，SOLO 即可自动生成 PRD、撰写代码、进行调试验证，并最终部署上线，真正实现从想法到应用的一站式交付。
例如，假设后端工程师需要在用户重置密码时添加邮件通知，只需描述目标：“当用户重置密码时发送电子邮件，使用队列系统，包含 IP 和设备信息。”SOLO 会自动找到代码库中合适的位置，重用模块，编写代码，添加测试，并提交干净的 PR，整个过程均在上下文环境中完成，无需额外设置或手动干预。
字节跳动 TRAE 负责人 Yang Shi 也在发布前表示，“新 Trae 即将发布，上下文工程或将成为未来趋势”。
随着 Trae 在上下文工程上的新进展，也反映出这一领域的热度正在迅速攀升。
越来越多开发者意识到，当大模型表现不佳时，问题往往不在模型本身，而在于其所依赖的系统未能为其创造成功的条件——上下文不充分、组织混乱，甚至完全错误。
上下文工程的兴起，最初可以追溯到一家名为 Qodo 的团队。不久前，他们开展了一项关于 AI 生成代码质量（2025 State of AI code quality）的研究。他们调研了大量开发者，其中一个最引人注目的发现是：有 76.4% 的开发者表示，他们并不信任未经人工审核的 AI 代码。核心原因是 AI 仍然容易产生幻觉和错误，这也成为了 AI 在落地上的主要阻力。
报告中，他们指出虽然 AI 工具已经成为软件开发中的日常工具，但开发者对其输出的深度信任仍然难以建立。问题并不在于 AI 编码能力本身，而是在代码未经审核就被直接部署上线时，才容易出问题。而造成这一切的关键短板，就是缺乏上下文。AI 通常无法获得足够的信息，很多时候甚至完全不知道自己错过了哪些关键信息。
Shopify CEO Tobi Lutke 也在 Twitter 上发表了一条引发 AI 社区广泛共鸣的观点。他写道：“与其说是 prompt engineering（提示工程），我更倾向于用 context engineering（上下文工程）这个词。它更准确地描述了我们真正需要掌握的核心技能：如何提供完整的上下文信息，让大语言模型具备执行复杂任务的能力。”
“上下文工程”这一概念的真正爆火，则很大程度上归功于 AI 领域的关键人物 Andrej Karpathy 的强力推动。他曾提出“vibe coding”这一术语，在过去一年中风靡一时。借助 Cursor、Windsurf、Replit 等工具，开发者只需用自然语言描述需求，AI 即可动态生成整个项目的代码，快速构建应用原型。
上个月，他在 X（原 Twitter）上转发并回应了 Tobi 的帖子，表示：“相比‘提示工程’，我更喜欢‘上下文工程’这个说法，它更贴切。”
Karpathy 在此基础上进一步指出：我们早已不再处于“谁写的 prompt 更巧妙”这个阶段了。真正的关键在于“上下文工程”——也就是如何策略性地策划、组织和传递最合适、最精准的信息，从而让大模型发挥出最佳性能。
上下文工程并不是简单的提示词技巧，而是一项融合科学方法、工程直觉和系统设计的复杂能力。它涉及任务描述与解释、少样本示例（few-shot）、RAG（检索增强生成）、相关甚至多模态的数据、工具调用、状态与历史上下文、压缩策略等多方面因素。正是这种系统性的设计能力，正在推动越来越多现实世界中的 AI 应用落地，远远超越了人们常说的“ChatGPT 套壳”。
Karpathy 的这番话一经发布，迅速在 AI 社区引发了新一轮关于开发范式的讨论热潮。
LangChain 联合创始人兼 CEO Harrison Chase 也认为“上下文工程”确实正在成为新热点。但 他认为上下文工程的定义 是“指构建动态系统，以恰当的格式提供恰当的信息和工具，使大语言模型能够有可能完成目标任务。”
简单来说，上下文工程的核心技能，在于如何在每一个环节中，精准选择、组织、管理 AI 或 AI Agent 所需的信息，既不遗漏关键细节，也不过载信息，确保任务高效完成。
BloomTech 创始人 Austen Allred 更是直言：“上下文工程比提示词工程强 10 倍，比‘靠感觉写代码（vibe coding）’强 100 倍。”
产业界也迅速行动起来。上周 Manus 也宣布全面押注上下文工程。这周则是 Trae，他们在其技术博客上表示，SOLO 的核心就是上下文工程。
打造高效 AI 开发方案的关键，不在于你写了什么代码，也不在于最初下了怎样的 prompt。随着任务的复杂性提升，完整、精确、结构化的上下文远比一个“神奇 prompt”更加重要。
SOLO 的设计充分考虑了上下文工程。它首先理解你的知识架构，帮助你思考和规划，然后将复杂的工作分解成逻辑步骤以便于实施。
当您说“构建一个带有电子邮件身份验证的用户登录页面”之类的话时，SOLO 会以 PRD 风格的项目规范进行响应，分析您当前的项目架构，使用丰富的信息和工具执行，并提供已构建内容的清晰摘要。
Trae 是字节跳动今年年后首次对外发布的产品，是一款非常年轻的 AI 开发工具。但在短短时间内，它已经表现出强劲的发展势头，迅速跟上了 AI 开发浪潮。
从去年开始，AI 技术迅速发展，相关产品层出不穷。从 GitHub 的 Copilot 到 Cursor，AI 与 IDE 的深度融合已成为趋势，而 Trae 也选择了同样的路径。
开发者对 AI 编程的需求主要集中在两个方向：更智能的代码补全 与 更主动的辅助决策。在补全方面，AI 带来了新的交互模式。例如，传统方式是通过 IDE 索引 API 实现补全，用户需要点击弹出引导。而如今，交互方式转变为“ghosttext”（幽灵代码），用户只需按下 Tab 键即可完成补全。
Cursor 在此基础上更进一步，加入了多点补全机制，AI 可预判下一个编辑位置并同步给出建议，这种交互演化，成为 AI IDE 类工具吸引用户的重要特征。Trae 也在尝试贴近这种“多点预测式”的体验。
另外，在 代码问答与辅助分析 方面，大模型逐渐超越早期的 ChatBot 范式。例如，GPT 不仅满足于代码问答，还推出了 Code Interpreter 功能，将代码编辑区域集成到 APP 中，允许模型在类似沙箱的环境中执行 Python 代码。其他竞品也在朝着类似方向努力，例如 Claude 的 Artifacts 和 GPT 的 Canvas 画布，这些功能都在尝试拓展 AI 的编辑能力。
Trae 的迭代速度非常快，最初仅支持代码问答的 chat 模式，用户需要手动将代码应用到编辑器中后续迅速上线了“Builder 模式”，实现自动读取、修改代码与修复报错，初步具备了“自动挡”能力。
进入 4 月，Trae 又上线了 MCP 模块与自定义 Agent 系统，支持用户组合不同功能组件，构建专属的智能助手。
MCP 的引入也解决了此前“第一方与第三方工具如何混用”的难题，并通过标准协议规范，加速了与生态工具的接入。Trae 团队表示，为了跟上竞品步伐并满足用户复用三方工具的需求，他们在 3 月份 MCP 出现后迅速做出决策，将 MCP 接入系统，以此作为下一阶段构建上下文工程基础能力的关键一步。
不过，MCP 仅开放了 Prompt 部分，早期缺乏用户使用。为此，Trae 团队在不影响原系统提示的前提下，增设了名为 “userprompt” 的结构，用于注入用户输入，并引入了优先级等限制机制，以保障模型行为的可控性。这一改进也促成了 4 月份自定义 Agent 能力的上线。
7 月 4 日，Trea 团队正式宣布开源其核心组件 Trae-Agent。
短短半年时间，Trae 从一个只能进行基础问答的编程助手，逐步进化为具备自动理解代码、调用工具、规划执行链条、支持自定义和多 Agent 协作的智能体系统，逐步建立起“能听懂、能看懂、能干活”的完整能力体系，已经成为一个真正“能打”的 AI 编程助手，并在众多的 AI IDE 中取得了一席之位：
（文：AI前线）