Trae自定义模型与智能体配置完全指南

前言

Trae 作为一款国产AI编程工具，内置了多种免费模型供用户使用，但在实际开发中，我们往往需要接入更强大或更专业的模型。本文基于B站UP主小沛的Vibe Coding系列教程，详细讲解如何在Trae中添加自定义模型、配置中转API，以及创建个性化智能体，帮助你打造更高效的AI编程工作流。

Trae是字节跳动旗下推出的AI编程IDE，于2025年初正式发布，定位为面向中国开发者的智能编程助手。它基于VS Code的开源架构进行深度定制，内置了对话式AI助手和代码补全功能。在国产AI编程工具赛道上，Trae与阿里的通义灵码、百度的Comate、华为的CodeArts Snap等产品形成竞争格局。与海外的GitHub Copilot、Cursor等工具相比，Trae的核心差异化优势在于对国产大模型生态的深度集成和免费使用策略，降低了国内开发者使用AI编程工具的门槛。

自定义模型配置：两种方式详解

Trae默认提供了一些内置模型可以免费使用，但高峰期可能需要排队等待。通过添加自定义模型，你可以接入DeepSeek、MiniMax等第三方模型服务，获得更稳定的使用体验。

方式一：通过模型服务商直接添加

这是最简单直接的方式，适合主流模型服务商的用户：

1. 在Trae中点击**「添加模型」**按钮
2. 选择**「模型服务商」**，例如选择 DeepSeek
3. 选择具体模型（如 V3 Pro）
4. 点击**「获取API密钥」**，系统会自动跳转到对应官网
5. 登录后在左上角找到 API-Key 管理页面
6. 创建一个新的API Key，建议命名为"Trae"以便识别
7. 复制API Key回到Trae粘贴，点击添加即可

API Key（应用程序编程接口密钥）是一种身份验证机制，类似于数字世界的"通行证"。当你调用第三方模型服务时，服务商需要通过API Key来识别你的身份、追踪用量并进行计费。目前国内主流的大模型服务商如DeepSeek、MiniMax、智谱AI、百度文心等，都采用了与OpenAI类似的API调用规范，即通过RESTful API发送HTTP请求，以JSON格式传递对话内容和参数。

RESTful API是一种基于HTTP协议的软件架构风格，它将网络上的资源抽象为URL，通过GET、POST、PUT、DELETE等HTTP方法对资源进行操作。在大模型调用场景中，通常使用POST方法向模型服务的端点发送请求，请求体以JSON格式包含对话历史（messages数组）、模型参数（如temperature控制输出随机性、max_tokens控制输出长度）等信息。OpenAI最早定义了这套Chat Completions API规范，后来几乎所有国内外模型服务商都兼容了这一格式，形成了事实上的行业标准。这种标准化的接口设计使得Trae等第三方工具能够方便地集成多种模型，用户只需提供API Key和对应的请求地址即可完成对接。

这里提到的DeepSeek V3 Pro值得特别关注。DeepSeek V3是深度求索（DeepSeek）公司于2024年底发布的大语言模型，采用了混合专家（Mixture of Experts, MoE）架构，总参数量达671B，但每次推理仅激活约37B参数，在保持高性能的同时大幅降低了计算成本。V3 Pro是其增强版本，在代码生成、数学推理和长文本处理方面表现尤为突出。在多个权威基准测试中，DeepSeek V3的表现已接近甚至超越GPT-4o和Claude 3.5 Sonnet等国际顶尖模型，而其API调用价格仅为同级别模型的十分之一左右，这使其成为国内开发者在AI编程场景中的高性价比之选。

添加完成后，在自定义模型列表中就能看到新增的模型了。整个过程非常流畅，基本上两三分钟就能搞定。

方式二：自定义配置（中转API）

如果你使用的模型服务商不在Trae的预设列表中，或者需要通过中转API来调用模型，就需要用到自定义配置功能。教程中以腾讯云的Token Play为例进行了演示：

1. 登录腾讯云Token Play平台
2. 找到**「通用Token Play」**套餐（集成了主流国产模型）
3. 购买套餐后，进入API Key管理页面
4. 创建API Key，并找到API调用页面
5. 拉到页面底部，找到POST请求地址

中转API（也称API网关或聚合API）是一种代理服务架构，它在用户和多个模型服务商之间充当中间层。其工作原理是：用户将请求发送到中转平台的统一端点，平台根据请求中指定的模型ID，将请求路由到对应的模型服务商，再将响应结果返回给用户。这种架构的优势在于：第一，用户只需维护一个API Key就能访问多种模型；第二，中转平台通常会提供统一的计费和用量管理；第三，部分平台还提供负载均衡和故障转移能力，提升服务稳定性。腾讯云的Token Play就是这类服务的典型代表，它将多个国产大模型整合到一个统一的调用接口下。

从技术实现角度来看，中转API平台通常包含几个核心组件：API网关负责请求的接收和鉴权，路由层根据请求中的model字段将流量分发到不同的上游模型服务商，缓存层可以对相同请求进行结果复用以降低成本，监控层则负责记录调用日志和异常告警。除了腾讯云Token Play之外，国内常见的中转服务还包括硅基流动（SiliconFlow）、OpenRouter等平台。选择中转平台时需要关注几个维度：支持的模型种类和版本更新速度、价格是否有加价、是否支持流式输出（Streaming）、数据隐私政策以及服务的SLA保障。对于企业用户，还需要考虑平台是否提供私有化部署选项。

回到Trae的自定义配置界面：

• 将完整的请求URL填入地址栏
• 打开自定义URL开关
• 输入模型ID（如MiniMax对应的模型标识）
• 填入API密钥

你可能没注意到，模型ID是可以随时切换的。比如你今天用MiniMax，明天想换成其他模型，只需要修改模型ID即可，不需要重新配置整个连接。这种灵活性对于需要频繁测试不同模型效果的开发者来说非常实用。

自定义智能体：打造专属AI助手

除了自定义模型，Trae还支持创建个性化智能体。这个功能的核心价值在于——你可以通过自然语言描述，定义一个具备特定领域知识和能力的AI助手。

在AI领域，智能体（Agent）是指具备自主感知、决策和行动能力的AI系统。与普通的大模型对话不同，智能体具有三个关键特征：第一是目标驱动，它能根据用户给定的高层目标自主分解任务步骤；第二是工具使用，它能调用代码执行、文件操作、网络搜索等外部工具来完成任务；第三是记忆与反思，它能在多轮交互中保持上下文，并根据执行结果调整策略。Trae中的智能体本质上是在大语言模型之上叠加了系统提示词（System Prompt）、工具调用能力和任务规划逻辑。当你用自然语言定义智能体的角色时，实际上是在构建一个精心设计的系统提示词，引导模型在特定领域内表现出更专业、更一致的行为模式。

创建智能体的完整流程

1. 点击Trae的**「设置」，进入「智能体」**页面
2. 点击**「创建」**，进入智能体编辑界面
3. 用自然语言描述智能体的角色定义

教程中给出了一个有趣的示例：

"你是一个抖音直播千万级操盘手，你擅长通过观察直播数据反推人或场存在的问题。"

4. 点击**「生成」**，系统会自动补全智能体的能力描述
5. 可以自定义头像、名称，甚至接入MCP（Model Context Protocol）
6. 点击**「创建」后选择「立即使用」**

在第4步中，系统自动补全能力描述的过程实际上涉及到System Prompt工程的核心技术。系统提示词（System Prompt）是大语言模型对话系统中的一个特殊角色消息，它在用户消息之前注入，用于定义模型的行为边界、角色身份和输出格式。一个精心设计的System Prompt通常包含以下要素：角色定义（你是谁）、能力边界（你能做什么和不能做什么）、输出格式要求（如结构化JSON、Markdown表格等）、行为准则（如遇到不确定信息时的处理方式）以及少样本示例（Few-shot Examples）。研究表明，System Prompt的质量对模型输出的专业性和一致性有显著影响。在Trae的智能体创建流程中，当你用自然语言描述角色时，系统会利用AI自动将你的描述扩展为一个结构化的System Prompt，这本质上是一种"提示词工程的自动化"。

MCP（Model Context Protocol，模型上下文协议）是由Anthropic于2024年底推出的一项开放标准协议，旨在解决大语言模型与外部工具、数据源之间的连接问题。在MCP出现之前，每个AI工具要接入外部服务（如数据库、文件系统、第三方API等）都需要编写专门的集成代码，导致大量重复开发工作。MCP通过定义一套标准化的通信协议，让模型能够以统一的方式发现和调用外部工具。

从技术架构来看，MCP的设计灵感来源于编程语言中的LSP（Language Server Protocol，语言服务器协议）。LSP通过标准化编辑器与语言服务之间的通信，解决了M×N的集成问题（M种编辑器×N种语言），MCP则试图用同样的思路解决AI应用与外部工具之间的集成难题。MCP定义了三种核心原语：Resources（资源，如文件、数据库记录）、Tools（工具，如代码执行器、搜索引擎）和Prompts（提示模板）。它采用客户端-服务器架构：AI应用作为MCP客户端发起请求，外部工具通过MCP服务器暴露能力。截至2025年中，MCP生态已经涌现出大量社区贡献的服务器实现，覆盖了GitHub、Slack、PostgreSQL、Google Drive等常见服务。Cursor、Windsurf、Claude Desktop等主流AI工具都已支持MCP协议，Trae的MCP集成使其在国产工具中处于领先地位。这意味着在Trae中配置MCP后，智能体不仅能编写代码，还能直接查询数据库、读取文档、调用外部API，从而获得远超纯文本对话的上下文感知能力。

智能体的实际应用场景

创建好智能体后，使用流程如下：

• 创建一个项目文件夹并选择
• 输入提示词，智能体会自主规划并完成任务
• 可以上传图片或手动输入数据
• 让智能体进行分析诊断

以直播操盘手智能体为例，你可以上传直播间的数据截图，让它自动分析流量、转化率等指标存在的问题，并给出优化建议。这种将AI编程工具与垂直业务场景结合的思路，大大拓展了Trae的应用边界。

官方智能体市场

Trae官网还提供了一些行业预设智能体，支持一键导入，包括：

• UI设计师：辅助界面设计和交互优化
• 前端架构师：帮助规划前端技术方案
• API测试专家：自动化接口测试和调试

这些预设智能体可以作为参考模板，帮助你快速理解智能体的配置逻辑，再根据自己的需求进行定制。

实用建议与总结

通过自定义模型和智能体，Trae从一个简单的AI编程工具变成了一个高度可定制的AI工作平台。以下是几点实用建议：

1. 模型选择策略：日常编程任务用免费内置模型即可；复杂项目或需要稳定性时，建议配置DeepSeek V3 Pro等付费模型
2. 中转API的价值：通过腾讯云等平台的Token Play服务，一个API Key就能调用多种模型，性价比很高
3. 智能体设计技巧：角色描述越具体，智能体的输出质量越高。建议明确领域、经验级别和擅长方向
4. MCP集成：如果你的工作流涉及外部工具或数据源，可以通过MCP协议让智能体获得更强的上下文感知能力

Vibe Coding（氛围编程）是由Andrej Karpathy在2025年初提出的一种新型编程范式。Karpathy是OpenAI的联合创始人之一、前特斯拉AI总监，在深度学习和计算机视觉领域享有极高声誉，他的观点在技术社区具有广泛影响力。Vibe Coding的核心理念是开发者不再逐行编写代码，而是通过自然语言向AI描述需求和意图，由AI自主完成代码的生成、调试和迭代。开发者的角色从"代码编写者"转变为"意图表达者"和"质量把关者"。Karpathy本人将其描述为"完全沉浸在氛围中，拥抱指数级增长，忘记代码的存在"。这种范式特别适合快速原型开发、非专业程序员的软件构建，以及将领域专家的业务知识快速转化为可运行的应用程序。Trae的自定义智能体功能正是Vibe Coding理念的具体实践——通过定义智能体的角色和能力，让AI在特定领域内自主规划和执行编码任务。值得注意的是，Vibe Coding并不意味着完全放弃对代码的理解和审查，在生产环境中，开发者仍需对AI生成的代码进行安全性审计和性能优化，这也是当前AI编程工具发展中需要持续关注的课题。

掌握了自定义模型和智能体的配置方法，你就能根据不同场景选择最合适的AI能力组合，真正实现高效的人机协作编程。

核心要点

• 自定义模型配置支持两种方式：直接通过模型服务商添加（适合DeepSeek等主流平台），以及通过中转API自定义配置（适合腾讯云Token Play等聚合服务）
• API Key是调用第三方模型的身份凭证，建议为不同工具创建独立的Key以便管理
• 中转API通过统一端点聚合多种模型，一个Key即可切换不同模型，适合需要频繁对比测试的开发者
• 自定义智能体通过自然语言定义角色，系统自动生成结构化System Prompt，可应用于编程之外的垂直业务场景
• MCP协议让智能体能够连接外部工具和数据源，大幅扩展AI助手的能力边界
• Vibe Coding理念强调以自然语言驱动AI完成编码任务，Trae的智能体功能是这一范式的具体落地实践