最近，我看到 TRAE 团队公开了他们内部的开发实践！

内容真的太干货了，必须要跟你们分享一下，值得做好笔记🥹

最近看到身边很多人都在抢SOLO独立端的邀请码，但很多人可能不知道，SOLO独立端有93%代码都是AI写的！
AI发展的速度就是恐怖如斯......

他们用 SOLO 自己来开发 SOLO，最后跑出来的数据是这样的：100万行代码，9000多次提交，AI代码贡献率93%。

但现在，他们把整个过程中踩的坑和总结出来的方法论，都毫无保留地分享出来了。
这些内容，对后面企业级AI开发到底应该如何落地，非常有借鉴意义。

他们团队已经用最真实的项目去验证一个问题：AI Agent到底能不能在复杂的生产环境里，真正成为开发主力？

1️⃣ Spec-Driven：先聊方案，再动手

Spec-Driven是他们团队内部的叫法，也就是不让AI一上来就写代码，而是先跟它沟通，让它产出一份技术方案文档，人审查完觉得靠谱了，再让它动手。

这个思路本身不新鲜，软件工程里一直在说先设计后编码。

但关键变化在于，以前一个大功能要拉一个小组来做，产品出需求，技术负责人拆模块，几个工程师分头写代码。
现在，收敛为一人加一个AI就能搞定整条链路，他们内部也管这个模式叫「一人成军」。

而且，根据功能的复杂程度，他们跟AI的协作方式是不一样的。

像一些简单的功能，直接丢给AI开干就完事。
中等复杂度的，他们会让AI先输出方案到文档，基于文档反复沟通，确认后再实施。
如果是特别复杂的功能，他们会让AI输出一个任务列表，每完成一项停下来，人review之后，确认没跑偏再继续下一步。

尤其是第三种方式，它解决的是AI编程领域里非常普遍的痛点：AI写着写着就跑偏了，等你发现的时候回退成本极高。

但把任务先拆成清单，逐步执行逐步审查，相当于给AI踩了刹车。

这个思路其实特别像管理团队，你怎么拆任务，怎么设检查点，怎么给上下文，直接决定了AI产出的质量。
从这个角度看，未来开发者的核心竞争力，可能是拆解问题和定义任务的能力。

2️⃣ Skill沉淀：把团队经验变成AI能读的知识

这一步也是整个实践里，我个人觉得最有长期价值的一个环节。

他们做了一件事叫 Skill 沉淀，把只存在于老员工脑子里的那些隐性知识，比如项目的核心数据流怎么走、模块之间有什么依赖关系、常见的bug该怎么排查等，全都封装成AI能理解和使用的结构化文档。

有了 Skill 之后，AI相当于自带这个项目的所有背景知识，变成了一个熟悉团队规范的老员工。

他们甚至还写了一个专门的调研 Skill，让AI在做竞品调研的时候，可以去主动发掘每个产品独特的设计亮点。
比如某个竞品的记忆系统怎么做的，某个竞品的API调用方式有什么特别之处，这些都是靠 Skill 引导AI去深挖的。

说到这里我多说一句，Skill 沉淀这件事的意义，不止于让AI写代码更准确，而是一种新形态的"技术资产"，倒逼团队把知识管理这件事做好。

过去公司的技术资产沉淀在代码库、wiki文档、还有核心员工的脑子里，但Skill恰好补上了这个缺口，它提供了一个很强的动力去把这些东西显性化。

3️⃣ Browser Use：让AI自己验收自己的产出

AI写代码的速度提上来之后，带来了一个非常现实的问题：人工测试跟不上了。

TRAE 的解法是引入了Chrome MCP (Browser Use) 能力，AI 自主完成浏览器操作、功能验证与问题定位。

这也意味着，一个完整的闭环正在形成：AI写代码、AI验证效果、AI修复问题。
人需要介入的环节正在收缩到两端：最前面的方案设计，和最后的质量把关。

他们工程师自己也说了，功能开发环节现在已经可以全托管。
验收环节因为 Browser Use 提升了不少，但目前对原生桌面应用还有局限。

方案设计是目前最需要人投入精力的环节，如何引导AI产出最合理的技术方案，反而成了研发流程里人力投入最大的部分。

4️⃣ 最后一步：自我进化的可能性

这是我觉得最让人兴奋的一点。
TRAE团队现在已经做到了一个让人震惊的流程：拿到一条出问题的log，丢给AI，AI自己去查所有的模型交互信息，结合代码分析根因，输出修复方案，然后自己改代码。

他们甚至还在畅想更极致的场景：
用户提了一个bug，webhook自动触发AI任务，AI自己定位问题、修复代码、用Browser Use验证修复结果、提交合并请求，开发者只需要最后看一眼就能发布；
或者AI每天定时跑巡检任务，自己发现问题、自己修复、自己提交。

如果这条路走通了，就能真正意义上的全托管研发流程。

聊到最后，也说一下我自己的感受。
很多程序员看到93%这个数字，第一反应可能是焦虑。
以前学会一个技术栈能管用一两年，但现在，可能几个月就有新的东西冒出来。

但话又说回来，技术汰换这件事对程序员来说其实不陌生，只是以前的更新周期是以年为单位，现在压缩到了以月为单位。

但当AI把编码层面的能力差距逐渐拉平之后，真正拉开差距的可能变成了产品思维，问题拆解能力，架构判断力，以及跟AI协作的效率。

以前简历上写的是：精通 Java / Python / Go。
但后面写的可能就是：擅长管理多个AI Agent并行完成复杂项目需求。

写代码这件事本身的稀缺性在快速下降，但定义问题、拆解方案、审查结果的能力，在AI时代反而变得更稀缺了。

技术创业者和技术管理者最应该关注的，是你的团队有没有准备好一套让AI真正融入研发流程的方法论。
TRAE 团队这次的实践证明了一件事：这条路是走得通的，而且走通之后的效率提升，是非常显著的。