Trae CLI 接入方案与 Agent 自动化蓝图

> 📅 2026-08-15 建立 · 接入执行进度：v0（已安装，待配置模型） > > 相关文档： > - 详细调研（能力/配置/门槛）：adata/aohan/learn/量化工程优化/Trae-CLI调研与接入方案.md > - 点子管道的动机：LLM学习与应用/07-点子的自来水管道-从主动想起到浑然不知.md > - 行为公式与摩擦理论：行为心理学/行为心理学-降低工作摩擦成本.md

---

一、为什么走"开源 trae-agent"而不是官方 traecli

官方 TraeCode CLI（traecli）有两条硬性门槛，本机均不满足：

因此选择 bytedance/trae-agent（开源版 Trae CLI，MIT 协议）：

• 模型无关：支持 OpenAI / Anthropic / Doubao / OpenRouter / Ollama / Google 任一 provider，可直接复用现有的 DeepSeek / 火山引擎 Key（api_balance_monitor 已在监控）
• 可脚本化：trae-cli run "<任务>" 一次性非交互执行，天然适配 cron 定时调度（这是点子生成 Agent 的关键）
• 工具齐全：bash 执行、文件编辑、顺序思考、MCP、task_done，具备完整 Agent 能力
• 交互模式 trae-cli interactive 供日常使用

---

二、接入状态（已完成 ✅）

2.1 安装（2026-08-15 完成 ✅ 已实测验证）

位置：workspace/trae-agent/          （gitignore 已覆盖 workspace/，不入库）
Python：独立 venv（Python 3.12）
入口：workspace/trae-agent/.venv/bin/trae-cli
来源：github.com/bytedance/trae-agent（国内网络走 ghproxy.net 镜像克隆）
验证：trae-cli --version → 0.1.0；trae-cli tools → bash/edit/MCP 等工具正常列出

安装踩坑实录（下次直接照做）：

2.2 配置模型（下一步待办）

在 workspace/trae-agent/.env 配置 Key（参照 trae_config.yaml.example）：

# trae_config.yaml 要点
models:
  idea_gen_model:
    model_provider: deepseek   # 或 volcengine/火山
    model: deepseek-chat
    max_tokens: 4096
model_providers:
  deepseek:
    api_key: ${DEEPSEEK_API_KEY}   # 放 .env，不入库
    provider: deepseek

---

三、能做什么（能力清单）

结论：Agent 能搭，以后能定期调各种 Agent —— 都可以做。 本质就是"写一个带 System Prompt 的配置 + 用 cron 定时 trae-cli run"。

---

四、待办路线图

• T1 接入 trae-agent：克隆 + 独立 venv 安装（2026-08-15）
• T2 配置模型 provider：DeepSeek/火山 Key 写入 .env，跑通一次真实任务
• T3 验证一次真实任务：trae-cli run "解释 adata 项目架构"，确认输出正常
• T4 点子生成 Agent（核心目标）：见下节设计
• T5 调度层：写一个通用定时调用器（cron + trae-cli run），后续任何 Agent 都能挂上去定时跑
• T6 更多 Agent（点子生成跑通后按需扩展）：

- 每日站会/开发摘要推送 - 策略想法挖掘（结合行情异常推送） - 文档库健康检查 - 交易复盘生成

---

五、点子生成 Agent 设计（T4）

承接《07-点子的自来水管道》——让"候选点子"不再靠你自己想起，而是由 Agent 每天基于代码事实主动生成。

5.1 输入（每次运行采集）

5.2 输出（推送格式）

• 3~5 条候选点子，每条包含：一句话点子 + 依据（来自哪个 commit/改动/模块）+ 优先级
• 推送到微信（Server酱，复用现有推送链路）

5.3 上下文策略：两种方案对比

建议：默认 A（压缩），每次运行结束时让 Agent 顺手产出一份 ≤300 字的"历史摘要"写入文件，下次运行时带上；若 token 消耗明显，退化为 B。本质是把"记忆"外置到文件系统，而不是指望模型长上下文。

5.4 定时

每日一次（cron），时段建议放在收盘后/晚间（当天的 git 提交基本成型），推送后用户早上一轮判断题确认。

---

六、关键技术注意点

• 沙箱网络：本环境无法直连 github.com，克隆需走镜像 https://ghproxy.net/（已实测可用）
• PATH 受限：沙箱终端 PATH 极简，命令需用全路径（/usr/bin/env、/usr/bin/git 等），且必须先 env -u PYTHONHOME -u PYTHONPATH 再跑 venv python
• Key 安全：所有 API Key 放 .env，严禁入库（.env 加入 .gitignore）
• 成本：定时任务建议用便宜模型（DeepSeek 等），贵的模型留给复杂任务；api_balance_monitor 持续监控余额
• 权限：trae-cli run 默认非只读工具需授权；定时无人值守场景要预先配置允许的工具白名单（只读工具 + 指定 bash），避免卡在确认上

---

七、相关链接

• 官方 TraeCode CLI 文档：https://docs.trae.cn/cli_get-started-with-trae-cli
• 开源 trae-agent 仓库：https://github.com/bytedance/trae-agent
• 详细调研（企业版门槛、配置项、权限模式）：adata/aohan/learn/量化工程优化/Trae-CLI调研与接入方案.md