Trae-cli 自动化使用教程实战指南
最近在做swe-bench评测，尝试增加几种Coding Agent的cli自动化生成Patch方法，以此分享一下。
随着Trae-cli（来自字节跳动 Trae Agent 项目）的正式开源，开发者们现在可以直接通过命令行体验这两款前沿 AI 编程助手的强大功能。本文将详细介绍如何在您的环境中安装、配置和高效使用，助您轻松掌握它们的基本操作和高级用法，提升日常开发效率。
Trae-cli：字节跳动 AI 编程 Agent
先决条件：
本文使用的机器为mac，linux机器也可适用。
#前提条件 python --version #Python：3.12+大于等于12 git --version #已安装Git cmake --version #已安装cmake1. 克隆Trae cli仓库
Trae没有直接公开cli，但在github中发布了一个项目Trae Agent通过运行该项目可以使用Trae cli。
git clone https://github.com/bytedance/trae-agent cd trae-agent2. 安装依赖并创建虚拟环境
uv sync --all-extras # 激活虚拟环境 source .venv/bin/activate # Linux/macOS # 若为 Windows，使用：.venv\Scripts\activate安装后可使用该命令验证
uv run python3 -m trae_agent.cli --help #过程中可能需要安装docker和pexpect库 #在此给出安装docker和pexpect命令 uv pip install docker pexpect 使用uv因为有两套python环境：本地conda一套，项目本地uv环境一套，所以需要确保安装在uv环境中。
安装成功后如下图
命令行快捷方式设置：
#以下是两种方法一个临时一个永久任选其一即可 # 设置配置文件路径，后续可直接使用trae-cli命令 export TRAE_CONFIG_FILE="your_trae_config.json" # 建议添加到~/.bashrc或~/.zshrc中，永久生效 echo 'export TRAE_CONFIG_FILE="your_trae_config.json"' >> ~/.zshrc source ~/.zshrc3. 配置 Trae Agent
Trae-agent 提供了两种格式的配置文件模板，位于项目根目录：
trae_config.json.example：JSON 格式（推荐）trae_config.yaml.example：YAML 格式
配置步骤
复制模板文件并重命名
cp trae_config.json.example trae_config.json编辑配置文件，更换 API 密钥
{ "api_keys": { "anthropic": "your_anthropic_api_key", "openai": "your_openai_api_key", "doubao": "your_doubao_api_key" }, "default_provider": "anthropic", "default_model": "claude-sonnet-4-20250514" }支持的模型目录
| 提供商 | 支持模型示例 | 备注 |
| OpenAI | gpt-4o | 需 OpenAI API 密钥 |
| Anthropic | claude-sonnet-4-20250514 | 默认推荐模型 |
| gemini-2.5-flash | 需 Google AI Studio 密钥 | |
| Azure | azure/gpt-4o | 需额外配置 endpoint 和 deployment |
| Ollama | llama3:8b, qwen3 | 本地模型，无需 API 密钥 |
| OpenRouter | openai/gpt-4o | 聚合 API 服务 |
| Doubao | doubao-seed-code-preview-251028 | 豆包代码模型 |
4. 核心功能与基础使用
Trae-cli 的所有命令通过trae-cli执行，核心功能如下：
执行简单任务
# 直接输入自然语言指令，让Agent完成任务 trae-cli run "创建一个输出'Hello World'的Python脚本" # 验证当前配置是否正确（API密钥、模型参数等） trae-cli show-config # 进入对话式交互，支持多轮对话 trae-cli interactive指定 LLM 提供商和模型（临时覆盖配置）
# 使用Anthropic的Claude模型 trae-cli run "优化这个排序算法" --provider anthropic --model claude-sonnet-4-20250514 # 使用本地Ollama模型（无需联网） trae-cli run "注释这段Python代码" --provider ollama --model qwen3:7b强制生成代码补丁
# 用于patch生成，确保任务结束时输出Git补丁 trae-cli run "更新用户认证API端点" --must-patch高级用法技巧
# 方式1：直接输入prompt命令 trae-cli run "编写一个hello world脚本，使用Python 3.12特性" # 方式2：读取文件中的文本命令（适合复杂任务描述） trae-cli run --file task_description.txt # 错误用法（会导致冲突） # trae-cli run "任务描述" --file task.txt 自定义模型配置（覆盖配置文件）
# 自定义model、api-key、model-base-url trae-cli run "编写一个hello world脚本" \ --model doubao-seed-code-preview-251028 \ --model-base-url https://ark.cn-beijing.volces.com/api/v3 \ --api-key "your_doubao_api_key"Docker 模式与补丁输出
# 执行需要Docker环境的任务 trae-cli run "将当前项目打包为Docker镜像并导出为tar文件" \ --docker-keep true # 任务完成后保留Docker容器 # 强制生成Git补丁（用于代码审查和版本控制） trae-cli run "修复用户登录功能的bug" --must-patch控制台与 Agent 类型配置
# 使用rich控制台（更美观的输出格式） trae-cli run "分析这个Python项目的依赖关系" --console-type rich # 指定Agent类型（当前仅支持trae_agent） trae-cli run "生成单元测试" --agent-type trae_agent运行trae-cli后模型输出结果会在当前目录文件下，trace轨迹文件也就是模型思考记录会在trajectories文件中
