Trae CN IDE 中 Python 开发的具体流程和配置总结

以下是 Trae CN IDE 中 Python 开发的具体流程和配置总结,结合实例说明,帮助开发者快速上手:


一、环境准备

1. 安装 Trae CN IDE
  • 下载地址:访问 Trae 官网 下载对应操作系统的安装包(Windows .exe / macOS .dmg / Linux .tar.gz)。
  • 安装步骤
    • Windows:双击 .exe 文件,选择“创建桌面快捷方式”,按向导完成安装。
    • macOS:将 .dmg 文件拖拽至 Applications 文件夹,首次启动需右键“打开”绕过安全限制。
    • Linux:解压 .tar.gz/opt,终端执行 sudo ./install.sh,验证安装 trae --version
2. 安装 Python 3.11
  • 下载地址:从 Python 官网 下载适合系统的 Python 3.11 安装包。
  • 安装步骤
    • 安装时勾选 “Add Python to PATH”(Windows/macOS)。
    • 验证安装:终端输入 python --version,输出 Python 3.11.x

升级 pip

python -m pip install--upgrade pip 

二、Trae CN IDE 配置

1. 初始设置
  • 主题与语言
    • 选择深色主题(优化 GPU 渲染性能),语言建议保留中文。
  • 插件迁移(可选):
    • 支持从 VSCode/Cursor 导入插件、快捷键及用户设置(勾选“迁移 Python/Node 环境路径”)。
2. 配置 Python 解释器
  • 绑定解释器路径
    • 在 Trae 中按 Ctrl+Shift+P(Windows)或 Cmd+Shift+P(macOS),输入 Python: Select Interpreter
    • 选择已安装的 Python 3.11 路径(例如:C:\Users\用户名\AppData\Local\Programs\Python\Python311\python.exe)。
  • 创建虚拟环境(推荐):
    • Trae 会自动识别 .venv 目录并激活。

终端执行:

python -m venv .venv 
3. 安装 Python 插件
  • 插件市场
    • 打开 Trae,进入“插件市场”,搜索并安装 Python 插件(支持代码高亮、调试、AI 生成等功能)。

三、项目开发流程

1. 创建项目
  • 新建文件夹
    • 例如:my_python_project,作为工作目录。
  • 初始化项目
    • 生成基础项目结构(需安装 trae-builder 插件)。

在 Trae 中打开文件夹(File > Open Folder),终端执行:

trae init my_project_name 
2. 编写代码
  • 示例:Hello World
    • 保存文件(.py 后缀自动识别为 Python 文件)。
  • AI 生成代码

Trae AI 会生成类似代码:

from trae import TodoApp defcreate_todo_app(): app = TodoApp() tasks =["学习Python","练习算法题目","阅读技术文档"]for task in tasks: app.add_task(task)return app.export_as_json()if __name__ =="__main__": result = create_todo_app()print(result)

打开 Chat 窗口(Ctrl+Shift+C),输入提示词:

使用 Python 创建一个待办事项列表应用 

新建 test.py,输入以下代码:

print("Hello, Trae!")
3. 运行与调试
  • 直接运行
    • 右键 test.py,选择 Run 或按 F5
  • 调试代码
    • 设置断点:点击代码行号左侧的空白区域。
    • F5 启动调试,逐步执行并查看变量值。

输出结果:

Hello, Trae! 
4. 部署与测试
  • 测试命令
    • 访问 http://localhost:8000 查看静态文件服务。
  • 打包发布

使用 PyInstaller 打包为可执行文件:

pip install pyinstaller pyinstaller --onefile test.py 

终端执行:

python -m http.server 8000

四、配置示例(完整流程)

1. 项目结构
my_python_project/ ├── .venv/ # 虚拟环境 ├── test.py # 主程序 ├── requirements.txt # 依赖文件 └── .env # 环境变量(可选) 
2. 环境变量配置

代码中读取:

import os print(os.getenv("API_KEY"))

.env 文件中添加:

API_KEY=your_api_key_here DEBUG=True 
3. 依赖管理

生成 requirements.txt

pip freeze > requirements.txt 

安装依赖

pip install requests flask 

五、常见问题与解决方案

  1. Python 解释器未找到
    • 确保已正确安装 Python 并配置环境变量。
    • 在 Trae 中重新选择解释器路径(Ctrl+Shift+PPython: Select Interpreter)。
  2. 虚拟环境激活失败
    • 检查 .venv 目录是否存在。
  3. AI 生成代码报错
    • 确保已安装 trae-builder 插件。
    • 更新 Trae 到最新版本(Help > Check for Updates)。

手动激活:

# Windows .venv\Scripts\activate # macOS/Linuxsource .venv/bin/activate 

六、总结

  1. 核心流程
    • 安装 Trae 和 Python → 配置解释器 → 创建项目 → 编写代码 → 运行调试 → 部署发布。
  2. 高效开发技巧
    • 利用 Trae 的 AI 功能生成代码模板。
    • 通过虚拟环境隔离项目依赖。
    • 使用 .env 文件管理敏感配置。

通过以上步骤,开发者可以在 Trae CN IDE 中高效完成 Python 项目的开发与调试。

Read more

MCP客户端与服务端初使用——让deepseek调用查询天气的mcp来查询天气

MCP客户端与服务端初使用——让deepseek调用查询天气的mcp来查询天气

本系列主要通过调用天气的mcp server查询天气这个例子来学习什么是mcp,以及怎么设计mcp。话不多说,我们开始吧。主要参考的是B站的老哥做的一个教程,我把链接放到这里,大家如果有什么不懂的也可以去看一下。 https://www.bilibili.com/video/BV1NLXCYTEbj?spm_id_from=333.788.videopod.episodes&vd_source=32148098d54c83926572ec0bab6a3b1d https://blog.ZEEKLOG.net/fufan_LLM/article/details/146377471 最终的效果:让deepseek-v3使用天气查询的工具来查询指定地方的天气情况 技术介绍 MCP,即Model Context Protocol(模型上下文协议),是由Claude的母公司Anthropic在2024年底推出的一项创新技术协议。在它刚问世时,并未引起太多关注,反响较为平淡。然而,随着今年智能体Agent领域的迅猛发展,MCP逐渐进入大众视野并受到广泛关注。今年2月,

By Ne0inhk
可以在命令行通过大模型使用上下文协议(MCP)与外部工具交互的软件:小巧的MCPHost

可以在命令行通过大模型使用上下文协议(MCP)与外部工具交互的软件:小巧的MCPHost

小巧的MCPHost MCPHost 可以在命令行下使用,使大型语言模型(LLM)能够通过模型上下文协议(MCP)与外部工具进行交互。目前支持Claude 3.5 Sonnet和Ollama等。本次实践使用自己架设的Deepseek v3模型,跑通了Time MCP服务。  官网:GitHub - mark3labs/mcphost: A CLI host application that enables Large Language Models (LLMs) to interact with external tools through the Model Context Protocol (MCP). 下载安装 使用非常方便,直接下载解压即可使用。官网提供Windows、Linux和MacOS三个系统的压缩包: https://github.com/

By Ne0inhk
实战篇:Python开发monogod数据库mcp server看完你就会了

实战篇:Python开发monogod数据库mcp server看完你就会了

原创不易,请关注公众号:【爬虫与大模型开发】,大模型的应用开发之路,整理了大模型在现在的企业级应用的实操及大家需要注意的一些AI开发的知识点!持续输出爬虫与大模型的相关文章。 前言 目前mcp协议是给deepseek大模型插上工具链的翅膀,让大模型不仅拥有超高的推理和文本生成能力,还能具备执行大脑意识的工具能力! 如何开发一个mcp? mcp是一种协议,指的是模型上下文协议 (Model Context Protocol)。 官方结成的mcp https://github.com/modelcontextprotocol/python-sdk mcp库 pip install mcp from mcp.server.fastmcp import FastMCP 我们先来做一个简单的案例 from mcp.server.fastmcp import FastMCP import requests mcp = FastMCP("spider") @mcp.tool() def crawl(

By Ne0inhk
AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建

AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建

AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建 作者:高瑞冬 本文目录 * AI Agent新范式:FastGPT+MCP协议实现工具增强型智能体构建 * 一、MCP协议简介 * 二、创建MCP工具集 * 1. 获取MCP服务地址 * 2. 在FastGPT中创建MCP工具集 * 三、测试MCP工具 * 四、AI模型调用MCP工具 * 1. 调用单个工具 * 2. 调用整个工具集 * 五、私有化部署支持 * 1. 环境准备 * 2. 修改docker-compose.yml文件 * 3. 修改FastGPT配置 * 4. 重启服务 * 六、使用MCP-Proxy集成多个MCP服务 * 1. MCP-Proxy简介 * 2. 安装MCP-Proxy * 3. 配置MCP-Proxy * 4. 将MCP-Proxy与FastGPT集成 * 5. 高级配置

By Ne0inhk