TRAE Work 上线 40 万字的“ AI 打工说明书”！一手实测在此

文 | 划重点 KeyPoints，作者｜林易，编辑｜重点君

普通人用 AI 办公这件事，门槛又被狠狠打下去了。

因为就在这两天，TRAE Work公开了一套AI 工作知识库，直接把一大堆真实工作、学习场景的任务摆到了你面前：

打开之后，我们发现它并非市面上那种常见的 "100 个 Prompt 合集 "，内容全都围绕真实工作任务展开，例如教育学习与个人成长、文档写作、数据处理与分析、汇报演示与设计创作、工作流自动化、信息检索与研究等场景，都有对应的操作指南。

并且每条指南还串起了" 输入 Prompt → TRAE Work 生成→成果展示 "的完整流程，对高校师生、投研分析师、内容创作者、产品经理、财务运营、设计师等具体人群来说，操作上是比较友好的。

或许也正因为这份 AI 工作知识库的内容落在一件件日常工作上，少了许多泛泛介绍 "AI 能做什么 " 的空话，在上线短短 6 个小时内，访问量便突破了 1.8 万！

不过知识库归知识库，当真正进入到真实场景时，TRAE Work 到底能否扛得住？

所以这次，我们索性自己设计了四个跨度很大的任务，把完整材料和 Prompt 一起交给 TRAE Work，看看它会给出什么结果。

给四个实测故意添点儿乱

要看 TRAE Work 面对真实工作、学习场景下的实力，测试内容定然不能是 " 帮我写个什么 " 这么简单。

我们仿照AI 工作知识库的内容，在 Prompt 中设定了角色、划定了任务边界、附上自检清单……为了尽量还原真实场景中的琐碎问题，有的任务还特意在原始材料里埋进错漏和矛盾。

第一项任务，是研究过去 30 天 AI Coding Agent 领域发生的重要变化。

我们要求 TRAE Work 联网检索公开信息，筛选 8 — 12 条真正重要的动态，优先采用公司官网、官方博客、GitHub Release 和论文原文。每条信息都要写清时间、主体、变化和来源，最后再提炼 3 个产业趋势，生成一份供科技媒体编辑会使用的 Word 简报。

在没有上传任何素材的情况下，这项任务就比较考验 TRAE Work 搜集的讯息够不够新、是否符合我们给定的搜集范围，以及搜集完毕后对讯息的整理总结等一条龙的能力。

并且生成的过程也是公开透明，TRAE Work 会实时展示 Agent 做到了哪一步，具体又是如何执行。

最终，一份符合我们需求的 14 页动态研究简报就生成了。

从内容上来看，封面注明研究区间为 2026 年 6 月 16 日至 7 月 16 日，信息来源包括公司官方博客、GitHub Release、论文、工信部 NVDB 平台和部分科技媒体。

并且文档结构已经相当完整，前面先放了一页编辑会速览，提炼 5 条重要信息、3 个行业趋势和 3 个值得继续追问的问题。后面则逐条展开事件，每一项都有 " 发生了什么 "、" 核心变化 "、" 为什么值得关注 " 等内容。

单看呈现方式，它已经很接近一份可以拿去开会的研究材料。不过 TRAE Work 还尝试把新闻线索往前推了一步，它将过去一段时间的变化归纳为按量计费加速、Agent 互操作协议落地，以及开发者从逐轮提示转向循环工程。

在第二个任务中，我们给了 TRAE Work 一份《校园咖啡店经营数据》，其中包括三家门店半年的订单明细。这份测试素材经过了刻意处理，重复订单、缺失值、异常数量、退款金额超过销售额、月份格式不统一、渠道字段缺失等六类问题混在数据里，事先没有作任何提醒。

接下来，我们要求 TRAE Work 完成数据检查、清洗、经营分析、促销评估，并生成一份 Excel 分析结果和一份管理层 Word 简报。

同样的，TRAE Work 在接到任务过后，便开始拆解步骤并逐一开始执行：

TRAE Work 先识别并处理了数据质量问题：删除 1 笔重复订单，修正 1 条月份格式，同时将渠道缺失、满意度缺失、异常退款和异常数量标记为 " 待确认 "，没有直接把可疑数据全部删掉。

完成清洗后，它从 769 笔有效订单中计算出：半年总营收 23502.74 元，毛利 13294.90 元，毛利率 56.57%，客单价 30.56 元，退款率 3.25%。

在促销分析中，它还主动提醒，促销订单与非促销订单的差异只能说明相关关系，促销集中于特定月份和门店，不能直接归因于活动本身。

从交付的结果来看，TRAE Work 开始表现出业务分析中较为关键的三层能力：先检查数据，再发现结构性问题，最后把问题转换为行动建议。

交付结果也比较完整。Word 简报里有指标表、月度趋势、门店和渠道对比图，Excel 则保留了清洗后明细、清洗日志、指标总览、促销评估和行动建议。

当然，细节仍有提升空间。例如部分图表比较基础，配色和版式接近自动生成的常规报告；以及对业务原因的解释，也主要依靠经验推测。

可就一次输入、直接交付而言，这组结果已经具备很强的可用性。

第三项测试，我们给 TRAE Work 的材料更加接近日常工作的真实状态。里面没有整齐的数据库，只有立项会速记、群聊片段、邮件摘录和零散数据。

同一场夏季 AI 公开课，报名人数有 917 和 884 两个版本；现场人数出现 221、230、236 和 248 四种口径；内容数量有 13 条和 14 条；预算还夹杂着未开发票的尾款和未经书面确认的临时增项。

我们要求它重建时间线、识别冲突、计算指标，并生成项目复盘、行动跟踪表和管理层一页纸。

TRAE Work 没有强行把口径揉成一个数字。在最终产出的《夏季 AI 公开课项目复盘》里，现场人数的四个版本被完整保留，各自的信息来源和口径差异也逐一标出，最后统一放进 " 待确认事项 " 清单。

根因分析也没有停在沟通不到位这类听起来正确、实际没多少帮助的结论上。报告把问题拆到目标管理、流程设计、供应商管理等 8 个具体维度，其中一个判断直接落到了 " 目标调整后，无人在群里确认是否已同步至传播方案 " 这个节点，比笼统归咎于团队协作更有操作性。

配套交付的《行动跟踪表》设置了 12 个字段，包括问题、问题类型、影响、改进动作、负责人、协作人、截止时间、优先级、验收标准、当前状态、风险和备注。原始材料没有写清楚负责人的地方，表格统一标成 " 待确认 "，没有擅自补上一个名字。

最后一份 600 字以内的管理层一页纸，把 " 报名和直播两项超预期，但过程管理失控 " 放在最前面，同时列出了需要管理层拍板的三件事。其中包括是否认可 4200 元增项费用，以及总支出可能达到 120630 元、比原预算多出 630 元后是否追加预算。三份文件中的数字能够前后对应，没有出现新的矛盾。

第四项任务是面向学生的。

我们提供了 120 份模拟问卷的汇总、6 段访谈和 6 张文献观点卡片，让 TRAE Work 围绕 " 生成式 AI 如何影响大学生的学习效率与学习质量 "，完成研究报告、10 页答辩提纲和研究过程附录。

这个任务只有一条核心约束，却直接关系到结论能不能用。素材中的所有数字只能服务于研究方法训练，不能被写成对现实大学生群体的判断，也不能为了让报告看起来完整，虚构文献、作者或统计检验。

TRAE Work 一共交付了三份文件，包括约 3000 字的研究报告、一份 10 页的答辩提纲，以及一份包含数据字典、问卷汇总、访谈编码、假设验证情况等 11 张工作表的研究过程附录。答辩提纲逐页写清了核心观点、建议展示的图表、口头讲解要点和时长，整场被控制在 8 分钟内。

三份文件中的数字也能相互对应。以 " 高频使用者自报节省时间 43%，核验比例只有 39%，直接提交 AI 内容的比例达到 45%，学习质量评分降到 3.2" 这组趋势为例，报告正文、答辩提纲和附录表格采用了同一套数字。年级维度呈现出相近方向，从大一到大四，自报节省时间由 24% 升至 39%，核验比例则由 58% 降至 43%。

还有一个细节值得注意。TRAE Work 生成的每一页提纲、每一段结论后面，都附上了同一句提示—— " 本研究所用数据均为模拟教学数据，仅用于研究方法训练，不可外推为真实结论 "。这条边界没有因为篇幅受限，或者为了追求表面上的完整而被省略。

TRAE Work 为何要做这套知识库

四个任务测到最后，Excel 透视表做得怎么样、Word 写得顺不顺，其实都只算基础能力。差距主要出现在那些故意留下的坑里，看系统会不会为了交出一个看起来完整的结果，顺手把问题糊过去。

从四次实测的交付物来看，数据清洗里的 " 待确认 "、项目复盘中并列保留的四个人数版本，以及研究报告里反复出现的边界提示，都说明 TRAE Work 在需要 " 说不知道 " 的场景里保持了基本克制，没有为了凑出漂亮结论牺牲信息的可靠性。

到这里，这本知识库能帮上什么忙，也就比较清楚了。

再聚焦 TRAE 今年的产品路径，它起初是一款面向开发者的 AI 原生 IDE，今年 3 月拆出独立的 SOLO 模式，6 月又正式更名为 TRAE Work，产品定位随之从 "AI 工程师 " 扩展为面向全员的 "AI 工作台 "。AI Coding 场景里积累的上下文理解、任务拆解和进度追踪能力，也开始进入更广泛的日常办公场景。

发展到现在，除了看 Agent 能力够不够强，普通人究竟该怎么用也成了一个绕不开的问题。这次上线的知识库给出了一套更具体的回答。它没有堆砌功能列表，主要讲的是 " 角色设定 + 任务边界 + 自检清单 " 这套 Prompt 方法。我们四次实测能拿到相对完整的交付物，也离不开这些前提。

不过还需要说明的一点是，这次实测覆盖的范围有限。四个任务由我们自行设计，并且刻意加入了干扰项，结果好坏很大程度上取决于任务描述是否足够细致。

这也说明，" 会不会用 AI" 正在变成一项需要专门学习的技能。打开对话框随手问一句，很多时候很难直接拿到满意答案。对于经常要处理杂乱数据、协调多方口径，同时还要对结论负责的职场人来说，把方法沉淀成可复用指南的知识库，或许比单纯追逐一个 " 更强的模型 " 更实用。