AI编程助手Trae是字节跳动旗下新加坡公司于1月19日推出的面向专业开发者的工具。以下是具体介绍：
核心功能
适用场景
其他优势
目前，Trae仅支持Mac操作系统，Windows版本也即将上线。
免责声明：本网站仅提供网址导航服务，对链接内容不负任何责任或担保。
1 年前
Seed-TTS：一种高质量多功能语音生成模型
1 年前
豆包和小悟空都是字节跳动基于云雀模型开发的 AI，都有网页版、APP 端，注册/登录均可使用手机号、抖音号。它们的主要区别如下： 产品定位：豆包是一个综合性的 AI 智能体平台，产品定位更倾向于成为用户的全能助手，小悟空则是一个多功能 AI 对话助手和个人助理，期望用智慧服务提高用户的工作效率。 功能特点：豆包的功能主要包括聊天、看新闻、听音乐、调整设备等，还可以帮助用户查找信息、完成日常任务。小悟空则提供了创作生成、学习提升、工作职场辅助、专业咨询、虚拟角色对话以及休闲娱乐等多种 AI 工具和服务。 使用场景：豆包可以应用于多种场景，如聊天、学习、工作等。小悟空更专注于工作场景，提供了如工作日报 AI 工具等功能，旨在帮助用户提高工作效率。 两者的区别再列表如下： 特征 豆包 小悟空 定位 基于大语言模型的AI聊天机器人，专注于提供个性化、智能的对话服务。 基于大语言模型的AI工具集合，提供多种多样的AI工具，满足用户在工作、生活、娱乐等方面的需求。 主要功能 智能对话、问答、信息查询、情感陪伴等。 文本生成、翻译、代码生成、学习辅助、虚拟角色互动等。 特点 强调个性化，可以根据用户喜好和习惯提供定制化的对话体验。 功能丰富多样，覆盖面广，可以满足不同用户的需求。 应用场景 日常聊天、情感交流、知识获取、任务辅助等。 内容创作、学习提升、工作效率提升、娱乐休闲等。 与其他产品的区别 更注重对话的自然性和流畅性，强调情感交流。 功能更全面，更像一个AI工具箱，可以帮助用户完成各种各样的任务。 总结： 豆包 更像是一个智能的聊天伙伴，可以和你进行自然、有趣的对话。 小悟空 更像是一个万能的AI助手，可以帮你完成各种各样的任务。 选择哪一款更适合你，取决于你的需求： 如果你想要一个可以随时随地聊天的伙伴，豆包会是一个不错的选择。 如果你需要一个功能强大的AI工具来提高工作效率或学习效率，小悟空会更适合你。 需要注意的是： 豆包和小悟空都是基于大语言模型的AI应用，它们的能力还在不断发展。 两款应用的功能可能会随着时间的推移而发生变化。 总的来说，豆包和小悟空在功能和定位上有所不同，用户可以根据自己的需求和使用场景选择适合自己的 AI。
1 年前
字节跳动发布豆包大模型，主力模型比行业价格低99.3%。 1000 token/0.8厘。 字节跳动发布豆包大模型 字节大模型比行业价格低99%
1 年前
云雀模型基于字节神经网络加速器开发，通过便捷的自然语言交互，能够高效地完成互动对话、信息获取、协助创作等任务，还提供了简单的 API 调用，可基于大模型快速搭建属于自己的 AI 应用，进行业务创新。
1 年前
扣子Coze 是一款应用程序编辑平台，无论用户是否拥有编程经验，都可在该平台上快速创建各类聊天机器人。
1 天前
OpenClaw 本质是“开发者基础设施”，而非面向大众的 SaaS 产品。
21 天前
用 OpenClaw 搭建一个本地 Agent 中枢（完整方案） 不是再做一个 ChatGPT，而是建立一个真正“可控、可组合、可扩展”的本地 AI Agent 中枢。 当越来越多团队开始意识到： 云端 LLM 成本不可控 数据隐私存在风险 单一 Agent 无法解决真实业务 “本地 Agent 中枢” 正在成为一个更现实的选择。 本文将完整讲清楚： 👉 如何用 OpenClaw 搭建一个真正可用的本地 Agent 中枢 👉 它适合谁，不适合谁 👉 与 LangGraph / CrewAI 的核心差异 什么是「本地 Agent 中枢」？ 先明确一个概念，避免误解。 ❌ 不是： 一个本地 ChatGPT 一个简单的 Prompt 管理器 ✅ 而是： 一个能够统一管理多个 Agent、模型、工具和任务流程的本地系统 一个合格的本地 Agent 中枢，至少要解决 5 件事： 多 Agent 协作（不是单轮对话） 任务调度与状态管理 模型可替换（本地 / API） 工具调用（搜索、代码、文件等） 可长期运行、可追溯 OpenClaw 的定位，正是这个“中枢层”。 为什么选择 OpenClaw？ 在进入部署前，必须先回答一个现实问题： 为什么不是 LangGraph / CrewAI / AutoGen？ 简要结论（非常重要） 框架 更适合 LangGraph 开发者写 Agent 流程 CrewAI 小规模角色协作 AutoGen 对话驱动实验 OpenClaw 长期运行的 Agent 中枢 OpenClaw 的核心优势 1️⃣ 架构清晰，不是“脚本拼装” 有明确的 Agent 管理层 有任务执行与状态机制 不是写完一次就丢的 Demo 2️⃣ 原生支持多模型策略 本地模型 云 API fallback / 优先级策略 3️⃣ 更接近“生产环境思维” 可持续运行 可复用 Agent 可演进 如果你的目标是： “做一个长期使用的 AI 中枢，而不是一段实验代码” 那 OpenClaw 是目前更合理的选择之一。 整体架构：OpenClaw 本地 Agent 中枢怎么搭？ 这是一个最小可用但可扩展的架构方案。 🧩 架构拆解 ┌─────────────────────────┐ │ 用户 / 系统 │ └──────────┬──────────────┘ │ ┌──────────▼──────────┐ │ OpenClaw 中枢层 │ │ - Agent Registry │ │ - Task Orchestrator│ │ - Memory / State │ └──────────┬──────────┘ │ ┌─────────▼─────────┐ │ Agent 集群 │ │ - Research Agent │ │ - Coding Agent │ │ - Planning Agent │ │ - Tool Agent │ └─────────┬─────────┘ │ ┌─────────▼─────────┐ │ 模型 & 工具层 │ │ - 本地 LLM │ │ - API LLM │ │ - Search / FS / DB │ └───────────────────┘ 部署准备（实战级） 1️⃣ 基础环境 推荐环境（已验证）： Linux / WSL / macOS Docker + Docker Compose Python 3.10+ 2️⃣ 模型选择建议（非常现实） 场景 推荐 本地推理 Qwen / LLaMA 稳定输出 GPT / Claude API 混合方案 本地 + API fallback 👉 关键不是模型多，而是“可切换” 核心步骤：搭建 OpenClaw 本地 Agent 中枢 Step 1：部署 OpenClaw 核心 git clone https://github.com/xxx/openclaw cd openclaw docker compose up -d 启动后，你将拥有： Agent 管理入口 任务调度服务 统一配置中心 Step 2：定义你的第一个 Agent 一个 Agent ≠ 一个 Prompt 而是一个职责明确的“角色” 示例： agent: name: research_agent role: 信息调研 model: local_llm tools: - web_search - file_reader 建议起步 Agent： Research Agent（信息收集） Planner Agent（任务拆解） Executor Agent（执行） Step 3：建立 Agent 协作流程 例如一个典型任务： “调研某行业 → 输出分析 → 给出建议” 流程是： Planner 拆解任务 Research Agent 收集信息 Executor Agent 输出结果 中枢保存状态与结果 👉 这一步，才是“中枢”的价值所在 一个真实可用的示例场景 🎯 场景：AI 工具评估中枢 你可以搭一个 Agent 中枢来做： 自动收集 AI 工具信息 对比功能 / 定价 输出结构化报告 长期更新 这类系统： 人工成本极高 用 Agent 非常合适 总结：什么时候该用 OpenClaw？ 当你意识到：AI 不再是“一次性回答”，而是“持续协作的系统” 那你就已经走在 OpenClaw 这条路上了。 OpenClaw 不是让你“更快用 AI”，而是让你“真正拥有 AI 能力”。
24 天前
Asking User Question Tool（AI智能体版） 这是AI智能体必备的交互式工具，让Agent在执行任务时主动向用户提问、澄清需求、收集信息，避免瞎猜、减少返工、提升准确率。 一、核心定位 本质：Agent的“人在回路”交互接口，让AI在模糊/信息不足时暂停执行，向用户要明确输入。 作用：把“模糊指令→AI瞎做→反复修改”变成“AI提问→用户明确→一次做对”。 常见名称： AskUserQuestion 、 AskUserQuestionTool 、 ask_user_question 。 二、核心工作流（极简） 1. Agent判断信息不足：发现需求模糊、缺少参数、需要决策 2. 调用工具生成结构化问题：单选/多选+自定义输入+说明 3. 用户作答：在聊天/弹窗/终端选择或输入 4. Agent接收答案：解析结构化结果，补全上下文 5. 继续执行任务：基于完整信息推进，不再猜 三、关键能力（标配） 结构化提问：标题+问题+2–4个选项+单选/多选+ Other 自定义输入 上下文澄清：自动追问，直到需求完全明确 结构化返回：输出JSON，方便前端渲染（按钮/表单/弹窗） 人在回路：强制用户确认，避免AI自主决策风险 多轮交互：可连续提问，形成“需求访谈”流程 四、主流实现（你会遇到的版本） Claude Code（Anthropic） 原生内置，最成熟 支持多轮、单选/多选、自定义输入 常用于代码生成、需求梳理 Qwen-Agent（通义千问） 开源工具： qwen_agent/tools/ask_user_question.py 支持参数： question / options / explanations / multiSelect / allowFreeform Spring AI AskUserQuestionTool ，Java生态 模型无关，可对接GPT/Claude/Gemini OpenClaw / EasyClaw 集成到本地智能体，用于任务执行前确认 本地运行，隐私优先 五、典型使用场景（高频） 需求澄清：“做一个登录页”→AI问：技术栈？风格？是否第三方登录？ 偏好收集：“写报告”→AI问：正式/ casual？长度？受众？ 决策点确认：“部署服务”→AI问：云厂商？实例规格？环境？ 复杂任务拆解：多轮提问，把模糊需求变成可执行步骤 六、与普通聊天的区别 普通聊天：用户主动说，AI被动答；信息靠用户自己补全 AskUserQuestion：AI主动问、结构化问、按任务节点问；用户只需点选/填空，效率高、歧义少 七、为什么要用（价值） 减少返工：一次做对，节省时间与Token 提升准确率：AI不瞎猜，结果更贴合需求 降低门槛：用户不用写长Prompt，点选即可 安全可控：关键决策必须用户确认，避免误操作 八、一句话总结 Asking User Question Tool = AI智能体的“需求访谈官”，让Agent从“猜着做”变成“问清楚再做”，是构建可靠、实用AI助手的核心工具。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI