本人专注软件开发，核心从编码工程角度，分享功能稳定性、准确性的开发技巧。使用 Trae Solo 模式（无论写代码、分享源码、整理资料），需先完成以下2项核心配置，再遵循对应使用技巧，确保开发高效、规范、可落地。
一、核心配置（必做）
所有开发相关操作（编码、源码分享、资料整理），优先完成以下2项配置，确保需求对齐、流程规范。
1. 设置 → 规则和技能配置（核心约束）
- 需求对齐规则：执行任务前务必深思，宁可先向我确认2个关键问题（确保需求对齐），也不输出“放之四海皆准”的无效建议；回答需结合历史对话背景，优先调用记忆中的相关信息，可联网深入搜索资料、可编写可运行代码，充分调用技能与智能体能力；若我对结果不满意，需更换思路重新设计，而非简单调整表述。（核心目的：避免需求偏差，确保输出具体、可用、贴合我的开发场景）
- 闭环测试规则：开发项目必须保证编译通过，功能与需求完全对齐；若开发 SpringBoot 项目，需通过 Curl 测试相关接口，验证返回字段与微信小程序端要求完全匹配。（核心目的：完成初级闭环测试，规避编译错误、接口字段不匹配等基础问题）
- 系统收敛规则：控制复杂度扩散，确保系统收敛；通过严格控制入口与出口，将核心逻辑全部收敛至核心模块；开发需严格遵循设计模式7大原则：单一职责（SRP）、开闭原则（OCP）、里氏替换（LSP）、依赖倒置（DIP）、接口隔离（ISP）、合成复用（CARP）、迪米特法则（LOD）。（核心目的：避免功能逻辑分散，降低后期维护成本，保障代码稳定性）
- 需求文档规则：每次用户输入的需求，其实现方式需统一记录在根目录的 requirements 文件夹中，文件名格式为「日期+需求名.md」；文档内容需完整，包括但不限于：功能描述、架构图（调用 mermaid-mcp 绘制）、技术实现、接口定义、数据库设计、前端页面设计、后端接口设计。（核心目的：留存开发痕迹，避免后期上下文溢出，便于追溯与维护）
- 单元测试 规则：开发的每个函数、每个类，必须通过单元测试后，再进入下一个功能的开发。（核心目的：从细节保障功能准确性，提前规避潜在 bug）
2. 设置 → 智能体配置（适配多技术栈）
我的项目涉及多技术栈（Python、Java、Vue3、微信小程序、抖音小程序、Android Compose 等），单一 Solo 模式难以保障开发质量。因此，针对不同技术场景，需创建对应专属智能体：优先选择智能生成模式创建智能体，再根据实际需求稍作修改，确保智能体适配具体技术栈的开发需求，提升开发效率与准确性。
二、Trae Solo 核心使用技巧（实操重点）
1. Spec 模式（需求对齐前置）
每次执行开发任务，必须启用 /spec 模式。该模式核心区别：不直接启动 AI 开发，而是先让 AI 输出详细的执行步骤（明确“怎么做、做什么、优先级、测试方式”），与我确认需求完全对齐、步骤无遗漏后，再启动开发工作；若 Spec 方案不完整、不符合预期，修改完善后再执行开发。
2. 需求粒度控制（精准提效）
多数 AI 开发低效的核心原因是需求粒度未对齐，需遵循2个原则：
- 提问需极致具体：若涉及代码修改，需明确指定“哪个项目、哪个目录、哪个类、哪个函数、如何修改”，而非模糊表述“某功能不对”；
- 未知场景先调研：若遇到不熟悉的技术场景，先让 AI 搜索相关资料、输出具体可行的方案，确认方案可用后再执行开发，避免盲目尝试。
3. 测试环境配置（AI 闭环自检）
为规避 AI 输出错误，需为 AI 搭建可闭环测试的环境，明确测试规则，让 AI 自主完成测试验证。以下为2个实操案例：
- 案例1：SpringBoot 后端开发——本地搭建 Docker+Redis+MySQL+MinIO+App 完整测试环境，在项目规则中明确配置环境细节（如 Redis 缓存测试：Docker 中 Redis-CLI 的账号、密码），AI 可自主验证 Redis 缓存有效性，完成闭环测试；
- 案例2：Android 语音转文字（ncnn 集成）——需求启动后，先让 Trae Solo 搜索5种可行方案，筛选后确定开发方案；测试规则明确：电脑连接设备2，设备1安装语音识别 App，设备2播放声音进行测试；实操中，AI 发现无法正确解析时，自主编写声音测试程序，输出“可听到声音但无法解析”的测试结果，便于定位问题。
4. 多工程项目开发（避免误改）
多端项目统一放在同一根目录下，在项目规则中明确标注各目录对应的项目类型，例如：
- 目录 A：SpringBoot 后端项目
- 目录 B：Android Compose 项目
- 目录 C：抖音小程序项目
明确目录对应关系，可确保 AI 准确定位修改位置，避免出现“修改首页功能时，混淆后端、抖音小程序、Android Compose 端”的误改问题，保障开发准确性。
5. 新项目处理（先梳理再开发）
接手新项目时，不急于启动 AI 开发，需先让 AI 从多维度扫描工程、整理文档：例如查询某一数据流时，先让 AI 梳理该数据流“接收→处理→发送”的完整流程，生成文档，必要时绘制流程图；后续执行开发任务前，需先读取相关文档，明确工程结构与逻辑后再开展工作，避免盲目修改。
6. 提示词编写（复用+闭环）
编写提示词时，不仅要明确“让 AI 做什么”，还需明确“如何验证闭环”，将验证规则嵌入提示词；可将高频场景的提示词+验证规则封装为 Skill，实现复用，避免规则遗漏、提示词不可复用的问题，同时提升 AI 输出的准确性。
7. 闭环测试（严格把关）
针对不同测试场景，定义专属测试 Skill，明确测试标准与通过条件；开发过程中，只有测试通过后，才能进入下一阶段开发；若测试未通过，需让 AI 深入分析问题原因、修复问题后重新测试，直至测试通过，确保功能稳定性与准确性。
8. 问题反向验证（避免漏洞及逻辑不闭环）
提出问题后，先让 AI 按照需求输出方案，再让 AI 自主分析该方案的潜在漏洞（如逻辑漏洞、性能隐患、兼容性问题等），根据漏洞分析结果重新设计方案，反复迭代，确保方案无明显漏洞，保障代码质量。
9. 整体代码质量检查（定期校准）
由于工程长期由 AI 接管开发，缺乏正式代码评审，需定期开展代码质量检查：通过定义“Prompt+Script”形式的代码质量检查 Skill，定期扫描项目代码；同时验证项目文档与实际架构的一致性，若出现偏差，需细粒度对齐调整，避免架构跑偏、代码质量下滑，保障系统长期稳定。
