文章摘要
此前因用户需求及自身使用经验，作者对TRAE Work进行实测。选取搭建选股系统和整理学术论文两个任务，展示其从需求到落地流程。选股系统完成数据获取、规则转化、结果展示等环节；论文整理实现快速筛选与热点分析，还形成通用工作流程将被官方收录。

此前推出的Agent工具横评文章发布后，后台收到了不少用户的留言询问，其中呼声最高的需求之一，就是希望能实测某科技公司旗下的TRAE Work。

其实最初没优先安排TRAE Work的实测，源于一段真实的观察：前段时间一款办公AI工具突然出圈，身边不少人好奇究竟是谁在使用它。和同事闲聊时，他提到朋友参加一场线下培训，演示者展示了该工具操作本地文件的场景，朋友当场惊叹功能强大，但在我看来，这类基础的AI交互能力早已不是新鲜事，就像此前某款AI工具的下沉广告一样，受众似乎对AI工具的认知还停留在较浅的层面。

而我最初对TRAE的印象是，它更适合有一定AI使用基础的用户，这也让我产生了一个疑问：为什么Agent工具推出这么久，普通用户依然停留在单纯使用对话窗口的阶段？究竟是工具本身门槛过高，还是没有向大众展示过它真正的实用价值？

既然有这么多用户点名测试，加上我本人也一直在使用TRAE Work，于是这次专门安排了一期实测内容。TRAE Work除了基础的办公模式外，还提供编程模式和设计模式，几乎覆盖了同类工具如Codex、Claude Code的核心功能，支持多模式切换、自定义技能、定时任务以及移动端联动等。这次我没有按照常规的功能介绍顺序，而是选取了近期正在推进的两个真实工作任务，完整展示从需求到落地的全流程，让大家直观了解它的实际使用效果。本次实测的两个任务分别是：搭建自用选股系统，以及批量整理学术论文。

这里先提前透露一个后续：本次实测整理出的完整工作流程，在发给TRAE Work官方团队后，对方表示希望将其收录进官方知识库，我也会在文章末尾分享这份流程文档。TRAE Work此前上线了一套40万字的AI工作知识库，涵盖产品、运营、数据分析、行业研究等多个场景的使用方法，详细讲解了如何最大化发挥工具的价值。在开始实测前，我已经仔细阅读了其中关于数据分析和自动化任务的章节，里面关于需求拆解、AI任务规划、分步验收以及完整工作流的讲解非常细致，这些经验不仅适用于TRAE Work，在其他Agent工具中也同样可以借鉴。不过，像“搭建自用选股系统”这类定制化需求，官方知识库中并没有现成的教程，因此本次实测相当于用官方教授的通用方法，完成一项官方未覆盖的具体任务。

第一个任务：搭建自用选股系统

先声明：本文测的是TRAE Work干活的能力，所有股票内容纯属功能测试，不构成任何投资建议，文中涉及的具体股票统一做了匿名处理。

首先明确本次选股任务的需求：我基于长期投资经验总结了一套较为复杂的选股规则，涉及多个维度的筛选条件，而A股市场当前有四千多只股票，完全依靠人工筛选几乎不可能实现。传统的行情软件，仅提供固定的菜单式筛选功能，只能设置涨幅、市盈率等基础指标，无法满足我的个性化规则需求，因此我需要搭建一套属于自己的量化选股分析系统。这类任务的核心逻辑是先获取完整准确的行情数据，再进行计算分析，最终完成筛选，因此第一步就是解决数据获取的问题。

我找到了GitHub上的instock股票数据仓库，它提供了丰富的数据接口和量化计算工具，能够支持基础的量化操作，但这个项目的上手门槛较高，需要具备一定的代码基础和数据库分析能力，以我这种非专业用户的水平，之前根本无从下手。不过有了TRAE Work后，情况完全不同了，它非常擅长处理这类复杂的系统集成任务。我先让它了解这个仓库的功能，询问是否有适合小白的简化使用方式，最好能通过直接对话完成交互，无需复杂的操作步骤。TRAE Work建议将仓库封装为CLI工具，这样就能直接接入TRAE Work，后续遇到量化相关的问题都可以通过对话解决，不用再在复杂的界面中点点点，这个思路非常实用。

于是我让TRAE Work将该仓库包装为CLI工具，经过一段时间的处理，最终成功完成了封装，并将结果直接同步到了我的云端GitHub仓库中，使用起来非常便捷。这里必须夸一下TRAE Work的直连GitHub功能，写好的代码可以直接上传，无需手动配置繁琐的密钥。CLI工具搭建完成后，我向TRAE Work提出需求：基于这个本地仓库搭建一套本地选股系统，让我能够随时按照自定义规则筛选股票、分析个股以及查看历史行情数据。

它接收到任务后，首先完整读取了仓库的代码，梳理清楚需求后列出了详细的任务清单，包括代码分析、数据库搭建和功能测试等步骤。全程我没有进行额外干预，等它完成后，我查看了数据库，发现四千五百八十九只股票的基础信息和行情数据都已经完整同步到位。这里和大家分享一个让AI高效完成任务的小技巧：在AI完成每一个步骤后，都进行一次验收确认。为了确保它没有遗漏或出错，我让它生成了一个可视化的数据面板，展示当前有哪些数据表、各表的数据量以及数据更新的时间，然后手动抽取了两只股票的数据进行核对，确认所有数值都准确无误。

完成数据准备后，最难的一步来了：将我的选股规则转化为AI可以执行的逻辑。我的选股策略没有一行代码，全是股民日常交流的行业术语，比如“回踩缩量”“长下影”“放量破位”等，这些词汇对于投资者来说一目了然，但要将它们转化为机器可以理解的计算公式，背后的工作量非常庞大，这也是此前我一直卡在这个环节的原因。

这次我直接将所有筛选条件完整地输入给TRAE Work：“请从A股非ST、非退市、上市满一年且日均成交额大于1亿元的个股中，筛选处于上升趋势（收盘价＞20日均线＞60日均线）、近期回踩3—8天且成交量逐步缩至5日均量70%以下、在20日均线或前期突破平台附近出现十字星或长下影小K线（实体不超过振幅25%、下影线不短于实体2倍）的股票，剔除一字板、连续涨停及明显放量破位股，按趋势强度、缩量程度和支撑有效性综合排序输出前10只，并列出代码、名称、关键指标、入场条件、止损位及一句话理由；数据不足不得猜测推荐。” 最后我特意加上了“数据不足不得猜测推荐”的要求，避免AI生成虚假的结果。

TRAE Work的处理流程非常清晰：首先检查数据库中的数据字段，发现部分历史K线数据缺失后，自动补充了完整的历史行情，随后将我输入的行业术语逐条转化为可执行的量化规则。我后来查看了它的任务执行日志，发现它还做了一些我之前没有考虑到的细节优化。最终它返回了符合条件的2只股票，每只都附带了关键指标、入场条件、止损参考和简要的投资逻辑说明。

说实话，一开始我以为结果出错了：我要求输出10只，结果只返回了2只，但仔细核查执行过程后发现，当前市场中符合所有严格筛选条件的股票确实不多。虽然筛选出的2只股票我都不太熟悉，不敢直接介入，但我选取了一只自己熟悉的股票，让TRAE Work单独对其进行了详细的分析。

到这一步，如果觉得满屏的字段和数据不够直观，可以让TRAE Work生成一份PPT格式的研报，几分钟就能得到一份专业的分析文档。不过PPT更适合向他人展示，对于我日常使用来说，每天打开PPT来管理筛选结果并不方便，毕竟这套选股系统需要每天运行更新。因此飞书多维表格是更合适的选择，我让TRAE Work将单只股票的详细数据和分析结果同步到飞书表格中，将日K线数据和关键指标都整理进去，这样我可以随时自行筛选和排序，后续每次新的分析结果都可以直接追加到表格中。

飞书表格解决了我个人使用的问题，但有时候我需要将分析结果分享给朋友，这时可以让TRAE Work生成HTML格式的网页报告，对方无需安装任何软件，直接在手机或电脑上就能查看。但新的问题又来了：每次都手动生成报告并分享太过繁琐，不如直接将整套系统部署为固定的访问地址。

我启动了TRAE Work的「/plan」计划模式，让它先生成一份详细的部署方案，这样可以提高一次部署成功的概率。配合服务器技能，TRAE Work最终将整套选股系统部署到了我的个人服务器上，生成了一个专属的线上访问地址，还设置了访问密码，避免选股结果被无关人员查看。现在无论是手机还是其他电脑，都可以直接打开我的选股系统查看最新结果。

最后，还有更智能的定时任务功能：股票行情每天都在更新，总不能每天手动触发任务更新数据。我参考官方知识库中的自动化任务教程，配置了每日定时同步行情的任务，只需要在对话框中说明三件事：每个交易日开盘前执行任务、任务内容为同步最新行情数据、完成后向我发送通知。按照教程的步骤完成配置后，一条自动定时任务就创建成功了。第二天早上我的手机收到了通知：数据同步完成，我打开线上页面查看，行情已经更新到最新状态。

至此，一套完整的自用选股系统就搭建完成了，整个流程从获取最新股票数据、翻译选股策略、执行筛选、生成展示结果、部署上线到自动更新，一气呵成。

第二个任务：批量整理学术论文

我手头积压了60篇关于Loop和Agent主题的学术论文，一直没有时间仔细阅读，越堆越多，但日常工作又总是被更紧急的事情占据，这时就需要借助AI自动化来节省时间。我首先创建了一个飞书表格，将所有论文进行归类整理，方便我快速决定优先阅读哪些内容。最终整理出来的效果非常不错，不仅有逐篇论文的详细信息表格，还按照主题进行了聚类分组，同时生成了一张能够清晰展示整个研究领域脉络的可视化图谱。

不过我并没有持续跟进这份表格，它在我的收藏夹里躺了半个月。直到前几天，马斯克发布了Grok 4.5，主打图论推理功能，一时间圈内全在讨论graph相关的内容。我突然想起，我积压的60篇论文中，有相当一部分都涉及graph相关的研究。放在以前，这就是典型的“书到用时方恨少”，但这次不同，我提前已经将这些论文整理入库了。

我直接让TRAE Work基于之前整理的论文表格，筛选出与图论推理相关的论文，并结合Grok 4.5发布的信息，分析这个热点到底有哪些创新之处，以及哪些核心思路其实已经在论文中有所体现。短短几分钟后，一份详细的简报就生成了，里面清晰列出了值得精读的论文、每篇论文需要重点关注的章节，以及这些研究与当前热点的对应关系。

那一刻我才真正体会到提前整理知识的价值：价值并不在于表格本身，而在于将知识提前入库，当热点出现时，能够比别人更快一步精准筛选出所需的信息。

这两个任务都是我日常工作中真实存在的需求。我曾和该工具团队的工作人员交流，表示自己现在每天的工作基本都会用到这款AI工具，对方询问原因，我回答说：“国外的同类Agent工具我也每天都在使用，但我不想绑定某一家的产品。我在意的不是哪家工具更强，而是哪款更适合我的具体任务。”

像Codex、Claude Code这类工具我也一直在用，它们各有各的优势，但我不会将所有工作流都绑定在某一款工具上。原因很简单：AI能力本质上是“租用”的，今天可以使用，明天可能就会面临涨价、规则变更甚至账号封禁的问题。而通过和模型磨合积累下来的经验，比如如何拆解需求、如何编写提示词、如何验收任务结果，这些方法才是可以迁移的核心能力，换一款工具依然能够使用。

经过这两个任务的实测，我积累的不仅仅是TRAE Work的使用技巧，而是一套适用于这类复杂任务的通用工作流程。该工具团队在查看了这套流程后，希望将其收录进官方知识库作为通用模板。为了让更多用户能够快速上手这套流程，我们将本次实测的完整流程整理成了一份知识库文档。

风险提示：本文涉及的股票筛选与个股分析仅用于展示工具能力，不构成任何投资建议。金融数据和模型结果可能存在延迟或误差，请独立判断并注意投资风险。

以上内容不代表本平台立场，仅供读者参考