洪定坤：我与 TRAE 合作的第一个开源项目，欢迎下载 – 今日头条

共计 1721 个字符，预计需要花费 5 分钟才能阅读完成。

本文作者为字节跳动研发负责人洪定坤。

在前些天的火山引擎 Force 原动力大会上，我介绍了一款用三天时间开发的英语学习应用「积流成江」（体验地址：https://sstr.trae.com.cn）。

跟我一起完成这款 APP 开发的，除了两位技术同事，还有我们自研的 AI IDE 「TRAE」。

「积流成江」APP 功能的现场演示

现场演讲原文：字节跳动技术副总裁洪定坤：TRAE 想做 AI Development

「积流成江」（Streams to River）是一款英语学习应用，初衷是通过将日常所见的英语单词、句子和相关的上下文进行记录、提取和管理，结合艾宾浩斯遗忘曲线，进行周期性的学习和记忆。

这次开发，大概 85% 的代码是通过自然语言对话让 AI 生成的。得益于 TRAE 的帮助，我们迅速完成了代码的开发和调试。而且在开发过程中，我们还有一些其他事情和会议，也不算投入了很完整的时间。

我们深度采用了 TRAE 进行代码的开发和调试、注释和单测的编写，通过 coze workflow 快速集成了图像转文字、实时聊天、语音识别、单词划线等大模型能力。

在直接上线产品之外，我们也打算开源「积流成江」APP 的全部代码，供开发者们参考，看看 TRAE 和人类开发者一起写的代码是什么样子。

目前，「积流成江」APP 的全部代码已经上传到 GitHub，感兴趣的用户可以直接下载。

GitHub地址：
https://github.com/Trae-AI/stream-to-river

项目信息

首先，我想介绍下这次开源的代码内容。

Streams to River 是一个基于 Hertz 和 Kitex 框架构建的单词学习与语言处理微服务系统。该系统提供了从 API 服务到 RPC 实现的完整解决方案，包含用户认证、单词管理、复习进度跟踪、实时聊天、语音识别和图像转文本等核心功能模块。

系统采用前后端分离的微服务架构，主要分为以下几层：

API 服务层：基于 Hertz 框架，提供 HTTP API 接口，处理来自前端的请求
RPC 服务层：基于 Kitex 框架，实现业务逻辑，处理来自 API 服务层的请求
数据访问层：包括 MySQL 数据库和 Redis 缓存，负责数据的持久化存储和缓存
智能处理层：集成大语言模型 (LLM)、语音识别 (ASR) 和图像转文本等功能

系统架构图

组件调用关系

更多项目信息，大家可以在 GitHub 项目主页看到，也非常欢迎各位提交 Issue 展开讨论。

分享一点 AI Coding 实践心得

在火山引擎大会的演讲中，我分享过自己开发「积流成江」APP 过程中的心得体会，以及如何通过 TRAE 来提升开发效率。

这里回顾几个重点：

首先，TRAE 的两个基础功能「代码补全」和「局部代码生成」，能在我们写代码的过程中，根据上下文自动推测和补全代码，助力编程效率的提升。

其次，我们借助 TRAE 所实现的「自然语言编程」，并非一般意义上的「产品经理描述功能，然后让 AI 来开发」。「积流成江」APP 的打造过程仍然是典型的工程师开发，在功能之外，更多是编码逻辑和技术方案本身。一个 300 行代码的功能，可能只需要 200 字的方案描述。

此外，底层模型强大的代码能力，也是这次开发顺利完成的重要原因。这一次在 TRAE 用到的 doubao-dev 模型，就是基于字节跳动最新发布的豆包 1.6 系列模型。TRAE 团队在豆包 1.6 的基础上，针对工程开发场景做了进一步的训练。这些天，TRAE 的用户们应该已经被推送到了最新的豆包 1.6，相信可以使开发效率进一步提升。

TRAE 开发过程演示