随着大模型技术在前端领域的深度应用，如何高效整合前端领域的多模态知识、优化代码仓库理解成为核心挑战。传统知识库依赖单一文本数据且检索效率有限，而代码仓库的静态描述方法易受上下文长度限制。本次演讲我将分享通过多模态知识抽取、多样的知识存储与检索策略、端云结合的 AI 服务等优化方案，实现高效知识管理，沉淀完整又专业的前端领域知识库和搜索召回方案的实践。同时结合本地代码仓库动态分析与搜索召回能力，尝试解决大模型解决领域知识匮乏的难题，推动前端研发智能化的水平达到一个新的台阶。

演讲提纲

1. 前端领域知识库建设全景

• 多源知识融合：知识文档/代码仓库/组件库/ API 文档等异构数据接入
• 多模态解析技术：文本/图片/代码/流程图的结构化提取与向量化
• 分层存储架构：向量库/知识图谱/关系型数据库的协同

2. 仓库描述新范式 AI-Repomix

• 传统方案瓶颈：规则式仓库描述（如 Repomix ）的上下文冗余问题
• AI 增强型仓库解析：大模型驱动的目录级/文件级摘要生成
• 本地化向量数据库：Embedding 缓存+实时相似度检索的混合架构
• 动态上下文压缩：精准聚焦 Query 相关代码片段和仓库

3. AI 搜索驱动的领域知识 RAG 实践

• 智能召回体系：端云协同 + 多路召回 + 分层重排的搜索策略
• 领域知识嵌入的 RAG：基于的召回内容的大模型增强生成

4. 实践案例

• 领域知识库辅助前端研发提效案例
• 领域 UI 组件库辅助前端代码生成案例

您认为，这样的技术在实践过程中有哪些痛点？

• 前端领域多源异构数据（文档/代码/图片/前端组件等）如何实现统一知识化？
• 如何解决长上下文代码仓库的理解问题？
• 如何同时解决端云两侧领域知识的召回和辅助生成问题？

演讲亮点

• 多模态知识熔炉：文本/代码/图像/前端组件跨模态关联检索
• 代码仓库描述：AI 模型优化的本地代码仓库描述解决方案
• 生成式研发辅助：领域知识驱动的组件级代码研发提效和代码生成案例

听众收益

• 获得领域知识库建设的完整技术图谱
• 掌握代码仓库动态解析和消费的完整流程
• 学习可复用的 RAG 增强模式和完整技术链路
• 洞见前端研发智能化演进趋势：领域知识与生成式 AI 的深度融合

在 AI Coding 的演进中，我们经历了从辅助编程到结对编程，再到以自主规划为核心的 Agentic Loop 模式。Trae Agent 2.0 弃用固化的 Proposal + Plan 流程，让 Agent 在循环中“感知 → 思考 → 执行 → 更新”，闭环式推进任务执行，并通过持续优化上下文工程，让 Agent 更聪明。

本次演讲我将重点介绍 Trae Agent 2.0 往更加 Agentic 架构跃迁过程中的最佳实践，深入探讨 Coding Agent 如何更好帮助开发者提升效率。

演讲提纲

1. AI Coding 发展过程中 Agent 形态的变化

• 从辅助编程到结对编程
• 从规则驱动的 Workflow 到自主规划的 Agentic Loop

2. Trae Agent 2.0 架构演进实践

• 抛弃固定的 Proposal + Plan 方式
• 更丰富的反馈和更有效的 Context
• 用压缩代替裁剪，上下文更连贯
• TODO 和 Memory 避免遗忘
• 轮次控制和流程优化

3. 案例分享

• Trae SOLO 0-1 Web 开发案例演示

4. 未来展望

• 可编排、可协同的 Multi‑Agent 架构
• 动态 Workflow 构建

您认为，这样的技术在实践过程中有哪些痛点？

• Agentic 和 Workflow 不是非黑即白的开关，随着模型能力的升级，我们确实朝着更加 Agentic 架构方向推进，但同时在依赖专家经验的场景需要 Workflow 固定编排来确保流程稳定性，因此实际落地场景需要兼顾多种模式
• 随着 LLM 感知的上下文增加，Token 成本问题就会凸显出来，有些时候成本和效果是相斥的，这需要我们在架构设计过程中做好平衡

演讲亮点

• Trae Agent 架构演进过程的实践，通过持续完善上下文工程，让 LLM 在 Agentic Loop 中释放更大能力

听众收益

• 能理解自主规划 + 多轮反馈如何让 Agent 更灵活、鲁棒与智能
• 学习更高效的上下文策略、记忆机制设计和工具编排思路，可为自己的 Agent 工程提供直接借鉴

AI 发展过程中诞生了许多优秀的 Coding 产品，但非专业开发者需要掌握一些简单的研发知识才能完成研发任务，而这些工具和研发知识的匮乏，都在不同程度上影响非专业开发者的热情。

本次演讲将探讨如何构建下一代 Vibe Coding 工具。我将从当前挑战出发，提出以用户为中心、强化工具质量、深化场景适配、支持协作与包容不确定性的核心设计原则与实践，希望给听众带来一些启发和思考。

演讲提纲

1. 现状与挑战：为什么当前的 AI 编码工具仍难以真正“降低门槛”？

• 模型本质缺陷：幻觉、指令偏离与长上下文崩溃问题阻碍可靠落地
• 产品与用户错配：功能设计仍偏向开发者，非专业用户成功路径不清晰
• 行业认知差距：缺乏对小白用户真实使用困境的系统性洞察与回应
• 用户使用屏障高：模糊任务表达、研发知识缺失与支持反馈机制缺失

2. 如何构建真正“以用户为中心”的 Vibe Coding 工具？

• 垂直场景 + 可插拔架构 ：通过预制任务模板与控制机制提升成功率
• 知识与工具的质量闭环 ：超越 RAG/MCP，为结果可靠性与行为可控性负责
• 一站式研发体验 ：从代码生成到调试运行，为非专业开发者整合完整动线
• 支持协作与社区 ：构建问题求解氛围和轻量团队协作机制
• 包容不确定性与多模态交互 ：同步、异步自由切换，适应用户真实预期

3. 未来展望：下一代 Vibe Coding 的方向

• 演进方向：人性化交互、高质量知识嵌入与跨角色协作支持
• 关键挑战：模型可靠性、用户意图理解与规模化个性化间的平衡

演讲亮点

• 详尽分享 Vibe Coding 工具在建设过程中遇到的问题，以及解决的办法

听众收益

• 了解构建 Vibe Coding 工具所趟过的产品方面的坑
• 收获构建 Vibe Coding 工具时的技术创新与落地实践