在中国国内，以下是一些关于 AI 编程的较好解决方案：
不管我是让它不要立刻写代码，还是等我确认，它都直接开始干活了。。。这会导致比如Prompt这种对产品体验影响很大的模块我无法及时调整。现在也没有全局AI Rules的设置，所以需要用#来引入规则，稍微还是麻烦一些。随着产品的快速迭代，相信上面这些小问题都会很快修复。我一直认为，AI编程是一个会有大部分人参与的新范式，让每一个普通人都能被调动起来，是需要非常好的交互和体验的，Trae的出现，不仅是一款优秀的AI IDE工具，更代表着AI编程的技术平权。它让每个人都能快速实现自己的创意，这正是AI时代最珍贵的价值。期待Trae在未来的迭代中不断完善，为中国开发者带来更多惊喜。作为新一代AI IDE的代表作，它正在书写属于中国的"Cursor时刻"。官网已经上线：https://www.trae.ai/本文也会和AI编程蓝皮书一起，收录在通往AGI之路的知识库文档中，欢迎大家在AI开发版块内阅读！感谢通往AGI之路和@AJ的支持：waytoagi.com
传统方法把每个工具都当作独立的、需要专门学习的对象，初来乍到的旅人，需要提前了解每个具体地点、每个部门的具体流程、每家商店的具体位置。这就像传统的AI系统，需要为每个工具、每个API预先定义详细的调用方式，必须记住“按A键→选择B菜单→点击C选项”这样的固定流程，而且一旦换个软件和界面就需要重新学。而MCP的理念是：工具应该适应AI的认知方式，而不是相反。就像人类可以用统一的认知框架来理解和使用新事物，AI也应该能够用一致的方式理解和使用各种工具。在说出“我想做什么”之后，不是教AI“怎么用工具”，而是让AI理解“要做什么”，然后自己去找合适的工具和方法。AI不应该把每个工具当作孤立的知识点，而应该建立知识间的联系，举一反三，触类旁通，积累经验，提升效率。这就是MCP的核心理念：让AI更像一个能理解目标、会自主思考的助手，而不是一个只会按固定步骤执行的工具。如果行业能进一步在通用性上推进，那AI Agent，或许会远比我们想象地更快到来。向手机发出指令，就能直接给某个特定人点赞朋友圈，也会完全重构我们的软件生态。AI编程工具的革命性突破从Cursor到Devin今年，投资AI人民币和美元的风格差异在加大，在国内需要更讲究技术迭代的训练效率（因为资源是有限的），在美国更重视倾其所有去探索技术的未知领域；映射到应用上，国内保底基于全球SOTA开源模型的技术水平花更多时间探索应用、产品做得比较丰富，而美国因API生态的完整和使用者习惯，产品更为简明。
Llama 3.1是迄今为止最大版本，其在推理、数学、多语言和长上下文任务中能够与GPT-4相抗衡。这标志首次开放模型缩小与专有前沿的差距。上图为人们关于Llama 3.1 405B与GPT,Claude的评估，win:胜Tie:平Loss：输借助AlphaGeometry，符号推理引擎得以拯救谷歌DeepMind与纽约大学团队使用符号引擎生成了数百万条合成定理和证明，利用这些数据从零开始训练了一个语言模型。AlphaGeometry在语言模型提出新构造，与符号引擎执行推理交替进行，直至找到解决方案。令人印象深刻的是，AlphaGeometry在奥林匹克级几何问题基准测试中解决了30题中的25题，接近人类国际数学奥林匹克金牌得主的表现。第二好的AI表现仅得10分。它还展示了泛化能力——例如，发现2004年国际数学奥林匹克问题中的一个具体细节对于证明并非必要“尽管受到制裁，中国LLMs在排行榜上风头正劲”由DeepSeek、零一万物、知谱AI和阿里巴巴开发的模型在LMSYS排行榜上取得了优异的成绩，尤其在数学和编程方面表现尤为出色。中国的最强模型与美国生产的第二强前沿模型竞争，同时在某些子任务上挑战了SOTA。中国模型更能优先考虑计算效率，以弥补GPU访问的限制，并学会比美国同行更有效地利用资源。中国模型各有优势。例如，DeepSeek在推理过程中通过多头隐式注意力减少内存需求，并且改进了MoE架构。同时，零一万物更加关注数据集的建设而不是建筑创新。由于在像Common Crawl这样的流行存储库中相对缺乏数据，因此它更加关注建立强大的中文数据集来弥补不足。