參考

掘金社區地址

Trae下載地址

管理插件

Trae 從入門到實踐:AI 編碼的妙筆生花

掘金社區

掘金社區簡介

掘金是面向全球中文開發者的技術內容分享與交流平臺。我們通過技術文章、沸點、課程、直播等產品和服務,打造一個激發開發者創作靈感,激勵開發者沉淀分享,陪伴開發者成長的綜合類技術社區

登錄注冊掘金社區

首先打開掘金社區官網
掘金社區地址
如果沒有注冊的，可以注冊下
已經注冊的，就直接登錄

安裝與配置Trae編輯器

下載安裝

下載地址
https://juejin.cn/trae-x-2025?inviteCode=VaemRzHyjEw6tooWbZad7PUS3gY8U2pf&utm_campaign=liebian_invite

下載編輯器，然后單擊安裝下一步

配置Trae

安裝完成后

出現如下頁面

單擊開始
選擇語言和主題。單擊繼續
是否需要從VSCode中導入，我這里沒有導入，建議導入。我這里單擊跳過

安裝trae命令，安裝完成，進入登錄頁面

單擊登錄，彈出瀏覽器頁面，進入登陸頁面，這里點擊稀土掘金登錄，使用掘金賬號
授權使用掘金社區賬號

單擊同意

單擊授權并登錄

單擊登錄并打開Trae即可完成登錄操作

如果沒有登錄的，也可以在Trae編輯器的右上角位置單擊登錄

安裝插件

作為一個基于vscode開發的AI IDE，插件是必備的，具體可以參考如下：
管理插件

Trae 從入門到實踐:AI 編碼的妙筆生花

手動安裝

首先打開插件市場,輸入插件名稱，然后安裝即可

一鍵導入VSCode插件 超級實用

一鍵從vscode中導入配置

然后出現導入的過程，這個超級實用

等待片刻

使用Trae進行編碼

開發一個貝葉斯算法的案例

輸入如下問題

寫一個基于sklearn的貝葉斯算法的案例，適合計算機專業大三同學學習的，要求包括導入依賴，數據集加載，拆分數據集，數據集探索，數據集處理，實例化三種貝葉斯算法，并分別基于三種貝葉斯算法完成模型訓練，模型驗證，模型評估，模型預測，模型保存，模型加載。

輸出如下：

單擊創建一個新文件，代碼如下

# 導入依賴
import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNB
from sklearn.metrics import accuracy_score, classification_report
import joblib# 數據集加載
iris = datasets.load_iris()
X = iris.data  # 特征數據
y = iris.target  # 標簽數據# 拆分數據集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 數據集探索
print("數據集基本信息：")
print("特征數量：", X.shape[1])
print("樣本數量：", X.shape[0])
print("類別數量：", len(np.unique(y)))# 數據集處理
# 由于鳶尾花數據集是數值型數據，且無缺失值，這里無需額外處理# 實例化三種貝葉斯算法
gnb = GaussianNB()
mnb = MultinomialNB()
bnb = BernoulliNB()# 定義一個函數來完成模型訓練、驗證、評估、預測、保存和加載
def train_and_evaluate(model, model_name):# 模型訓練model.fit(X_train, y_train)# 模型驗證y_pred = model.predict(X_test)# 模型評估accuracy = accuracy_score(y_test, y_pred)print(f"{model_name} 準確率: {accuracy:.2f}")print(f"{model_name} 分類報告:")print(classification_report(y_test, y_pred))# 模型預測sample = X_test[:5]predictions = model.predict(sample)print(f"{model_name} 對前5個樣本的預測結果: {predictions}")# 模型保存joblib.dump(model, f'{model_name}_model.pkl')# 模型加載loaded_model = joblib.load(f'{model_name}_model.pkl')new_predictions = loaded_model.predict(sample)print(f"{model_name} 加載模型后對前5個樣本的預測結果: {new_predictions}")# 分別基于三種貝葉斯算法完成上述操作
train_and_evaluate(gnb, "高斯樸素貝葉斯")
train_and_evaluate(mnb, "多項式樸素貝葉斯")
train_and_evaluate(bnb, "伯努利樸素貝葉斯")

然后單擊三角形，輸出如下

選中這些警告代碼，添加到對話中

輸入

給出了對應解決方案

單擊應用，或手動復制代碼到文件，再次運行，輸出如下，完美解決問題

trae命令

使用 trae 命令快速喚起 Trae。

Trae

使用 trae my-react-app 命令在 Trae 中打開一個項目。

trae my-react-app