本文介绍了基于Trae平台构建的“我的ACM与蓝桥杯教练-智能体”，该智能体旨在帮助编程竞赛和算法学习者解决难题。文章详细阐述了智能体的设计思路、技术实现、Prompt编排以及使用方法。同时，文章还提供了Trae编辑器的安装与配置教程，包括插件的安装和使用，以及如何使用Trae进行AI辅助编程。通过实例演示，展示了Trae在解决编程问题和生成代码方面的强大功能。

💡 **智能体核心功能：** “我的ACM与蓝桥杯教练-智能体” 专注于为编程爱好者提供题目解析、算法讲解、代码示例、学习建议等服务，帮助用户快速掌握竞赛核心知识点。

⚙️ **技术实现原理：** 智能体基于知识库、插件和Prompt编排。知识库存储算法模板和题型分类；插件接入外部工具；Prompt编排则根据用户输入生成结构化回复。

📝 **Prompt 示例：** 用户输入LeetCode题目，智能体将提供题型分析、核心思路、Python解法等。智能体还支持多语言代码示例，并提供相关题目推荐。

💻 **Trae编辑器：** 文章提供了Trae的安装、配置、插件安装和使用教程。通过实际案例，演示了Trae在代码生成、问题解决和智能提示方面的能力。

🚀 **AI辅助编程：** 通过Trae，可以快速开发贝叶斯算法案例，实现数据集加载、模型训练、评估、预测、保存和加载等功能，极大地提高了编程效率。

我用Trae 做了一个有意思的Agent 「我的ACM与蓝桥杯教练-智能体」。 点击 s.trae.com.cn/a/85a989 立即复刻，一起来玩吧！

参考

掘金社区地址

Trae下载地址

管理插件

Trae 从入门到实践:AI 编码的妙笔生花

实验结论

我承认 Trae比我强，我的工资可以用来买Trae的Pro啊，尽管也有免费的版本啊！！！！！！

升级Trae-

本文是基于5月27日更新后的版本，关于详细的Trae安装教程，我放在了后面（安装与配置Trae编辑器-3月24日安装），最为重要的一点就是如何导入插件，这点特别实用。以下是更新后的截图

Trae更新的频率

250527：Trae v0.6.0 版本发布

250513：Trae v0.5.8 版本发布

250425：Trae v0.5.3 版本发布

250425：Trae v0.5.3 版本发布：

支持智能体自定义头像。支持配置插件市场源。优化了部分功能体验。

250422：Trae v0.5.1 版本发布：优化了稳定性问题。

250421：Trae v0.5.0 版本发布：

统一对话体验：Chat 与 Builder 面板合并，支持通过 @Builder 进入 Builder Agent 模式。上下文能力增强：新增支持 #Web 和 #Doc 两种 Context。

250416：Trae v0.3.11 版本发布：

提升 C 语言的编程体验支持DeepSeek V3-0324（该版本对于AI编程的提升很大，大家可以对比下该版本和其他LLM AI辅助编程的优势。

250306：Trae v0.1.2 版本发布

使用Trae制作一个"我的ACM与蓝桥杯教练-智能体"

项目介绍

🧠 Agent 创作构思

本智能体专为编程竞赛与算法学习者打造，旨在解决算法理解难、题解资源分散、数据结构抽象难懂等问题。通过 智能体 构建一个具备题目解析、算法模板推荐、动态演示引导等功能的 AI 助手，帮助用户快速掌握竞赛核心知识点。

⚙️ 技术实现原理

本智能体主要包含 知识库 + 插件 + Prompt 编排 能力：

知识库：存储常见算法模板、题型分类、数据结构说明等内容；插件：接入外部图示化工具或自定义 API（如算法动画生成），考虑基于manim或py-algo-visualizer或Algorithm Visualizer，这个在研究是否可以直接调用；Prompt 编排：根据用户输入自动识别题型，结合上下文返回框架解析 + 示例代码 + 学习建议。

💬 Prompt 示例

“请解读 LeetCode 第 53 题的最大子数组和问题，并提供 Python 解法。”
→ Agent 返回：题型分类（DP）、核心思路、Python 模板、相关练习推荐。

🎯 效果展示

用户输入题目编号或描述后，Agent 可即时返回：

题目类型与难度分析；标准算法框架与参考代码；推荐相关题目与学习路径；如需演示，可跳转到集成的动画页面（通过插件打开）。

---

Agent智能通制作过程

在Trae中创建智能体

首先在Trae中，打开智能体

确定智能体配置

智能体的配置包括名称，提示词和工具等。

名称为:

我的ACM与蓝桥杯教练-智能体

提示词的作用

用于配置该智能体的角色设定、语气风格、工作流程、偏好与规范等内容

具体提示词与MCP配置：

提示词如下：

你是一位专业的算法学习助手和竞赛辅导专家，专注于为编程爱好者、ACM/ICPC、LeetCode、Codeforces 等平台的选手提供：

题目解析与解法框架算法原理讲解数据结构图解与演示编程技巧与优化建议学习路径推荐与错题管理建议你的目标是通过清晰、结构化、互动式的方式，帮助用户理解复杂概念并掌握解决问题的方法。

【语气风格】

专业但不失亲切感：使用技术术语时要准确，但解释要通俗易懂。鼓励式教学：在用户卡顿时给予提示而非直接答案，引导其思考。逻辑清晰、条理分明：每个回答都应有明确的结构（如问题分析 → 思路讲解 → 示例代码 → 延伸练习）。多语言支持：默认使用中文交流，可根据需要输出 Python / C++ / Java 等主流语言的代码示例。

【工作流程】

接收用户输入：识别题目编号、关键词或算法类型。

判断请求类型：

若为题目类请求，则调用知识库查找对应信息；

若为算法讲解类请求，则组织内容并结合示例说明；

若需动态演示，则引导用户前往可视化页面或插入动画链接。

生成结构化回复：

包含题目标签、难度等级、核心思路、参考代码；

可选附上相关题目推荐、优化建议等。

交互反馈机制：

对用户提问进行追问澄清；提供进一步学习资源或扩展阅读建议。

【工作偏好】

偏好使用“分步讲解 + 示例代码 + 图文示意”的方式讲解知识点。倾向于使用“伪代码 + 实现细节”的方式拆解复杂算法。在遇到模糊问题时，优先询问用户意图，而非猜测。支持根据用户的水平（初学者 / 进阶者）调整讲解深度。

【规则与规范】

尊重版权：不直接复制 LeetCode、Codeforces 等平台的题目描述原文，仅引用关键信息或提供跳转链接。代码安全：确保提供的代码无语法错误，并尽量标注时间复杂度与空间复杂度。避免误导：对不确定的内容应如实说明“当前知识可能存在局限”或“建议查阅官方文档”。暴力破解+高效算法对比导向：强调高效算法思维，鼓励优化与剪枝策略，并提供暴力破解的算法吐过对比。隐私保护：不记录用户敏感信息，仅提供通用性指导。

配置MCP需要保存每次的问题，链接以及回复，采用Excel的MCP工具，

配置完成创建智能体

可以看到名称与提示词与MCP工具已经配置完毕

按照提升立即使用即可，如下

关于智能体的如何配置，可以单击右上角的"如何配置智能体"，链接如下docs.trae.com.cn/ide/agent

Agent使用过程

使用@关键字调用智能体

切换到Trae对话模式，输入@，然后选择创建的我的ACM与蓝桥杯教练-智能体

问题1-二分查找问题的边界该如何确定

提问

二分查找问题的边界该如何确定

回答

问题2 请解读 LeetCode 第 53 题的最大子数组和问题，并提供c++和 Python 解法

提问

请解读 LeetCode 第 53 题的最大子数组和问题，并提供c++和 Python 解法

回答

问题3 请把上面的题单链接 问题 和 答案保存到本地excel文件或word文件中

提问

请把上面的题单链接 问题 和 答案保存到本地excel文件或word文件中

回答以及动作

可以看到多次调用了MCP并多次尝试解决问题，这种不屈不挠的精神，是很棒的，哈哈另外，出现问题可能是MCP或是本地权限的问题，这个就不是我们能轻易解决的了。

分享Agent

智能体制作完成后，单击⚙，然后分享即可

我用Trae 做了一个有意思的Agent 「我的ACM与蓝桥杯教练-智能体」。 点击 s.trae.com.cn/a/85a989 立即复刻，一起来玩吧！

安装与配置Trae编辑器-3月24日安装

下载安装

下载地址Trae下载地址

下载编辑器，然后单击安装下一步

配置Trae

安装完成后

出现如下页面单击开始选择语言和主题。单击继续是否需要从VSCode中导入，我这里没有导入，建议导入。我这里单击跳过安装trae命令，安装完成，进入登录页面单击登录，弹出浏览器页面，进入登陆页面，这里点击稀土掘金登录，使用掘金账号授权使用掘金社区账号单击同意单击授权并登录单击登录并打开Trae即可完成登录操作

如果没有登录的，也可以在Trae编辑器的右上角位置单击登录

安装插件

作为一个基于vscode开发的AI IDE，插件是必备的，具体可以参考如下：管理插件

Trae 从入门到实践:AI 编码的妙笔生花

手动安装

首先打开插件市场,输入插件名称，然后安装即可

一键导入VSCode插件 超级实用

一键从vscode中导入配置然后出现导入的过程，这个超级实用等待片刻

使用Trae进行编码

开发一个贝叶斯算法的案例

输入如下问题

写一个基于sklearn的贝叶斯算法的案例，适合计算机专业大三同学学习的，要求包括导入依赖，数据集加载，拆分数据集，数据集探索，数据集处理，实例化三种贝叶斯算法，并分别基于三种贝叶斯算法完成模型训练，模型验证，模型评估，模型预测，模型保存，模型加载。

输出如下：

单击创建一个新文件，代码如下

# 导入依赖import numpy as npimport pandas as pdfrom sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNBfrom sklearn.metrics import accuracy_score, classification_reportimport joblib# 数据集加载iris = datasets.load_iris()X = iris.data  # 特征数据y = iris.target  # 标签数据# 拆分数据集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)# 数据集探索print("数据集基本信息：")print("特征数量：", X.shape[1])print("样本数量：", X.shape[0])print("类别数量：", len(np.unique(y)))# 数据集处理# 由于鸢尾花数据集是数值型数据，且无缺失值，这里无需额外处理# 实例化三种贝叶斯算法gnb = GaussianNB()mnb = MultinomialNB()bnb = BernoulliNB()# 定义一个函数来完成模型训练、验证、评估、预测、保存和加载def train_and_evaluate(model, model_name):    # 模型训练    model.fit(X_train, y_train)    # 模型验证    y_pred = model.predict(X_test)    # 模型评估    accuracy = accuracy_score(y_test, y_pred)    print(f"{model_name} 准确率: {accuracy:.2f}")    print(f"{model_name} 分类报告:")    print(classification_report(y_test, y_pred))    # 模型预测    sample = X_test[:5]    predictions = model.predict(sample)    print(f"{model_name} 对前5个样本的预测结果: {predictions}")    # 模型保存    joblib.dump(model, f'{model_name}_model.pkl')    # 模型加载    loaded_model = joblib.load(f'{model_name}_model.pkl')    new_predictions = loaded_model.predict(sample)    print(f"{model_name} 加载模型后对前5个样本的预测结果: {new_predictions}")# 分别基于三种贝叶斯算法完成上述操作train_and_evaluate(gnb, "高斯朴素贝叶斯")train_and_evaluate(mnb, "多项式朴素贝叶斯")train_and_evaluate(bnb, "伯努利朴素贝叶斯")

然后单击三角形，输出如下选中这些警告代码，添加到对话中输入给出了对应解决方案单击应用，或手动复制代码到文件，再次运行，输出如下，完美解决问题

trae命令

使用 trae 命令快速唤起 Trae。

Trae

使用 trae my-react-app 命令在 Trae 中打开一个项目。

trae my-react-app