服务类代码写完了，程序却跑不起来——缺一个 main 入口。这种收尾活儿最适合交给 AI 编程助手。本文以一个 C++ 多模型聊天服务为例，走一遍用 Trae 智能体补齐入口函数的完整流程，顺带把工具面板里那些容易忽略的开关讲清楚。
项目缺口在哪
ChatServer 的业务类已经开发完毕，构造函数接收 ServerConfig 配置对象，里面装着各家大模型的 API Key、温度参数、token 上限，以及 Ollama 本地模型的连接信息。构造函数内部把 DeepSeek、GPT-4o-mini、Gemini-2.0-flash 三套云端配置和一套 Ollama 本地配置统一实例化，塞进 vector 容器后交给 SDK 批量初始化：
std::vector<std::shared_ptr<ai_chat_sdk::Config>> modelConfigs = {
deepseekConfig, chatGPTConfig, geminiConfig, ollamaConfig
};
if(!_chatSK->initModels(modelConfigs)) {
ERR("ChatSK init Failed!!!");
}
缺的就是 main：加载配置、构造服务实例、启动 HTTP 监听。三步，但涉及配置解析和服务生命周期，手写一遍也要半小时——交给 Builder 智能体更快。
一个动手前要知道的报错：链接阶段报 undefined reference to 'main'，就是这个入口缺失的直接症状，不是库没链上。看到这条报错先检查入口文件是否存在，再查库依赖。
Trae 面板里值得摸清的几个开关
Trae 基于 VSCode 内核改造，AI 能力深度集成。远程开发走 Remote SSH，连接格式 ssh 用户名@IP -A——末尾的 -A 是开启 SSH agent 转发，不是可有可无的装饰。clangd 和 CMake Tools 两个插件必须装在远程主机上，装在本地等于没装：clangd 的索引和跳转全部依赖远程侧的编译环境，本地装了也解析不到头文件。
AI 对话面板三个高频操作：
- Auto Mode：开启后系统按任务复杂度和模型负载自动挑模型，界面不显示下拉列表；关掉可手动指定。内置模型覆盖 Doubao-Seed-1.6、Kimi-K2-0905、Qwen-3-Coder、GLM-4.6、GLM-4.5、DeepSeek-V3.1-Terminus，悬停模型名能看到能力标签，推理模型有专门标记。
- @：指定智能体，内置和自定义都在这个入口。
- #：引用外部文件进上下文，把项目源码喂给 AI 的主要方式。
三种内置智能体怎么选
Chat 定位轻量问答，适合代码库对话和片段生成；Builder 才是从零到一落项目的角色，能串联代码解析、文件编辑、命令执行、编译构建，本例的 main 函数就靠它生成；Builder with MCP 在此之上自动挂载全部已配置的 MCP Server。选错智能体的典型症状是"它只给你贴代码片段，不动项目文件"——那是 Chat 干的活，切 Builder 重来。
流程走通与验收
操作顺序：打开 AI 侧边栏 → 选 Builder → 用 # 引入 ChatServer 相关源码 → 下达生成 main 函数的指令 → 把产出整合进项目 → 编译运行。
验收标准要落到行为上，不是"看起来能跑"：
- 编译零警告零错误，链接通过；
- 服务启动后监听端口就绪，日志无 init Failed；
- 向 HTTP 接口发起一次真实对话请求，返回内容且四套模型配置至少一套响应成功——只有走到这一步，才证明配置加载、模型初始化、路由绑定整条链是通的。
别省掉人工审查
Builder 生成的代码不能直接信任：它可能幻觉出不存在的 SDK 方法、用错初始化顺序，或者在异常路径上留坑。产出后至少做两件事——对照 SDK 头文件逐个核对调用的方法签名；用一次故障注入（比如故意填错 API Key）验证失败分支是否按预期打出错误日志而不是崩溃。AI 负责把骨架搭快，正确性验收仍然是工程师的责任。
这套流程的价值不在省下半小时，而在它可复制：任何"业务类齐全、缺入口、缺胶水代码"的项目，都可以用同样的引用-生成-编译-验收循环快速收尾。
评论0