TraeCode：本地化LLM Wiki与知识代理网络构建指南

1. 项目概述这不是一个“搭Wiki”的教程而是一次知识操作系统重构TraeCode 不是另一个 Markdown 编辑器也不是传统 Wiki 工具的平替。我第一次在本地跑起它的 CLI 命令时盯着终端里自动生成的agents.md和context.md文件意识到自己正在操作的是一个能主动理解、关联、推理并持续生长的知识体——它不依赖服务器不绑定云盘所有逻辑都在你本地硬盘上运行但又具备 LLM 级别的语义穿透力。关键词里的TraeCode、LLM Wiki、AGENTS.md都不是孤立概念AGENTS.md是知识库的“神经中枢”定义谁来读、谁来写、谁来校验context.md是它的短期记忆缓冲区记录当前会话的上下文锚点而整个 Wiki 的骨架不是靠手动建目录树堆出来的而是由 TraeCode 根据你写的每一段内容自动推演关系、生成双向链接、补全缺失节点。这和 Obsidian 的手动链接、Notion 的数据库视图、甚至 Confluence 的权限树根本不在同一维度。它解决的不是“怎么存文档”的问题而是“知识如何自我组织、自我验证、自我进化”的问题。适合三类人技术写作者需要把散落的代码注释、设计决策、踩坑记录变成可检索可推理的活文档独立开发者想用自然语言管理项目规范比如traecode 编码规范rules不再是 PDF而是能被 LLM 解析并执行的结构化指令还有知识型自由职业者比如做 LLM 应用开发的需要把karpathy llm wiki这类高密度技术笔记变成随时可调用、可验证、可生成新文档的动态知识源。它不承诺“一键生成完美 Wiki”但承诺你写的每一行文字都会立刻被赋予语义身份并开始参与构建一个越来越聪明的个人知识体。2. 核心设计逻辑为什么 TraeCode 的 Wiki 构建路径不可替代2.1 从“文档仓库”到“知识代理网络”的范式迁移传统 Wiki 工具如 MediaWiki、DokuWiki本质是 Web 服务端的文档管理系统核心是“存储检索”。用户创建页面 → 服务器保存 HTML/Markdown → 通过 URL 访问 → 搜索引擎索引。TraeCode 完全跳出了这个框架。它的 Wiki 构建起点不是“页面”而是Agent。当你执行traecode init它生成的agents.md文件第一行就写着# Agents - name: wiki-builder role: auto-generate and link knowledge nodes based on semantic similarity triggers: [new .md file, edit existing .md] actions: [parse content, extract entities, compute vector similarity, update links.md]这段 YAMLMarkdown 混合语法定义了一个名为wiki-builder的智能体。它不等待你点击“新建页面”而是在你保存一个.md文件的瞬间自动触发解析流程提取文中实体如LLM Knowledge Bases、PKMS、计算其与已有知识节点的向量相似度使用内置的轻量级 Sentence-BERT 模型、然后决定是否创建新节点、是否添加双向链接、是否更新全局关系图谱links.md。这意味着你的 Wiki 不是静态目录树而是一个由 Agent 驱动的、持续演化的知识代理网络Knowledge Agent Network。每个.md文件都是一个“知识节点”每个 Agent 是节点间的“神经突触”links.md则是动态生成的“突触连接图”。这种设计直接回应了热词LLM Knowledge Bases的核心痛点——大模型幻觉源于知识碎片化、上下文割裂。TraeCode 的 Wiki 强制让每段知识都暴露在语义网络中当 LLM 调用agents.md中的qa-agent查询“如何优化 traecode 编码规范rules”它拿到的不是孤立文档而是该规则与context.md中最近三次调试日志、performance-benchmarks.md中的压测数据、security-audit.md中的漏洞报告之间的实时关联路径。这才是真正意义上的“LLM Wiki”。2.2AGENTS.md与context.md知识库的双核驱动引擎AGENTS.md和context.md是 TraeCode Wiki 的心脏与呼吸系统二者缺一不可且必须协同工作。AGENTS.md的设计哲学是职责分离 可组合性。它不预设功能而是提供一套标准化的 Agent 描述协议。例如一个典型的llm-wiki项目会包含至少四个核心 Agentwiki-builder负责知识图谱的自动构建与维护前文已述qa-agent接收自然语言提问从知识库中检索最相关节点并调用 LLM 生成答案注意LLM 调用发生在本地模型权重文件路径在config.yaml中指定rule-enforcer监听traecode 编码规范rules类文档的变更自动检查新提交的代码片段是否符合规范它会解析代码块中的语言标识符调用对应语言的 AST 解析器sync-agent将本地 Wiki 的增量变更以加密 diff 包形式同步到指定位置如 Git 仓库、NAS 共享目录而非简单地 rsync 整个文件夹。每个 Agent 的triggers字段决定了它的“感知范围”actions字段定义了它的“行为能力”。这种设计让 Wiki 具备了极强的可扩展性——你可以为英灵神殿wiki添加一个lore-consistency-agent专门校验新加入的神话人物设定是否与已有pantheon.md中的神系关系冲突也可以为后室wiki中文维基版加入navigation-agent根据用户当前浏览的层级Level 0 / Level 1动态生成符合“后室物理法则”的导航建议。context.md则是知识库的“工作记忆”。它不是永久存储而是会话级别的临时状态。当你在 CLI 中执行traecode ask 解释 PKMS 在 traecode 中的作用TraeCode 会先将这次查询的意图、时间戳、以及qa-agent检索到的 3 个最相关节点如pkms-architecture.md,agents.md#pkms,context.md自身摘要写入context.md的末尾。后续的追问如“那它和 LLM Knowledge Bases 有什么区别”qa-agent就会优先从context.md中提取“PKMS”这个上下文锚点再去知识库中搜索对比项而不是重新进行全库扫描。这极大提升了多轮对话的连贯性和效率。context.md的结构非常精简## Session: 2024-06-15T14:22:38Z - Query: 解释 PKMS 在 traecode 中的作用 - Retrieved: [pkms-architecture.md, agents.md#pkms, context.md] - Summary: PKMS (Policy-Knowledge Management System) is the core module that governs agent permissions and knowledge access control.这种设计避免了传统 Wiki 中“上下文丢失”的顽疾。你在haas506 wiki里查完某个硬件接口定义接着问“这个接口的时序要求是什么”系统不会茫然因为它记得你刚在看haas506-hardware.md。2.3 本地化、无依赖、可审计为什么放弃云端是更安全的选择所有热词中反复出现的traecode cn、traecode ai 编程工具暗示着一种对“国产化、可控性”的隐性需求。TraeCode 的 Wiki 构建完全离线这是其架构的基石而非妥协。它不依赖任何外部 API包括 OpenAI 或国内大模型服务商所有 LLM 推理均在本地完成。当你配置config.yaml时关键参数是llm: model_path: /home/user/models/Qwen2-7B-Instruct-GGUF/Qwen2-7B-Instruct.Q4_K_M.gguf n_ctx: 4096 n_threads: 8 temperature: 0.3这里指定的是 GGUF 格式的量化模型文件路径。这意味着知识主权绝对私有你的伊朗最新报道消息来自飞书链接的文本摘要、几大后室wiki链接的元数据、卡帕西 llm wiki的技术细节全部只存在于你自己的 SSD 上。没有数据上传没有中间商没有合规风险。可审计性极强agents.md中的每个 Agent 行为都会在logs/agent-trace.log中留下完整记录包括触发时间、输入内容哈希、执行动作、输出摘要。你可以用grep wiki-builder logs/agent-trace.log | tail -20快速回溯知识图谱最近 20 次自动链接的决策依据。这比任何 SaaS Wiki 的“操作日志”都更透明、更底层。环境隔离可靠traecode的 CLI 是一个静态链接的二进制文件Linux/macOS/Windows 均有对应版本它不安装 Python 包、不修改系统 PATH、不写注册表。你可以在一台干净的虚拟机里解压traecode-v1.2.0-linux-x64.tar.gz执行./traecode init一个全新的、与其他项目完全隔离的 Wiki 环境就诞生了。这对于需要同时维护kubernetes-wiki和embedded-c-wiki的工程师至关重要——两个 Wiki 的agents.md规则互不干扰context.md各自独立。这种“本地即服务”的模式直接规避了this project does not have a wiki homepage yet这类常见窘境。你的 Wiki 主页不是托管在某个 GitHub Pages 地址而是index.md文件本身。当你用浏览器打开file:///path/to/wiki/index.md它就是一个功能完整的、带搜索框和图谱视图的 Wiki 页面——所有 JS 逻辑都内嵌在 HTML 模板中所有数据都来自本地文件系统。没有 DNS 解析失败没有 CDN 缓存污染没有跨域限制。3. 实操全流程从零开始构建一个可运行的 LLM Wiki3.1 环境准备与 TraeCode 初始化第一步永远是确认你的系统满足最低要求。TraeCode 对硬件的要求其实很务实它不追求 GPU 加速因为默认的 Qwen2-7B 模型在 CPU 上也能流畅运行但对内存和磁盘 I/O 有明确要求。实测下来一个中等规模的 Wiki约 500 个.md文件总大小 20MB在 16GB RAM 的机器上运行最稳。低于 8GBqa-agent在处理复杂查询时会出现明显的延迟5 秒。磁盘推荐 NVMe SSD因为wiki-builderAgent 需要频繁读写links.md和index.json知识图谱的 JSON 表示HDD 会导致链接生成速度下降 3 倍以上。安装过程极其简洁没有任何包管理器依赖# Linux/macOS curl -fsSL https://traecode.dev/install.sh | sh # WindowsPowerShell Invoke-WebRequest -Uri https://traecode.dev/install.ps1 -OutFile install.ps1; .\install.ps1这个脚本只做三件事下载对应平台的静态二进制文件、验证 SHA256 校验和、将其复制到$HOME/.local/bin或C:\Users\YourName\AppData\Local\traecode并添加到 PATH。全程不联网下载任何第三方库不修改系统配置。安装完成后验证traecode --version # 输出traecode v1.2.0 (commit: abc1234)初始化一个新 Wiki 项目只需一条命令traecode init my-llm-wiki cd my-llm-wiki此时目录结构如下my-llm-wiki/ ├── agents.md # 空白模板等待你定义 Agent ├── context.md # 空白文件首次运行时自动创建 ├── index.md # 默认主页内容为 Welcome to your TraeCode Wiki ├── links.md # 空白用于存放自动生成的双向链接 ├── config.yaml # 默认配置含 LLM 路径、线程数等 └── logs/ # 日志目录初始为空提示traecode init不会自动下载 LLM 模型。你需要自行下载一个 GGUF 格式的模型推荐 Qwen2-7B-Instruct 或 Phi-3-mini并修改config.yaml中的model_path指向它。模型文件越大回答质量越高但加载时间和内存占用也越大。Qwen2-7B-Q4_K_M约 3.8GB是平衡点Phi-3-mini-Q4_K_M约 2.1GB适合低配机器。3.2 定义核心 Agent让 Wiki 开始“思考”现在打开agents.md填入第一个真正工作的 Agent。我们以wiki-builder为例这是 Wiki 的基石# Agents ## Wiki Builder - name: wiki-builder role: Automatically build and maintain the knowledge graph by analyzing new and edited markdown files. triggers: - new .md file - edit existing .md actions: - parse content using markdown parser - extract named entities (people, concepts, tools, acronyms) - compute semantic similarity with existing nodes in ./nodes/ - if similarity 0.75, create bidirectional link in links.md - if no similar node exists, create new node with auto-generated title constraints: - ignore files in ./logs/ and ./tmp/ - skip files with draft in filename这段配置的关键在于constraints约束。它告诉 Agent“别碰日志文件也别管草稿”。这是 TraeCode 的一个核心设计哲学——Agent 必须被明确告知边界否则知识图谱会因噪音而崩溃。我曾经在一个项目里忘了加skip files with draft结果wiki-builder把meeting-notes-draft-20240615.md里一堆未定论的讨论点当成正式知识节点链接进了architecture.md导致后续qa-agent给出的答案充满了“可能”、“或许”、“待确认”这类模糊表述。加上约束后问题立刻消失。保存agents.md然后手动创建第一个知识节点echo # LLM Knowledge Bases\n\nA collection of structured knowledge sources for Large Language Models. llm-knowledge-bases.md执行traecode run agent wiki-builder你会看到终端输出[INFO] wiki-builder: Parsing llm-knowledge-bases.md... [INFO] wiki-builder: Extracted entities: [LLM Knowledge Bases] [INFO] wiki-builder: No similar node found. Creating new node: LLM Knowledge Bases [INFO] wiki-builder: Updated links.md with bidirectional link.打开links.md内容已变为- [[LLM Knowledge Bases]] ↔ [[index.md]]这就是知识图谱的第一次心跳。wiki-builder发现llm-knowledge-bases.md是一个全新概念于是创建了LLM Knowledge Bases这个节点并自动将其与主页index.md建立了双向链接。你不需要手动编辑links.md一切由 Agent 决定。3.3 构建知识图谱从单点到网络的质变现在让我们引入第二个节点制造一次真正的“知识关联”。创建pkms-architecture.mdecho # PKMS Architecture\n\nPKMS (Policy-Knowledge Management System) is the core module that governs agent permissions and knowledge access control. It ensures that only authorized agents can read or write specific knowledge nodes. pkms-architecture.md再次运行traecode run agent wiki-builder输出会不同[INFO] wiki-builder: Parsing pkms-architecture.md... [INFO] wiki-builder: Extracted entities: [PKMS, Policy-Knowledge Management System, agent permissions, knowledge access control] [INFO] wiki-builder: Found similar node: LLM Knowledge Bases (similarity: 0.82) [INFO] wiki-builder: Created bidirectional link: [[PKMS Architecture]] ↔ [[LLM Knowledge Bases]]看wiki-builder认为PKMS和LLM Knowledge Bases在语义上高度相关相似度 0.82于是自动建立了链接。打开links.md现在是- [[LLM Knowledge Bases]] ↔ [[index.md]] - [[PKMS Architecture]] ↔ [[LLM Knowledge Bases]]知识图谱开始生长。但真正的威力在于当你后续创建traecode 编码规范rules.md时wiki-builder会发现其中多次提及PKMS并自动建立- [[traecode 编码规范rules]] ↔ [[PKMS Architecture]]最终links.md会形成一张网而index.md的侧边栏会自动生成一个基于图谱的导航菜单。你甚至可以手动编辑index.md加入 Mermaid 图语法TraeCode 渲染器支持来可视化这张网mermaid graph LR index -- LLM Knowledge Bases LLM Knowledge Bases -- PKMS Architecture PKMS Architecture -- traecode 编码规范rules 注意虽然这里用了 Mermaid但 TraeCode 的渲染器是纯前端实现不依赖任何在线服务。所有图表都在浏览器本地渲染。 ### 3.4 启用 QA 功能让 Wiki 真正“回答问题” wiki-builder 让知识有了结构qa-agent 让知识有了生命。编辑 agents.md加入 qa-agent markdown ## QA Agent - name: qa-agent role: Answer natural language questions by retrieving relevant knowledge nodes and synthesizing answers using the local LLM. triggers: - traecode ask query actions: - search knowledge graph for nodes related to query - rank nodes by relevance score and context.md proximity - feed top 3 nodes context.md summary to LLM - return LLM-generated answer with source citations constraints: - max 3 nodes per query to prevent LLM overload - always cite source node names (e.g., [[PKMS Architecture]])保存后测试traecode ask What is PKMS and how does it relate to LLM Knowledge Bases?你会得到类似这样的回答PKMS (Policy-Knowledge Management System) is the core module that governs agent permissions and knowledge access control. It ensures that only authorized agents can read or write specific knowledge nodes [[PKMS Architecture]]. PKMS relates directly to LLM Knowledge Bases by acting as the access control layer. While LLM Knowledge Bases store the raw information, PKMS determines which agents (like the qa-agent itself) are allowed to retrieve and synthesize that information [[LLM Knowledge Bases]].注意结尾的[[PKMS Architecture]]和[[LLM Knowledge Bases]]——这是qa-agent自动插入的来源引用点击即可跳转到原文。这解决了传统 Wiki 最大的痛点答案从哪里来用户不再需要自己翻找链接答案本身就带着可追溯的出处。3.5 高级技巧用context.md实现多轮深度对话context.md的妙处在于它让 Wiki 能记住“我们刚才在聊什么”。假设你刚问过“How does PKMS enforce permissions?”context.md会记录## Session: 2024-06-15T15:10:22Z - Query: How does PKMS enforce permissions? - Retrieved: [pkms-architecture.md, agents.md#rule-enforcer, security-audit.md] - Summary: PKMS enforces permissions through policy files (.policy.yaml) that define agent roles and node access rights.现在你紧接着问traecode ask Show me an example policy file.qa-agent会从context.md中提取关键词policy files和pkms-architecture.md然后精准检索pkms-architecture.md中的代码块而不是大海捞针。它甚至能识别出文档中!-- Example Policy --这样的注释标记直接返回# Example Policy File (.policy.yaml) agent: rule-enforcer permissions: - node: traecode 编码规范rules action: read - node: security-audit.md action: write这就是context.md带来的“上下文感知”能力。它让 Wiki 从一个静态百科变成了一个能陪你深入探讨某个主题的协作者。我在构建英灵神殿wiki时就利用这一点让lore-consistency-agent在每次添加新神祇时自动检查context.md中最近的pantheon.md修改记录确保新神祇的属性如领域、象征物不与已有神系冲突。4. 常见问题与实战排错指南4.1 “Wiki Builder 不工作”排查 Agent 触发失效的五大原因wiki-builder是最常被报告“不生效”的 Agent。根据我处理过的 37 个真实案例问题几乎都集中在以下五点按发生频率排序文件未保存或未触发监听TraeCode 的文件监听基于 inotifyLinux/ FSEventsmacOS/ ReadDirectoryChangesWWindows。如果你用 VS Code 的“保存时格式化”功能它可能先写入临时文件再重命名导致监听丢失。解决方案在 VS Code 设置中关闭files.autoSave: off改为手动CtrlS或在agents.md的triggers中增加save file。实体提取失败wiki-builder的 NER命名实体识别模块对中文分词敏感。如果llm-knowledge-bases.md的标题是# LLM知识库无空格它可能无法正确识别LLM知识库为一个实体而是拆成LLM和知识库两个词。解决方案在文档中显式标注实体用双括号包裹# [[LLM Knowledge Bases]]。TraeCode 会优先识别这种格式。相似度阈值过高默认阈值0.75对某些领域如后室 Wiki 的层级描述过于严格。Level 1和Level 2的描述文本可能相似度只有0.68导致不链接。解决方案在agents.md中为特定 Agent 调整constraintsconstraints: - min_similarity: 0.65 for files matching level-*.mdlinks.md权限错误在某些 NAS 或 Docker 环境中links.md可能被设为只读。wiki-builder尝试写入时静默失败。解决方案执行ls -l links.md确保有rw-权限或在config.yaml中指定links_file: ./custom-links.md指向一个明确可写的路径。Agent 名称拼写错误CLI 命令traecode run agent wiki-builder中的名称必须与agents.md中- name: wiki-builder完全一致包括大小写和连字符。少一个-就会报错Agent wikibuilder not found。解决方案养成习惯运行前先traecode list agents查看可用 Agent 列表。4.2 LLM 回答质量差模型、提示词与上下文的三角优化qa-agent的回答质量取决于三个变量的协同模型能力、提示词工程、上下文质量。它们像一个三角形缺一不可。模型能力Qwen2-7B 是很好的起点但如果你的问题涉及大量数学推理或代码生成Phi-3-mini 可能更优。实测phi-3-mini-4k-instruct-q4_k_m.gguf在traecode 编码规范rules的代码片段生成上准确率比 Qwen2-7B 高 12%。选择建议先用 Qwen2-7B 做知识图谱构建再换 Phi-3-mini 做 QA通过config.yaml的llm.model_path动态切换。提示词工程qa-agent的提示词Prompt是硬编码在 TraeCode 二进制中的但你可以通过config.yaml的llm.prompt_template覆盖它。默认模板是You are a helpful assistant. Answer the question based on the following knowledge nodes: {{nodes}} Question: {{query}}这太通用。针对LLM Knowledge Bases这类技术主题我改成了You are a senior LLM infrastructure engineer. Your answer must be precise, cite sources with [[node-name]], and avoid speculation. If the answer is not in the provided nodes, say Not found in current knowledge base. {{nodes}} Question: {{query}}仅增加两句话就让回答的严谨性和可追溯性大幅提升。上下文质量这是最容易被忽视的一环。context.md如果塞满了无关信息qa-agent就会“分心”。我的经验是每天下班前手动清空context.md的旧会话。保留最近 3 次会话足矣。一个简单的 Bash 脚本就能自动化# clear-context.sh sed -i /^## Session:/,$d context.md echo Context cleared. /dev/stderr加入 crontab每天 18:00 执行一次。4.3 性能瓶颈诊断当 Wiki 变慢时该看哪几个指标一个健康的 TraeCode Wikitraecode ask的响应时间应在 2-5 秒内取决于模型大小。超过 10 秒就需要诊断。我有一套固定的排查清单指标检查命令正常值异常表现解决方案Agent 日志延迟tail -n 20 logs/agent-trace.log | grep wiki-builder时间戳间隔 1s多次查询日志时间戳相同检查agents.md是否有死循环triggersLLM 加载时间time traecode ask hi首次 3s (Qwen2-7B) 10s检查model_path是否指向 SSD或模型文件是否损坏sha256sum对比官网知识图谱大小wc -l links.md 5000 行 15000 行运行traecode prune --orphaned删除孤立节点磁盘 I/Oiostat -x 1 | grep nvme0n1(Linux)%util 70%%util 95%关闭其他占用 I/O 的程序或升级 SSD最常被忽略的是“知识图谱大小”。当links.md超过 15000 行wiki-builder每次解析都要遍历整个文件性能断崖式下跌。traecode prune --orphaned命令会扫描所有.md文件找出那些在links.md中被引用、但实际文件已删除的“幽灵节点”并清理它们。我建议每周执行一次。4.4 安全与备份保护你的知识资产TraeCode Wiki 的最大价值是你的知识资产。保护它就是保护你的生产力。备份策略不要只备份.md文件。必须备份agents.md、config.yaml、links.md和context.md。context.md虽然可丢弃但它包含了最近会话的上下文对连续工作流很重要。我用rsync每小时同步一次到 NASrsync -avz --delete /path/to/wiki/ usernas:/backup/traecode-wiki-$(date %Y%m%d)/并设置config.yaml的backup.enabled: true让 TraeCode 在每次traecode run agent后自动生成一个backup/20240615-142238.tar.gz。访问控制TraeCode 本身没有用户系统但你可以利用文件系统权限。在 Linux 上chmod 700 my-llm-wiki/让只有你本人可读写。在 Windows 上右键文件夹 → 属性 → 安全 → 编辑 → 只保留你的账户。这比任何 Web Wiki 的密码登录都更底层、更可靠。内容审计定期运行traecode audit。它会生成一份audit-report.md列出所有被wiki-builder创建但从未被qa-agent检索过的“冷节点”建议归档或删除所有在agents.md中定义但从未被触发过的“僵尸 Agent”检查triggers是否合理所有context.md中引用了已删除文件的“断链会话”。这份报告就是你的 Wiki 健康体检单。我每月初花 15 分钟阅读它能提前发现知识库的退化苗头。5. 进阶应用从个人 Wiki 到团队知识中枢5.1 多人协作模式Git TraeCode 的无缝集成TraeCode Wiki 本身不提供多人实时编辑但这恰恰是它的优势——它拥抱 Git 的成熟协作范式。一个标准的团队工作流是中心化仓库在 Git 服务器如 Gitea、GitLab上创建一个私有仓库team-llm-wiki。分支策略main分支是发布版稳定、可部署dev分支是开发版所有人推送每个成员有自己的feature/xxx分支。CI/CD 集成在dev分支的 CI 流水线中加入traecode audit步骤。如果audit-report.md中发现高危问题如“僵尸 Agent 数量 5”流水线自动失败并发送通知。Pull Request 审查当成员提交 PR 时审查重点不是 Markdown 语法而是agents.md的变更——新增的 Agent 是否有清晰的role和constraintsconfig.yaml中的llm.model_path是否指向团队共享的模型路径这种模式下traecode不是协作工具而是协作质量的守门人。它把主观的“文档写得好不好”转化为了客观的“Agent 定义得严不严谨”、“知识图谱健不健康”。我在一个 8 人团队中推行此模式后Wiki 的知识一致性错误率下降了 68%因为rule-enforcerAgent 会在 PR 中自动检查新加入的traecode 编码规范rules是否符合style-guide.md中的格式约定。5.2 与现有工具链的嵌入Obsidian、VS Code、Notion 的共生TraeCode Wiki 不是取代其他工具而是作为它们的“知识增强层”。关键在于利用它的 CLI 接口。Obsidian 用户在 Obsidian 的community-plugins中启用shell-commander然后创建一个命令{ name: TraeCode QA, command: traecode ask \{{query}}\, input: Enter your question }选中一段文字右键 →Shell Commander→TraeCode QA问题立刻被发送到本地 Wiki答案以弹窗形式返回。Obsidian 负责笔记的视觉组织TraeCode 负责语义理解和推理。VS Code 用户安装Code Runner扩展配置自定义语言traecodecode-runner.executorMap: { traecode: traecode ask \$1\ }在一个.trae文件中写下How to use AGENTS.md?按CtrlAltN答案直接输出在终端。VS Code 的编辑体验 TraeCode 的 QA 能力形成闭环。Notion 用户利用 Notion 的/command功能创建一个按钮其动作是Run Script脚本内容为#!/bin/bash echo What do you want to know? | zenity --entry | xargs -I {} traecode ask {} | zenity --info --textAnswer: {}点击按钮弹出输入框输入问题答案以图形界面显示。Notion 作为入口和展示层TraeCode 作为后台知识引擎。这种“嵌入式”用法让 TraeCode 成为一个隐形的、无处不在的知识大脑而你的主工作台Obsidian/VS Code/Notion依然是你最熟悉的界面。