开篇：你骂过 AI 吗

“帮我整理一下这个资料，重点是定价那部分。”

这句话你肯定跟 AI 说过。听起来没啥问题对吧？

然后 AI 开始干活。整理完了，你一看——定价那部分是有，但你真正想要的是"2023 年之后 AI SaaS 产品的定价从按 seat 转按量的那个转折点是啥时候、每家具体怎么转的"。AI 整理成了一堆通用的"定价模式分类"，跟你要的完全不是一回事。

你骂它。但你有没有想过——你说的话太飘了。

“重点是定价那部分”——定价什么？哪一部分？什么时间范围？什么粒度？这些你脑子里有，但你没说出来。AI 只能按自己的理解干。干出来不是你要的，你回头骂它"漫无边际"，它觉得很委屈。

这个循环每天都在上演。Trae 其实内置了三个工具，专门解决这个"虚话转实活"的问题——/Plan、/Spec、/Goal。

核心逻辑：人天生擅长聊虚的，固化落地是反人性的

你脑子里的想法大概长这样：

“我想做一篇 AI SaaS 定价的调研……主要是 2023 之后的……转按量定价那个事……每家怎么转的……整理成表格吧……”

这些想法是定性的、跳跃的、没有终点的。AI 拿到这个，只能按自己的理解往下飘。

但这里有一个更根本的问题——这不是你的错。人的大脑天生就是这样运作的：我们擅长想概念、聊框架、做跳跃性的关联，但让我们自己把这些虚的想法固化成可执行的步骤、可验证的标准、可量化的终点——这是反人性的事。你让自己干这件事，你会嫌累、嫌烦、嫌琐碎，然后说"算了就这样吧"，结果就是飘着的想法飘着落地不了。

Trae 的三个内置模式，解决的就是这件事。它不是让你花额外精力去写结构化 prompt——它是让AI 反过来帮你做这件反人性的事：你只管跟它聊虚的、飘的、概念性的，它用/Plan、/Spec、/Goal这些内置框架，帮你把脑子里那些模糊的想法，翻译成结构化的、有验收标准的、AI 能直接执行的指令。你不用自己写，你只需要"审一眼"——AI 列的执行清单对不对、AI 写的验收标准行不行、AI 定的边界会不会太宽。

这个角色关系很重要：不是你被逼着学结构化，是 AI 帮你把虚的变实的。

/Plan：先让 AI 帮你列执行清单，你审一眼再跑

触发方式：对话输入框打/Plan回车。

它解决什么

你说"帮我整理一下 AI SaaS 定价资料"——这句话有很多种理解。AI 可能去搜"AI 定价"的学术论文，也可能去爬各家官网的价格页面。你心里想的是后者，但你没说。

/Plan会让 AI 先停下来，帮你列一个"执行清单"——它打算按什么思路做、分几步、每步产出什么，然后存成plan.md给你审。你觉得对就点头，不对就改，或者直接说"第二步不要做，换成 ×××"。

它怎么帮你"翻译"

AI 生成 plan.md 时，会把你模糊的需求强制拆成可操作的步骤。比如你只说了"整理定价资料"，AI 可能列：

1. 从资料夹里 50 个文件中识别定价相关段落 2. 提取每家公司的定价模式（按 seat / 按量 / 混合） 3. 记录定价数字（区间或单点） 4. 标注定价变化日期（从按 seat 转按量的时间点） 5. 整理成 CSV 表格

这时候你一眼就能看出来——AI 做的是不是你想要的那个版本。方向不对你现在改，比做完了再骂再重来成本低一万倍。

什么时候用

任务中等复杂度，你大概知道分几步，但不想自己动笔写步骤——让 AI 帮你列，你审。典型场景：批量整理资料、改一批文件、修一组相关的 bug。

/Spec：大任务先对齐三件事——大纲、任务列表、验收清单

触发方式：对话输入框打/Spec回车。

它解决什么

当你的任务大到"直接列 plan.md 都列不全"的时候——比如你想写一本关于 AI 工具的小册子（10 章、3 万字），或者想做一个跨团队的调研项目。直接开干，大概率是写到第 6 章发现第 2 章的方向偏了、第 9 章和第 3 章冲突。

/Spec会让 AI 生成三份文档，帮你先对齐、再执行：

三份文档都存成项目文件，AI 生成之后暂停等你确认——你可以直接编辑文件，也可以用自然语言说"checklist 里加一条 ×××"。

它怎么帮你"翻译"

最关键的是 checklist.md。你脑子里想的"每章要有用例"，AI 会翻译成：

checklist 示例（小册子第 3 章）： □ 包含至少 3 个真实的 AI 工具使用场景 □ 每个场景标注了工具名称、版本号、使用日期 □ 场景描述控制在 500 字以内 □ 包含一个对比表，列出 3 个工具的优劣势

这东西不是给 AI 自己看的——这是你验收的唯一依据。写完就勾，勾完就过，不会出现"AI 觉得差不多了但你觉得不够"的矛盾。

什么时候用

任务大、涉及多人协作、或者你自己都说不清具体分几步的时候。典型场景：从零搭一个系统、写一本书/白皮书、多人协作的大型调研。

/Goal：把"我要搞定这件事"翻译成"做完标准"，让 AI 自己跑到终点

触发方式：对话输入框打/goal回车。

它解决什么

你说"整理一下定价资料"——AI 整理到一半觉得"差不多了"就宣布完成，或者漫无目的地搜了一堆你不关心的东西。你中间得不断喊"继续"“不是那个方向”“这个不要”。你变成了那个不停催进度的项目经理。

/Goal会让你把"我要搞定这件事"翻译成两件事：

1. 可验证的完成标准（until）：客观存在的、能被检验的终点——不是"整理完定价资料"，是"CSV 文件生成完毕，每一行数据都能在源文件中找到原文出处"
2. 不能碰的边界（without）：AI 自主执行时容易"顺手"干的事——比如"不修改资料夹里任何原文件"

写好这两件事，扔给 AI，你就不用喊"继续"了。AI 每做完一轮，自己检查有没有到终点——没到就继续推进，到了就停。中间你可以随时/goal不带参数查状态，失控了就/goal clear终止。

它怎么帮你"翻译"

你脑子里想的"整理定价资料"，AI 帮你翻译成：

/goal 从资料夹 50 个文件中提取 AI 产品定价信息，整理成 CSV until CSV 生成完毕，每行数据都有原文出处 without 不修改资料夹里任何原文件

注意until 后面必须是可客观验证的东西——“CSV 生成了”、“每行都能找到出处”，不是"定价资料整理得很好"。后者 AI 自己没法判断，前者可以。

什么时候用

任务需要 AI 自己循环推进好多轮、或者你没空盯着的时候。典型场景：批量挖资料、持续排查问题、连续执行一组关联任务。

三者配合使用的场景（一个完整例子）

假设你要做一个"AI SaaS 产品定价策略调研"的长期项目，涉及 50 个源文件、3 万多字的调研报告。你可以这样用：

第一步：先对齐方向（/Spec）

/Spec我要做一个 AI SaaS 定价策略的调研，范围是 2023-2026 的主流产品，输出一份 8000 字的调研报告 + 一张对比表

AI 生成 spec.md（调研大纲）+ tasks.md（拆成收集资料、整理表格、写报告三个大阶段）+ checklist.md（每阶段的完成标准）。你审完，ok。

第二步：每个大阶段里用 /Plan

/Plan先执行 tasks.md 里的第一阶段——收集资料

AI 列具体的收集步骤，你审一眼，ok，AI 开始跑。

第三步：最枯燥的环节用 /Goal

/goal从收集到的 50 个文件里提取定价信息，整理成 CSV
until CSV 生成完毕，每行都有原文出处
without 不修改原文件

扔给 AI，你干别的去。AI 自己跑到终点，CSV 出来了，你查一眼 checklist，ok。

第四步：写报告阶段，再用 /Plan 写大纲，再执行

这样一轮下来，你几乎没骂过 AI——因为每一步都是"先对齐、后执行、有验收"。AI 不用猜你想要什么，你不用骂 AI 干得飘。

最后

Trae 这三个内置模式，最深的意义其实不是"帮你写 prompt"或者"帮你拆任务"——是它读懂了人和 AI 各自擅长什么、不擅长什么。

人擅长想虚的、聊飘的、出概念、做跳跃性的关联。让自己把这些虚的东西一条条固化成可执行的步骤、可验证的标准，累、烦、反人性。

AI 刚好反过来——它不擅长想虚的，给它一个模糊的方向它会漫天乱飘；但它特别擅长把虚的东西一步步掰实：把"整理一下"拆成 5 步执行清单，把"每章要有用例"写成带勾框的 checklist，把"搞定这件事"翻译成可验证的终点和不能碰的边界。

Trae 就是让这两者互补：你负责想、负责聊、负责出概念；AI 负责帮你固化、帮你拆解、帮你量化。你不用自己逼自己写结构化 prompt——让 AI 来逼你（其实是帮你）把脑子里那些飘着的想法落地。

你跟 AI 聊得越虚，AI 干得越离谱——这个问题的根因，是你把 AI 当成了"直接干活的工具人"而不是"帮你把虚变实的翻译器"。换一个关系，用对工具，循环就破了。