Trae + DevEco CLI：鸿蒙 Vibecoding 全流程实战指南

AI 要真正独立地完成鸿蒙开发，光有“聪明”远远不够。

• 手脚——能构建工程、安装真机、抓日志、点 UI。没有它，AI 只能“纸上谈兵”，写完代码却跑不起来；
• 眼睛——能实时看见代码有没有编译错误、官方文档怎么说、设备当前是什么状态。没有它，AI 改完代码只能靠猜；
• 大脑——一个足够强、又足够便宜的模型来驱动长流程 Agent 循环。没有它，上下文动辄几>万 token、一轮任务调用几十次模型，成本高到不敢放手；
• 经验——跨会话沉淀的项目惯例与踩坑史。没有它，AI 每次会话都从零开始，把同样的坑>再踩一遍。

下文按这四层逐一展开，最终拼出一张完整的鸿蒙 vibecoding 实战地图。

一、命令行给 AI 手脚：DevEco CLI

1.1 它是什么

AI 模型本身只会生成文本，“构建工程、安装真机、抓日志、点 UI”这些物理世界的动作必须由工具代劳。DevEco CLI（命令 devecocli）就是华为在 2026 年 6 月 HDC 大会期间推出的官方“手脚”——它不重新造轮子，而是把 DevEco Studio 已有工具链原子化封装成统一入口：hvigor 构建、ohpm 依赖、hdc 设备调试、模拟器、hilog 日志全部收敛到一个命令下，并且原生面向 AI Agent 设计——任何能调终端的 AI 编程工具（Trae、Cursor、Claude Code 等）都能配置后调用它。

安装只需一行：

npm install -g @deveco/deveco-cli

环境要求：Node.js ≥ 18（推荐 22+）、DevEco Studio ≥ 6.0.0 或 Command Line Tools ≥ 26.0.0，已覆盖 Windows / macOS / Linux。

1.2 能力全景

devecocli --help
  build       构建打包（.hap/.hsp/.har/.app，支持 --product/--modules/--build-mode）
  build clean 清理构建产物
  check       lint（Code Linter 规范检查）/ compat（SDK 版本 API 变更扫描）
  run         构建+安装+启动（支持 --device/--ability/--uninstall/--skip-build）
  device      list / view 真机与模拟器查询
  emulator    list/start/stop/create/delete + 场景模拟（摇一摇/旋转/电量/GPS/传感器/折叠）
  ui          layout 控件树 / screenshot 截图 / click·swipe·text UI 自动化
  log         hilog 与崩溃日志（--level/--tail/--from/--follow）
  docs        本地鸿蒙文档检索（search/read/catalog）
  skills      鸿蒙技能市场（list/find/add/remove）
  create      工程脚手架（最低 API 17）
  signature   generate 自动生成调试签名材料并写入工程配置
  auth        华为开发者账号登录
  init        将 skill 或 MCP 服务配置到 AI Agent（支持 trae-cn）
  serve mcp   启动内置 MCP 服务

从“手脚”的视角看，这套命令覆盖了鸿蒙开发的一切物理动作：构建打包（build）、部署运行（run）、感知环境（device/emulator）、触达界面（ui）、听取反馈（log）、查阅知识（docs）。

1.3 重点：MCP 构建能力的收缩与去留

这是近期升级中最值得说道的变化。DevEco CLI 的 MCP 服务发生了明显收缩：build_project、start_app 等构建/执行类 MCP 工具被移除，MCP 只保留了文档与知识类等“只读”能力（文档检索、基于 LSP 的语法检查/跳转/引用等诊断能力），构建、签名、部署、模拟器、UI 自动化这些“会改变世界”的操作全部回归命令行。

从开源项目 DevEco Toolbox 的动向可以印证这一趋势。该项目原本提供了包含 build_project（项目构建）、start_app（启动应用）、check_ets_files（语法检查）等在内的完整 MCP 工具集，但其 README 明确写道：“在 2026 年的 HDC 大会上，华为官方正式发布了 DevEco CLI……相较于 MCP 方案，命令行方式在 Agent 场景下更具优势，且官方工具已覆盖我们现有工具，包括 LSP 静态语法检查在内的绝大部分能力”，因此“决定后续不再对该 MCP 工具进行深度功能迭代”。

为什么会这样收缩？ 结合实测推测有几方面原因：

1. 安全边界与可审计性。构建/签名/部署是有副作用的写操作——改文件、调签名密钥、往真机装包。走 MCP 工具调用时，Agent 可以“悄悄”执行，用户难以感知和拦截；而命令行执行天然经过终端与沙箱权限体系（例如 Trae 的沙箱对 [Outside sandbox] 命令需要放行），每一次“手脚动作”都可见、可控、可审计。把危险操作从 MCP 挪回 CLI，等于给 AI 的手脚加了一层安全反射弧。
2. 职责分离的架构清晰化。MCP 适合做无状态、只读的“眼睛”（诊断、检索），命令行适合做有状态、有副作用的“手脚”（构建、部署）。之前 MCP 同时承担两类职责，边界模糊；收缩后“眼睛管看得准，手脚管做得完”，各自演进互不拖累。
3. 工程稳定性。构建链路高度依赖本地 toolchain 状态（DevEco Studio 版本、签名缓存、构建锁），封装进常驻的 MCP 进程容易与 CLI 的构建锁机制冲突，出错后排查困难；直接执行 CLI 命令，日志原样输出、退出码明确，Agent 与人看到的世界完全一致。
4. 与官方定位一致。DevEco CLI 官方定位本来就是“AI Agent 能自主发现和调用命令行”，MCP 只是补充而非主体。收缩 MCP 反而引导生态走统一路径，减少两套调用方式的维护成本。

对使用者的实际影响：如果你的 Agent 之前依赖 MCP 的 build_project 之类工具构建，升级后会“手突然没了”——必须让 Agent 学会直接调 devecocli build 等命令（第四章的“项目记忆固化”正是为此准备的解法），或者按第三章方式重装新版 skill/MCP 补齐。

二、模型给 AI 大脑：Trae 与高性价比内置模型

半年前尝试使用 Trae 进行鸿蒙开发时还能明显感觉到和 Claude 的区别，半年过去了现在再尝试感觉已经没有太大的区别了——一方面 Trae 本身在进步，一方面模型能力也在快速发展。

2.1 Trae 是什么

有了手脚，还需要一个会思考、会调度的大脑与载体。Trae 是字节跳动推出的 AI 原生 IDE，包含面向个人/企业的 TraeCode（AI IDE）与 AI 办公平台 TraeWork。核心能力：

• 双重开发模式：IDE 模式（强控制感）与 SOLO 模式（AI 主导，自动规划-执行-验证全流程）自由切换；
• 自定义智能体生态：可自由配置工具、技能与任务逻辑，还支持用 Markdown 定义子智能体（Subagent），内置 Agent 会在合适时机自动调度；
• MCP 扩展：通过 Model Context Protocol 接入外部工具与资源；
• Cue 智能续写：感知仓库上下文与编辑轨迹，Tab 键快速应用多行编辑建议；
• Rules / 记忆 / Skills：项目规则、跨会话记忆、技能体系构成 AI 的“长期素养”。

2.2 内置模型盘点：高性价比是 vibecoding 的入场券

以下介绍的均为 Trae 内置模型（模型选择面板可直接切换，无需自行配置 API）。根据 Trae 官方文档，TraeCode 当前内置模型包括 GLM-5.3-Flash、GLM-5.3、GLM-5.2、DeepSeek-V4-Pro 正式版、DeepSeek-V4-Flash 正式版、DeepSeek-V4-Flash、Kimi-K3等。鸿蒙 vibecoding 的 Agent 循环动辄上下文几万 token、一轮任务调用几十次模型，大脑的“单位智力成本”直接决定了你敢不敢放手让 AI 干。当前两款最值得关注的内置 Flash 档模型：

GLM-5.3-Flash（智谱）——全场性价比之王

• 规格：320B 总参数 MoE、每 token 激活 18B，1M token 上下文，GLM-5 系列首个原生多模态模型（支持图/视频/文件/文本），thinking 默认开启，MIT 协议开源；
• 能力：发布前以匿名模型 “Ox Alpha” 在 OpenRouter/OpenCode 测试即登顶调用量榜首；Artificial Analysis 综合智能指数 57 分，与 Claude Opus 4.8 持平，超越前代 GLM-5.2；DeepSWE 编程基准通过率 80%；

图 1：Trae 企业版模型价格参考

定价仅为旗舰 GLM-5.3 的 1/10——“前沿智能第一次不需要省着用”。对 Agent 高频循环场景，缓存命中 ¥0.23/M 让长会话上下文成本大幅下降。若对响应速度要求更高，GLM-5.3-FlashX 用同一基座把生成速度提到 200 tokens/s（5 倍），价格 2.5 倍——强交互场景的流式输出体感肉眼可见地变快。

DeepSeek-V4.1-Flash（深度求索）——非对称架构的低成本强者

2026 年 9 月 10 日发布（Trae 企业版自 2026 年 8 月起即内置 DeepSeek-V4-Flash，新一代模型持续跟进）：

• 非对称 Causal Encoder-Decoder 架构：552B 总参数 MoE，输入仅激活 8B、输出激活 16B——“更多智能，更少成本”；
• 原生多模态视觉理解，1M 上下文、384K 最大输出；
• 能力越级：多项基准超越自家旗舰 V4-Pro（GPQA Diamond 90.9、Codeforces 3471、Terminal-Bench 2.1 90.6、DeepSWE v1.1 74.2）；
• KV Cache 大幅压缩：HBM 需求 1/4、SSD 1/8，Agent 类任务的长上下文成本显著下降；
• 峰谷定价（元/百万 token）：输入闲时 ¥1 / 忙时 ¥2，输出闲时 ¥4 / 忙时 ¥8，缓存命中闲时仅 ¥0.1。

选型建议：日常 vibecoding 主力用 GLM-5.3-Flash（最便宜 + 智能持平旗舰）；复杂架构设计、疑难 Bug 排查切旗舰模型或开 Max 模式。模型成本的下降，本质上是把“AI 有没有手脚”的问题从经济学约束变成了纯工程问题。

三、把 DevEco CLI 的能力接入 Trae

手脚（CLI）就绪、大脑（模型）就位，还需要眼睛——Agent 必须能“看见”代码有没有错、文档怎么说、状态是什么。DevEco CLI 为 Trae 提供了两条接入路径，可以叠加使用。

3.1 路径一：安装官方 Skill（让 Agent “懂” devecocli）

Skill 是 Agent 的“操作手册”，让它知道每条命令的参数、前置条件与踩坑点：

# 安装/更新最新 CLI
npm install -g @deveco/deveco-cli

# 把 deveco-cli 技能安装到 Trae（--agent 支持 trae-cn）
devecocli init --skill --agent trae-cn

# 或项目级安装到指定路径
devecocli init --skill --path .trae/skills -f

图 2：Skill 文件结构（SKILL.md）

安装后 Trae 会获得一份结构化的 SKILL.md，内容涵盖全部子命令的参数、前置条件、Recipes（如“全新工程跑上模拟器”、“诊断崩溃”、“首次签名配置”）与 Troubleshooting（如签名不一致、授权协议未接受等）。配合 Trae 的技能触发机制，只要工作区有 build-profile.json5/oh-package.json5，或对话提到鸿蒙/ArkTS/UI 测试等关键词，Agent 就会按 Skill 指引正确调用 devecocli。

项目级技能也可以走技能市场按需挑选：

devecocli skills find lint            # 按关键词找技能
devecocli skills add --skill <name> --agent trae-cn --project .   # 装到项目
devecocli skills remove --skill <name>                            # 卸载

3.2 路径二：配置 MCP（编辑器级的眼睛）

MCP 是“眼睛”的标准载体——结构化、低延迟、只读：

# 为项目配置 deveco MCP 服务（基于 LSP 的 ArkTS/C++ 语法检查）
devecocli init --mcp --agent trae-cn --project <项目绝对路径>

配置后 Trae 可通过 MCP 获得结构化诊断能力：check（传 files 数组，返回 severity 1=Error/2=Warning/3=Info）、hover、definition、references、callHierarchy 等——相当于给 Agent 配了一双“编辑器的眼睛”，改完代码即刻知道有没有编译错误，不用等几分钟的完整构建来反馈。

图 3：MCP 能力列表

除了工具链 MCP，华为还提供 harmonyos_developer_knowledge 文档 MCP（searchDocuments 按关键词检索官方文档 / getDocumentsById 按 ID 读全文），Agent 写 ArkTS/API 时可实时查证官方文档，避免“幻觉 API”。它与 devecocli docs（本地离线文档检索，含开发指南/API 参考/最佳实践/FAQ/版本说明）互为补充：本地 docs 快而离线，文档 MCP 全而在线，交叉验证效果最好。

3.3 升级同步：devecocli 升级后如何更新 Skill 与 MCP

Skill/MCP 并不是“装一次管终身”——Skill 的内容与 CLI 版本强绑定（新版新增的子命令、参数、Troubleshooting 都靠 Skill 传递），CLI 升级后不同步更新 Skill，Agent 就会按旧手册操作新工具，轻则报错重则误操作。标准升级流程：

# 1. 查看当前版本并升级 CLI 本体
devecocli --version
devecocli update

# 2. 覆盖重装 Skill（-f 强制覆盖旧版配置）
devecocli init --skill --agent trae-cn -f
devecocli init --skill --path .trae/skills -f        # 项目级安装的同样覆盖

# 3. 重新初始化 MCP 配置（-f 覆盖旧配置）
devecocli init --mcp --agent trae-cn --project <项目绝对路径> -f

# 4. 验证
devecocli --help                                     # 核对新子命令/新参数
devecocli serve mcp                                  # 确认 MCP 服务可正常拉起

升级同步的四个要点：

1. -f 是关键：init 默认不覆盖已有配置，升级后必须带 -f 强制覆盖，否则 Trae 里挂的还是旧版 Skill/MCP；
2. 重启生效：MCP 配置变更后需重启 Trae 或重载 MCP 服务（若 Agent 已挂载 deveco MCP 会话，可通过其 restart 工具热重启）；
3. 重新实测校准：升级可能伴随能力收缩（如 移除 MCP 构建工具），升级后先跑一轮 --help 核对差异，并在真实工程上验证构建/运行链路；
4. 回写项目记忆：把版本差异与新坑更新进项目记忆（见第四章），让团队所有人的 Agent 同步进化。

3.4 两条路径的分工

能力	Skill	MCP
构建/运行/签名/模拟器/UI 自动化	✅（通过终端执行 CLI）	❌
代码规范检查、兼容性扫描	✅	❌
单文件级语法诊断/跳转/引用	❌	✅
官方文档检索	✅（docs 子命令）	✅（文档 MCP）

实践原则：MCP 管“看得准”（静态诊断与文档知识），CLI 管“做得完”（构建部署）——眼睛与手脚各司其职。

四、项目记忆给 AI 经验：让 Agent 越用越懂你的项目

4.1 为什么必须“固化”

Skill 是通用知识，MCP 是通用眼睛，但每个项目都有自己验证过的操作惯例与踩坑史。尤其收缩 MCP 构建能力后，Agent 的构建/部署动作全部依赖命令行——如果每次会话都靠临时摸索，效率极低且容易翻车。解法就是把实测过的 CLI 用法与鸿蒙踩坑经验固化到项目记忆：Trae 的记忆机制会在每次会话自动加载这些内容，Agent 开局即“老手”。

4.2 三步法：实测学习 → 验证 → 固化

第一步：装 Skill 打底。 按第三章安装 deveco-cli skill，让 Agent 具备基础命令知识。

第二步：实测校准。 让 Agent 对每个关键子命令跑 --help 实测参数，再在真实工程上验证：

devecocli build --help
devecocli run --help
devecocli check compat versions   # 先列可用版本再扫描
devecocli ui layout --format json --mode simplified --depth 4

第三步：固化到项目记忆。 在项目根目录的 project_memory.md 中开辟“deveco-cli 工具链”专章，沉淀实测结论。本项目沉淀的内容示例：

## deveco-cli 工具链（v1.3.2，实测固化）

- 构建首选路径 = `devecocli build --product default --modules entry@default --build-mode debug`
  （实测 BUILD SUCCESSFUL 43s，自动处理签名，优于手动 hvigorw）；清理产物用 `devecocli build clean`
- 运行部署：`devecocli run --module entry@default [--device <name|serial>]`
  （支持 --uninstall / --skip-build / --ability）；增量热修 --apply <hqf>
- 代码检查：`devecocli check compat --source-version <v> --target-version <v>`；
  `devecocli check lint <path> [--fix] [--incremental]`
- UI 真机调试：`ui layout --format json --mode simplified --depth n` 取控件树、
  `ui screenshot --path <dir>` 截图、`ui click|swipe|text` 自动化操作
- 实测注意：build 输出含大量历史 deprecation WARN 属正常，判定只看结尾 BUILD SUCCESSFUL 行

图 4：项目记忆文件节选

真正值钱的是带踩坑注解的操作惯例：多设备时 --device 必传；构建日志是单个超长 JSON 行，Grep/Read 无法截取，要用 PowerShell -match 'BUILD SUCCESSFUL|exit code +' 提取；check compat 的版本值在 zsh 下要加引号；沙箱限制下 build 等命令需要放行（[Outside sandbox] 规则）。

4.3 不止 CLI：鸿蒙开发踩坑经验同样入库

项目记忆里除了工具链，更应沉淀语言级/框架级的踩坑教训。以下摘自作者 Trae 项目记忆文件：

• ArkTS 路由传参：pushPath 的 param 是 unknown，内嵌对象字面量会报 arkts-no-untyped-obj-literals，必须先声明 interface 并用显式类型变量传入；
• 长列表懒加载选型：V2 状态管理用 Repeat + virtualScroll（LazyForEach 面向 V1）；一个滚动容器只能一个 Repeat，多类型子项用 .templateId()/.template() 双模板；Repeat 必须始终提供 .each() 默认模板——官方错误码文档明确，缺少 each 属性会抛出 BusinessError(103802)（“lacks mandatory ‘.each’ attribute function”）；
• ArkTS 严苛语法：arkts-no-spread 同样禁止 { ...obj, key: val } 式更新，须逐字段显式构造；@ComponentV2 成员名禁止与通用属性方法重名（如 offset）；
• 资源校验：sys.symbol 图标名必须以完整构建为准，静态检查通过不代表资源存在。

这类经验一旦入记忆，Agent 后续所有会话都不会再犯——错误成本只付一次。配合双向同步约定（项目记忆更新后同步覆盖仓库根目录副本并随 git 提交），团队成员拉取代码即共享整套经验。

4.4 记忆驱动的正循环

把记忆维护变成日常仪式：每次任务结束让 Agent 主动回答一句“本次有什么经验需要记入项目记忆？”，形成 开发 → 踩坑 → 沉淀 → 复用 的正循环。三个月下来，Agent 对这个项目的熟悉程度会超过大多数新加入的人类成员。

五、其他 Trae 提效手段

• Goal 模式跑长任务：如“把全部 Text 组件补齐 maxFontSize 兜底”这类横跨多个文件、1000+ 处修改的机械性任务，用 /goal 定义完成条件（构建通过 + 指定组件全部覆盖），Agent 自动多轮续跑直至达标；
• 子智能体并行：让内置 Agent 自动调度 Subagent 并行探索代码库、分片执行独立子任务，主上下文只收结论；
• 内置技能：提交前跑 TRAE-code-review 做质量审查、TRAE-security-review 做安全扫描、疑难运行时 Bug 用 TRAE-debugger 收集运行时证据；
• Rules 约束行为：把“禁止自行 git commit”、“必须保证零编译错误”、“弹窗统一用 dialoghub”等项目纪律写进 Rules，AI 不会越界；
• Cue 续写 + 会话副本：机械改动交给 Cue 的多行建议 Tab 连打；试验性方案 Fork 一个会话副本去试，失败不污染主会话。

六、总结

回到开头那四句话，现在可以给出完整版：

• 命令行给 AI 手脚：DevEco CLI 把 DevEco Studio 的构建、签名、部署、模拟器、UI 自动化原子化为 AI 可调用的命令，1.3.x 的自动签名与增量热修把“改代码→看效果”压到秒级；收缩 MCP 构建能力、执行回归 CLI，则是给手脚加上了安全反射弧；
• MCP 给 AI 眼睛：基于 LSP 的语法检查、引用跳转，加上文档 MCP 与 devecocli docs 的双通道知识检索，让 Agent 看得准、查得实，不靠猜；
• 模型给 AI 大脑：Trae 内置的 GLM-5.3-Flash 以旗舰级智能+ 全场最低价成为日常主力，DeepSeek-V4.1-Flash 以非对称 Causal Encoder-Decoder 架构提供又一个低价高性能选项——便宜的聪明大脑让“放手让 Agent 干”成为理性决策；
• 项目记忆给 AI 经验：通过“Skill 打底 → 实测校准 → 固化到项目记忆”的三步法，把验证过的 CLI 用法与鸿蒙踩坑经验变成跨会话、可随 git 共享的团队资产，这是让 AI 从“一次性帮手”变成“越用越懂你项目的工程伙伴”的关键。

四层各就其位、互相咬合：眼睛校准手脚，大脑调度一切，经验让整套系统随时间复利。鸿蒙全流程 vibecoding 从此不再是概念，而是每天真实发生的日常。

参考链接

• DevEco CLI 版本说明：https://developer.huawei.com/consumer/cn/doc/doccenter-deveco-studio/ide-deveco-cli-releasenote
• DevEco CLI 仓库：https://gitcode.com/openharmony-sig/deveco-cli
• Trae 更新日志：https://www.trae.cn/changelog
• GLM-5.3-Flash 发布：https://www.sina.cn/news/detail/5336301131530948.html
• DeepSeek-V4.1-Flash 发布：https://deepseek.com/en/news/deepseek-v4-1-flash/