AI编程Agent横向评测：AntiGravity与TRAE Work谁更强？

2025年的AI编程赛道，最不缺的就是新产品，但能让整个开发者圈子连续刷屏的并不多。AntiGravity（反重力）算是其中一个：一个刚走出隐身模式没多久，就被微软旗下M12基金和Seedcamp同时押注的AI原生IDE，背后站着一批来自GitHub、GitLab、Datadog的老将。几乎同一时间，字节跳动旗下的TRAE系列也在快速迭代，尤其是TRAE Work这个偏向Agent工作流的新版本，讨论度一路走高。

很多技术负责人嘴上说着“再观望一下”，实际上已经私下拿小项目在测试了。这篇文章不打算复读官方文档，我想从一个实际评估者的角度，把AntiGravity这类企业级AI Agent的核心能力拆开，和TRAE Work、Cursor、Windsurf、GitHub Copilot等主流产品放到同一张桌子上比一比。适合谁看？正在做技术选型的技术负责人、想给团队引入AI编程工具的开发主管，以及单纯想搞清楚“这些新工具到底谁更能打”的开发者。我会尽量把每个判断背后的“为什么”讲清楚，也会把安装、配置、跑通第一个Agent任务过程中踩过的坑点列出来，方便你直接抄作业。

1. AntiGravity到底是什么：为什么企业开始盯上它

1.1 一句话定位：不是IDE，是“会干活的Agent环境”

很多人第一次听到AntiGravity，以为它又是个套壳VS Code的AI补全插件。这个理解不能说错，但太浅了。它本质上是一个AI原生的开发环境，底子是VS Code分支，所以界面、快捷键、插件生态你都不会陌生，但核心不是编辑器本身，而是围绕“Agent能独立干活”设计的整套机制。

它的定位逻辑，和我之前评测过的一堆AI IDE都不一样。Cursor做的事情是“让Copilot更聪明地帮你写代码”，本质是人机结对；而AntiGravity想做的事情是“你把一个任务丢给它，它自己规划、写码、跑测试、改bug、直到交付”。这个差异听起来只是程度问题，实际用起来是完全两种工作方式。前者你还在坐在电脑前一行行看diff，后者你已经在旁边喝咖啡等结果了。

这也是为什么很多企业开始关注它。在团队人力紧张、需求排期爆炸的环境下，一个能真正独立执行任务的Agent，意味着某些标准化开发工作可以从“人天”压缩到“分钟级”。当然，前提是它靠谱，这也是选型时要重点考察的点。

1.2 核心能力拆解：Agent模式、云沙箱、浏览器自动化

我实测下来，AntiGravity有四个能力组合在一起，才构成了它的完整产品形态，缺一个都不成立。

第一个是Incoder，一个深度集成在编辑器里的AI结对编程助手。它跟普通补全最大的区别是：补全结果不是基于前文预测的“字面延续”，而是结合了当前项目的报错信息、控制台输出、甚至Git历史来做的“意图补全”。你能明显感觉到它知道你接下来想干什么，而不是简单续写。写一个函数时，它会顺带把边界条件和错误处理一起补上，这点很打动我。

第二个是Agent模式，这是整个产品的重头戏。你在对话框里用自然语言描述一个任务，比如“帮我给支付模块加一个超时重试机制，要求有指数退避和最大重试次数限制，并且为它补上单元测试”，Agent会自己拆解任务、搜索代码定位相关文件、制定修改计划，然后逐文件执行修改。过程中它会自动运行测试，发现失败就自己读输出、定位原因、修复，再跑，直到通过或者实在搞不定才来找你。这种“任务闭环”能力和普通IDE里的“问答式补全”是代际差距。

第三个是云沙箱执行环境。Agent不是在你本地乱改代码，而是在一个隔离的云端环境里执行。这意味着本地环境再乱、依赖再脏，也不会影响Agent的执行结果，同时也意味着企业使用时有更清晰的边界和可审计性。沙箱里跑完的任务结果、日志、变更内容都可以回溯，这对后续做代码审查和合规留痕很重要。

第四个是浏览器自动化。AntiGravity的Agent可以在沙箱环境里操作真实浏览器，完成“打开网页—登录—操作—抓取结果”这类复杂的端到端流程。举个例子，你让它“去查一下某个竞品网站最新的定价页，整理成表格发到我的邮箱”，它真能一步步点开页面、滚动、截图、提取内容给你汇总。这个能力把Agent的适用范围从“写代码”扩展到了“处理真实世界的信息”，企业能编排的自动化场景一下子多出很多。

1.3 企业关注它的三个真实理由

技术圈讨论AntiGravity，大多在聊它写代码强不强，但企业视角的关注点其实不太一样。我接触过几个正在评估的团队，理由很典型。

第一是成本的重新计算。以前一个功能需要两个开发干两天，现在如果Agent能在半小时内搭出80%可运行的骨架，那么开发的产出重心会转移到设计和Review上。企业花同样的钱，买到的有效产出是增加的。

第二是知识沉淀。Agent执行过程中产生的任务拆解、代码变更、调试日志，天然就形成了一套可检索的记录。新人培训时，与其翻老代码注释，不如直接翻Agent的任务记录，理解业务模块是怎么一步步长出来的，上手速度快很多。

第三是“任务在沙箱里跑”的安全性设计。企业代码数据不外泄是底线，沙箱化的执行环境加上可追踪的日志，让风控和合规部门更容易点头。这一点，是很多散兵游勇式的AI编程插件做不到的。

当然，AntiGravity也有它的问题。官网定位偏海外开发者，国内团队的访问和注册流程偶尔会有波折；模型服务是托管式的，企业内部私有化部署的选项目前不多；定价策略也还在调整期。这些都会在后面的对比和问题排查部分详细展开。

2. TRAE Work和TRAE CN，到底差在哪

2.1 TRAE家族梳理：别再把它们当成同一个产品

字节跳动的TRAE系列，很多人一上来就搞混。我一开始也懵，这里先帮你把家族谱理顺。

TRAE最早以AI IDE的身份亮相，主打的是“国内开发者也能用上原生AI编程环境”，内置了补全、对话、Agent模式等能力，中文支持好，使用门槛低。后来产品分化成两个方向：一个方向是面向国际用户的版本，接入的模型更偏向海外主流闭源模型，交互和计费逻辑也按海外习惯设计；另一个方向是国内版，早期叫TRAE CN，域名、账号体系和模型通道都是独立的，主要接国内可用的大模型服务，比如豆包系列，以及一些国内可直连的第三方模型。

而TRAE Work，你可以理解为TRAE在“Agent工作流”方向上的升级形态，也可以说是面向企业任务场景的“干活版”。它和TRAE CN的区别，不只是版本号差异，而是产品定位的差异：TRAE CN更接近“一个更好的编辑器”，TRAE Work更接近“一个能执行任务的Agent平台”。热搜词里那个“trae work和trae cn的区别”搜得一点不冤，这俩放在一起对比，确实是很多人选型时最迷惑的地方。

2.2 TRAE Work的Agent化新玩法：Superpowers技能

TRAE Work在圈内讨论度这么高，除了“换皮升级”这类争论之外，一个实打实的亮点是它对Skills（技能）机制的支持。这个机制，熟悉Claude Code生态的朋友应该不陌生——通过加载一个Skill包，你能让Agent拥有一套预先编排好的行为模式，比如严格遵循测试驱动开发（TDD）流程、先写调试计划再动手、执行深度代码审查等等。

热搜词里反复出现的“trae work cn 安装 superpowers skill”，指的就是把社区里非常知名的Superpowers技能集装进TRAE Work。这个技能集我实际用过，它本质上是一组结构化的提示和流程编排，不是魔法，但确实能让Agent的行为更稳定。装上之后，Agent接到任务不会立刻莽上去改代码，而是会先出计划、再写测试、再实现、再重构，整个流程像极了资深工程师的工作习惯。

安装的方式也不复杂，核心是找到TRAE Work的Skills配置目录，把Superpowers技能包克隆进去，然后在对话里用约定的指令唤醒特定技能。相比传统Prompting方式，这种技能化封装的好处是：团队可以统一Agent的行为基线，新人装上同样的技能包，跑出来的任务质量不会差太多。对于企业来说，这比“每个人各玩各的Prompt”要可控得多。我建议企业内部把常用技能包做一次统一评估和固化，这比天天研究提示词性价比高很多。

2.3 账号、模型与积分政策差异

“trae work 新用户有积分?”这个热搜问题，基本暴露了大家最关心的其实是配额和钱。TRAE系产品的新用户注册时通常会有体验额度，TRAE Work的新用户积分/体验额度政策在不同时期、不同版本入口下会有差异，而且国内版和国际版是两套独立的账号体系，积分不互通。实测下来，国内版新用户注册后能拿到一定次数的Agent任务额度，但具体数字经常调整，最靠谱的做法是登录后在“账户-配额”页面直接看当前值，别轻信任何第三方渠道的截图。

模型方面的差异更明显。TRAE CN接入的模型以国内可用的大模型为主，部分海外模型需要单独配置或不可直接使用；TRAE Work做Agent任务时，可以在模型配置里切换不同的模型做“主脑”，我一般习惯复杂任务用能力更强的模型，简单机械任务用便宜快的小模型，这样积分消耗更可控。另外，团队在使用时要特别注意：对话补全和Agent任务执行消耗的不是同一种额度，Agent任务因为要多次调用模型、跑命令、读日志，消耗通常远高于普通对话，一定要在团队里提前说清楚，免得一个下午把月度预算烧光。

3. 主流企业Agent产品横向对比

3.1 对比维度怎么选：别只盯着写代码强不强

企业在选AI编程Agent时，最容易犯的错是只看Demo演示的代码生成效果。Demo都是挑最好看的给你看，真实生产力却取决于一堆“看不见”的维度。我给企业做评估时，通常会固定看几个维度。

第一是任务自主度，即Agent能不能在一个多步骤任务里“自己闭环”，还是只能做单点补全。这决定了你团队的工作方式能不能真正从“结对”升级到“交付”。第二是企业级工程能力，包括权限管理、审计日志、代码数据隔离、私有化部署选项，这一条在国内企业里尤其重要，法务和运维不点头，产品再好也上不了生产。第三是模型灵活性和成本，能不能切换不同模型、积分计价是否透明、超预算有没有告警。第四是团队协作体验，比如Code Review怎么融入Agent产出、知识怎么沉淀、新人怎么跟上。最后才是上手门槛和社区生态。

3.2 六款产品能力对比表

我基于自己的实测和公开资料，把目前呼声最高的几款产品放在一张表里，按企业评估维度打分。打分标准是相对的，满分5星，星量代表该维度下的相对优势，不代表绝对好坏。

这张表的信息量比较大，我挑两个容易误读的点补充说明一下。

一个是GitHub Copilot的企业工程能力得高分，不光是权限和审计做得好，更关键的是它长在GitHub这个代码协作枢纽里，PR、Issue、Actions这些链路天然贯通。如果你是GitHub的重度用户，Copilot的Agent能力虽然不激进，但和现有流程的契合度最高，团队改造的心智成本最低。

另一个是TRAE Work在国内企业场景里的“身份体系”优势。它在国内版账号体系、模型通道和计费逻辑上更贴合国内团队的实际环境，团队管理和运维沟通的摩擦明显更小。这不是技术能力碾压，而是“本土化适配”带来的现实优势，选型时千万别忽略。

3.3 分场景选型建议

对比表看完，我给几个典型场景直接给结论。

场景一：团队规模不大，想做AI Agent创新试点，业务场景里有大量网页信息采集和端到端自动化需求。优先看AntiGravity。它的浏览器自动化和云沙箱能力在这个方向上几乎没有平替，适合跑一些“非传统编码”的自动化任务。

场景二：国内中型研发团队，想先把Agent工作流用起来，又需要可管控的技能模板和中文支持。TRAE Work是当前最均衡的选择。尤其是把Superpowers这类技能包固化到团队后，Agent的行为可预期性会明显提升，试点效果容易量化。

场景三：团队已经在GitHub上重度协作，代码审查和质量门禁流程成熟。不折腾，直接升级到GitHub Copilot企业版。它的Agent能力不是最强，但嵌入流程后的综合效率提升是最平滑的。

场景四：预算敏感、合规要求高、希望快速验证AI编程价值的团队。通义灵码这类国产工具值得优先测试，免费额度可以支撑小范围试点，数据合规方面的沟通成本也低。

4. 实操：从安装到跑通第一个Agent任务

4.1 TRAE Work安装与初始化（含Superpowers Skill配置）

先说安装。TRAE Work的安装包在官网就能拿到，国内网络环境下注意认准国内版入口，不要和国际版混淆。安装过程基本是下一步下一步，唯一要提醒的是安装路径不要带中文和空格，某些Agent插件对路径敏感，容易出莫名其妙的报错。

装完之后第一次启动，会让你选择登录方式。国内版直接用手机号或账号体系登录，新用户的积分和额度会在登录后自动到账，具体数字以页面展示为准。登录后进设置，把模型通道检查一遍。我建议新用户先跑一个最简单的对话确认模型连通性，不要一上来就丢复杂任务。

接下来是安装Superpowers技能。步骤不复杂，但有几个细节容易翻车。先找到TRAE Work的Skills目录，不同版本路径有差异，可以在应用数据目录下搜索skills关键词定位；然后把Superpowers技能包克隆到该目录下，确认每个技能都有一个SKILL.md文件作为入口；最后重启TRAE Work，在对话窗口里输入技能触发指令，看到Agent开始按技能流程行动就说明加载成功了。我遇到过几次装了技能但Agent没反应的情况，基本都是目录层级多套了一层，技能包的直接子目录里必须有SKILL.md，否则识别不了。

4.2 用TRAE Work跑一个真实任务

为了验证效果，我拿一个真实的中小型需求做测试：给一个内部工具增加“导出Excel报表”功能，要求包含数据校验、错误提示和单元测试。

我直接把需求丢给TRAE Work，语言尽量描述完整，包含输入输出格式、异常场景、测试要求。Agent接到任务后的行为链路大概是这样的：先读项目结构，定位到相关模块的入口文件；然后输出一份简短的任务计划，标明要改动哪些文件；接着开始编码，中途遇到数据校验逻辑不清晰的点，它会主动问我“确认一下日期格式是YYYY-MM-DD还是YYYY/MM/DD”；补完单元测试后跑测试套件，第一次因为一个空指针失败，我看了下日志，它自己定位到是某个旧接口返回了空值，随后加了判空处理再跑，全绿。

整个过程中，我做的事情就是开始提需求、中间回答两个澄清问题、最后Review代码。代码质量达到了merge标准，测试是完整能跑的。“从需求到可交付”这个链路跑通，比任何指标都有说服力。这个体验让我更确信，企业用Agent不能只看代码生成准确率，要看“任务闭环率”——也就是一个需求从提出来到可交付，需要人介入多少次。TRAE Work在这个任务上的表现，介入次数是两次，已经达到可用的水平。

4.3 AntiGravity快速上手流程

AntiGravity的上手路径和TRAE Work不太一样，更像一个“AI原生IDE”的形态。

第一步是注册账号。访问官网后使用邮箱注册，系统会发送验证邮件，点击邮件里的验证链接完成激活。这里我遇到过几次验证邮件进垃圾箱的情况，找不到邮件时记得去垃圾箱翻一翻，或者用“重新发送”按钮换一个邮箱地址。第二步是下载对应的桌面客户端，目前支持主流桌面平台，安装包不大，安装过程无特殊设置。

第三步是登录并完成初始引导。AntiGravity会在首次进入时引导你连接代码仓库，支持直接从Git仓库克隆项目，也支持打开本地已有目录。第四步是跑第一个Agent任务。建议从一个小而完整的任务开始，比如“给当前项目的README补上安装说明和常见问题章节”，让Agent在沙箱里执行，你观察它的计划、改动和日志输出，逐步建立对工具能力的信任感。

我在评估时对团队的建议是：不要一上来就让Agent去碰核心生产代码，先拿README、测试脚手架、数据迁移脚本这类低风险任务练手，跑顺了再逐步升级任务复杂度。这个“先低风险再高风险”的上线路径，能大幅降低团队对Agent的抵触情绪。

4.4 企业试点落地时的小建议

工具层面的事情上面已经讲了很多，这里补几条组织层面的实操建议。

试点团队不要选太小的组，也不要选太大。建议挑一个6到10人、有一定自动化测试覆盖率、业务需求相对标准化的开发小组。测试覆盖率高是前提，Agent改完代码如果测试套件是空的，你根本不知道它改坏了什么。试点任务先限定在“新增功能”和“缺陷修复”，不要一上来就做大规模重构，Agent对存量烂代码的理解能力还撑不起重构这种高风险活。

同时，要指定一个Agent应用的“主理人”，负责技能的沉淀、模型配置的维护、以及月度成本的控制。没有主理人，团队很容易陷入“各玩各的”状态，三个月后一地鸡毛。最后，每个Agent完成的任务必须走正常Code Review流程，产出代码的审查标准不能因为是Agent生成的而降低，这条底线从一开始就要立住。

5. 登录、账号与使用问题排查实录

5.1 AntiGravity登录不上怎么办

“antigravity登录不上”是最近出现频率很高的求助问题。我自己在测试时也遇到过几次，这里把排查思路按顺序整理出来。

第一步，确认验证邮件确实收到并点击了完整的验证链接。很多登录问题都出在注册激活这一步：邮件进了垃圾箱、链接被邮件客户端截断、或者验证链接已过期。处理方式是重新发送验证邮件，换个网络环境再试一次。

第二步，确认登录凭证是否过期。AntiGravity的登录态有时效，长时间挂着不用会被踢出。遇到登录不上，先试“退出登录再重新登录”，很多时候就解决了。

第三步，确认网络环境稳定。这里说的不是让你去动什么特殊配置，而是说IDE登录需要和认证服务保持正常通信，如果你所在的办公网络对海外服务访问不稳定，就会出现“明明账号密码都对，但一直转圈”的情况。实测最直接的办法是切换到移动热点，或者在家用网络下试一次，能快速判断是不是办公网络环境的问题。

第四步，排掉客户端缓存问题。极端情况下，客户端的本地会话缓存会损坏导致登录死循环。把客户端的缓存目录清掉再重启，能解决一部分顽固问题。

如果以上都试过还是不行，去官网查看服务状态页，确认是不是官方服务端在维护，或者直接给官方支持发邮件，附上你的操作步骤和报错截图。不要在社区里到处乱求所谓的“特殊登录方案”，一方面是安全问题，另一方面那些方案很多已经失效，纯属浪费时间。

5.2 TRAE Work新用户积分与模型配额问题

“trae work 新用户有积分?”这个问题背后，其实是大家对Agent任务消耗速度的焦虑。我实测的体感是：普通对话消耗很慢，但Agent跑一个中型任务，可能会消耗掉新用户初始体验积分的相当一部分，所以积分不是拿来随便试错的。

几个实用建议。第一，日常问代码问题、看报错，优先用普通对话模型，不要每次都上Agent模式。第二，Agent任务尽量描述得足够精确，减少Agent“试探性多轮调用”带来的无效消耗，就像你在真实世界里请人做事之前，先把需求想清楚一样。第三，团队内部要建立配额共识，谁跑大任务、跑前先掂量一下预估消耗。第四，关注官方活动，新用户积分政策会调整，偶尔会有额外的体验福利，能薅就薅。

5.3 Superpowers Skill安装失败排查

技能装不上，九成是目录结构问题。我总结了一张速查表，方便你对照排查。

核心思路就一句话：技能包本质是“结构化提示+流程编排”，它不会无中生有地让模型变强，只是约束模型按照更可靠的方式工作。如果底层的模型本身就弱，装再多的技能也救不回来。

5.4 一句话避坑清单

最后把这一路测试下来最值得记住的经验压缩成几句话。

新工具不要在生产环境首秀，先用高测试覆盖率的中低风险项目练兵。成本必须设预算，Agent任务消耗远超预期是常态，团队主理人每周看一次配额账单。技能包统一版本、统一管理、统一升级，别让团队里的Agent“各长各的样”。所有Agent产出的代码都必须走人工Review，这条没有任何商量余地。最后，别迷信任何一个工具的“最强”标签，工具是拿来用的，不是拿来供的，适合你团队现状的工具才是好工具。

我个人在实际评估中的体会是，AntiGravity和TRAE Work代表的其实是同一种趋势：AI编程正在从“帮你写代码”进化到“替你完成任务”。两者的差异，更多是产品哲学和企业落地路径的差异——AntiGravity更像一个激进创新的Agent沙箱，适合探索型团队；TRAE Work则带着更明显的工程化和本土化克制感，适合想稳步推进的国内团队。我的建议是别急着二选一，小成本把两个都跑一遍，用“任务闭环率”和“人工介入次数”这两个指标去衡量，数据会告诉你答案。工具更新太快，今天的最优解，三个月后可能就过时了。保持小步快跑，让团队始终掌握选择权，才是这个阶段最稳妥的策略。