金磊 发自 凹非寺 量子位 | 公众号 QbitAI 2025年的最后几天， TRAE 发布了个重磅的—— 年度产品报告，正式出炉。 映入眼帘的一组吸睛数据，是这样的： TRAE在一年里写了 1000亿行代码！ 数据不会撒谎。 当我们在争论AI会不会取代程序员时，TRAE已经悄悄在 中国AI IDE 赛道跑出了第一的身位。 带着这份报告，我们扒开了TRAE在AI Coding领域狂飙突进的底牌。 谁在用，怎么用？ 在深入技术细节之前，我们先看一个最真实的现象。 如果你现在的开发环境里装了TRAE，你可能已经养成了这样一个习惯： 手指悬在Tab键上的时间，比放在其他任何键位都要长。 什么概念？ 如果按照一个程序员每天写100行有效代码计算，这相当于300万个程序员不吃不喝、没日没夜干了一整年。 而这也仅仅是 《TRAE 2025年度产品报告》 中的冰山一角，更多有意思的数据还包括： 超过50%的用户，每天都在高频使用Tab键（Cue行间补全功能） 全球用户超600万，月活突破160万，插旗近200个国家和地区 仅仅半年时间，Token消耗量暴涨700% 有6000名"肝帝"用户，全年写代码天数超过了200天 国 ...

12 月 26 日，字节跳动旗下 AI 编程工具 TRAE 发布 2025 年度产品报告。 2025 年，AI Coding 从技术创新走向实际应用，深刻变革开发者的生产场景。行业需求已从单点高效的 代码补全，升级为全流程、自驱动的 Agent 开发模式。开发者规模持续增长，AI Coding 工具的用户规 模也在逐渐扩大。 这一年，从 1 月国际版上线到 3 月发布中国版，再到下半年推出 SOLO 模式和 TRAE CN 企业版， TRAE 在持续打磨中不断成长。 截至目前， TRAE 总注册用户数超过 600 万，覆盖全球近 200 个国家和地区；月活突破 160 万 ，活跃 用户遍布中国、美国、巴西、印度、日本等国家和地区。 2025 年，TRAE 的足迹遍布全球 60 多个城市，通过共 130 多场官方黑客马拉松、Meetup 以及 TRAE Friends、TRAE on Campus 活动，与 2 万余名开发者线下相聚。 从代码补全到复杂任务，TRAE 成为开发者的生产力伙伴 2025 年，TRAE 为全球开发者带来了实际生产力提升，以及用户工作模式的演变。TRAE 近半年日均 Token 消耗量 ...

行业趋势与市场格局 - AI在企业级市场的买单热情远超预期，其价值创造彻底改写了生产逻辑，并为大模型厂商提供落袋为安的回报 [2] - AI Coding是最成熟的AI落地场景，渗透率极高，Stack Overflow年度调查显示84%的开发者主动使用AI Coding工具，其中超过半数每天都用 [4] - 到2027年，70%的软件创新将源自10人以下的小型团队，这对陈旧的生产力关系造成颠覆性冲击 [16] - AI Coding赛道在大模型领域的疯狂投资中，扮演着最能激发经济价值的角色 [15] Anthropic的商业表现 - Anthropic在企业级市场取得绝对品牌认知，其Claude模型曾长期垄断AI Coding的模型供应链 [1] - 公司收入结构高度依赖企业客户，30万家企业客户贡献了80%的付费，编程工具Claude Code贡献15%，普通用户订阅仅占5% [1] - 公司年化收入（ARR）以每月增加10亿美元的速度增长，在一级市场的估值达到OpenAI的60% [1] TRAE（字节跳动AI原生IDE）的市场地位 - TRAE在国内AI Coding市场占据主导地位，市场份额达到41.2% [3][4] - 产品定位为“真正的AI工程师”（The Real AI Engineer），是一款AI原生IDE [3] - 对比其他产品：阿里巴巴的通义灵码占18.5%，百度的文心快码占12.3%，海外的Cursor占9.8%，Microsoft的GitHub Copilot占8.2% [4] TRAE企业版的战略与价值主张 - TRAE企业版旨在解决企业使用AI Coding工具的核心痛点：代码资产流失风险、数据安全与合规性、以及对确定性的追求 [5][6][13] - 产品在公有基座模型上，为每家企业提供私有的AI Coding解决方案，以“扶正”企业自有的开发产权 [6] - 字节跳动内部实践提供了强力背书，92%以上的字节工程师使用TRAE工作，公司已要求全体员工统一将其作为核心开发工具 [6][8] TRAE企业版的核心能力 - 提供三重确定性：1) 强大性能带来的确定性效能提升；2) 全链路可见化带来的确定性资产沉淀；3) 整体拥抱AI Coding带来的确定性抢占未来 [9][12][14] - 支持多形态接入（IDE、插件、CLI），不打断现有工作流，并可接入第三方或企业自有模型 [9] - 具备工程化定制能力，支持10万份文件、1.5亿行代码、毫秒级响应、超长上下文等标准，将AI升级为可预测的企业级生产力 [11] - 实现“不可能三角”：效能可信（可全面掌控ROI）、成本可见（对消耗量了如指掌）、资产可控（代码全程合规不被泄露或滥用） [13] TRAE的实际应用成效 - 在字节跳动内部，抖音生活服务业务引入TRAE后，AI贡献代码占比高达43%，测试用例生成每周节省接近45人天 [9] - 字节跳动全员切换至TRAE后未出现生产力折损，证明其能力已站稳第一梯队，并为对外开放埋下伏笔 [8] 字节跳动的AI战略 - TRAE企业版的推出是字节跳动AI战略的关键落子，旨在发挥领先优势，加速大模型的实用化，并通过拉动Tokens消耗量来“做大蛋糕” [15] - 从服务600万名开发者的TRAE，到切入数万科技公司的TRAE企业版，标志着业务跨度的拓展 [16]

ChatGPT语音与文本交互升级 - OpenAI将语音模式全面整合至主聊天界面，实现语音应答、视觉呈现与文字转录服务的同步获取，用户无需切换模式[1] - 新版本在用户查询时能提供自然流畅的语音回应，同时实时生成地图、图表、图片等视觉内容，并自动完成语音转文字转录[1] - 公司在设置菜单中保留模式切换开关，偏好沉浸式音频体验的用户可一键恢复旧版独立语音模式[1] ChatGPT应用生态扩展 - OpenAI在ChatGPT网页端内测全新App Directory，首次系统化展示开发者构建的第三方应用，支持用户浏览、搜索和一键添加使用[2] - 新版目录以卡片形式呈现覆盖购物、生产力、教育、旅行等多场景的AI应用，用户可在ChatGPT内直接调用实现即点即用[2] - 基于ChatGPT 4亿周活用户和每分钟60亿tokens处理量，应用目录推动平台从AI对话工具向完整AI应用商店演进[2] FLUX图像生成模型进展 - 德国黑森林实验室发布FLUX2图像生成模型家族，可同时参考多达10张图片保持字符、产品和风格一致性，支持最高4百万分辨率图像编辑[3] - FLUX2系列发布3款模型，开源的FLUX2 [dev]为32B参数量模型，此前Flux1 [dev]在Hugging Face受欢迎度仅次于DeepSeek-R1[3] - 模型基于潜在流匹配架构，结合Mistral-3 24B视觉语言模型与整流流式Transformer，在超写实图像生成表现突出但暂不支持中文渲染[3] CharacterAI未成年人服务调整 - CharacterAI推出全新故事功能，未满18岁用户将无法使用聊天机器人服务，转而提供更为结构化的引导式互动方式[4] - 公司CEO坦言对于18岁以下用户开放式聊天可能并非合适产品，决策基于对AI聊天机器人可能带来心理健康风险的担忧[4] - 加利福尼亚州成为美国首个对AI伴侣进行监管的州，联邦层面有议员提出全国性法案旨在全面禁止未成年人使用AI伴侣[4] TRAE国内版开发工具升级 - TRAE国内版正式上线SOLO模式，带来SOLO Coder、Plan模式、多任务并行、代码变更工具DiffView、上下文压缩等核心能力[5][6] - SOLO模式定位为响应感知的编程智能体，支持检索10万个代码文件的超大上下文，通过全新三栏布局实现多任务并行开发[6] - 核心设计理念是All in One统一开发过程中所有元素，让开发者专注于指导和监督AI工作，而非实时配对AI编程助手[6] 腾讯混元3D引擎国际化推进 - 腾讯混元3D创作引擎正式推出国际站，模型API在腾讯云国际站同步上线面向国际用户开放，社区下载量超300万是全球最受欢迎的3D开源模型[7] - 最新Hunyuan3D 30版本首创3D-DiT分级雕刻模型，建模精度较前代提升3倍，支持1536³几何分辨率与36亿体素超高清建模，效果保持业界SOTA[7] - 目前已有超过150家企业通过腾讯云接入，涵盖游戏制作、电商宣传、影视特效、3D打印等领域，传统3D制作周期从数天缩短至分钟级[7] Skywork专业数据服务拓展 - 天工Skywork全新上线专业数据模式，已连接430家权威机构数据源，覆盖政府开放数据、国际组织、学术科研、金融市场、气象环境等关键领域[8] - 接入世界银行、IMF、WHO、FDA、Google Scholar、NASA等核心数据源，通过跨源统一回答与聚合实现一次检索整合权威数据[8] - 支持指定特定专业数据库回答确保无幻觉内容生成，所有答案自动附上数据来源信息确保回答可追溯、更透明，提升决策和报告可靠性[8] AI技术发展路径展望 - Ilya Sutskever提出Scaling时代已终结，我们正走向研究时代，认为当前技术路线无法实现AGI[9] - 他指出模型泛化能力是核心瓶颈远逊人类，即便用所有编程竞赛题目训练模型仍无法形成真正解题直觉，评估分数光鲜但实际性能滞后[9] - 预测5-20年内将出现能像人类一样学习并超越人类的AI系统，强调需要为模型内置类似人类的判断直觉和稳定价值感受器[9] AI芯片市场竞争态势 - 谷歌开始向Meta等大型机构推介在其数据中心部署TPU方案，Meta计划2027年斥资数十亿美元使用TPU，谷歌云预测此业务可拿下英伟达10%年营收[10] - 英伟达强调自己是唯一能够兼容所有AI模型、覆盖所有计算场景的硬件平台，并积极通过投资拉拢Anthropic、OpenAI等大客户[11] - 黄仁勋在内部会议坦言英伟达撑着整个地球，业绩好被说助长泡沫、业绩差会被当作泡沫破裂证据，市场预期难以满足[11]

产品发布与核心特点 - 火山引擎推出全新代码模型Doubao-Seed-Code，该模型面向Agentic编程任务深度优化 [1] - 模型在三个维度表现突出：性能达到SOTA、价格国内最低、迁移成本低 [1] - 与TRAE开发环境深度结合后，在SWE-Bench Verified榜单上解决问题准确率达到78.80%，超越其他主流模型 [2][45] 技术性能与基准测试 - 在SWE-Bench Verified基准测试中，TRAE + Doubao-Seed-Code组合以78.80%的解决率位列第一，优于TRAE单独使用的75.20% [2][45] - 模型在Terminal Bench、SWE-Bench-Verified-Openhands、Multi-SWE-Bench-Flash-Openhands等主流测评中表现出色 [46] - 模型具备视觉理解能力，可参照UI设计稿、界面截图或手绘草图直接生成对应代码 [39] 实测能力展示 - 基础任务测试中，模型耗时1分多钟完成HTML5 Canvas+JS代码，实现银河系粒子效果动画，技术栈使用准确且基础功能无偏差 [6] - 面对多Bug+结构混乱的复杂工程问题时，模型具备系统性诊断与专业重构能力，能定位具体代码行问题并输出优化清单 [16][18] - 在完整项目开发测试中，模型交付的故宫博物院导览网站结构完整，涵盖核心功能模块，并主动补充图片替换教程解决素材缺失问题 [25][26] 兼容性与开发环境 - 模型原生兼容Anthropic API，在Claude Code环境中迁移几乎零成本切换 [3] - 在Cursor、Cline、Codex CLI等主流智能编程环境中能与开发者日常使用工具无缝衔接 [6] - 具备原生256K长上下文，在处理长代码文件、多模块依赖等复杂场景能力提升，实现端到端自主编程 [39] 定价策略与成本优势 - 调用价格国内最低，火山引擎配套推出9块9套餐 [2] - 综合使用成本在业界平均水平上降低62.7% [41] - 具体定价为：0-32k输入区间1.20元/百万Token，输出8.00元/百万Token；32-128k输入区间1.40元/百万Token，输出12.00元/百万Token；128-256k输入区间2.80元/百万Token，输出16.00元/百万Token [42] 生态系统与市场应用 - 火山引擎开源了命令行AI Agent——veCLI，通过自然语言交互实现从指令到代码的自动化构建与运行 [44] - 基于编程相关模型打造了IDE产品TRAE，在字节内部超过80%的工程师使用TRAE辅助开发，整体月活用户已超100万 [45] - 模型由火山方舟提供推理接口服务，代码数据传输和调用过程全程加密，保障企业级AI开发安全 [50] 技术架构与资源支撑 - 为Doubao-Seed-Code构建了覆盖10万容器镜像的庞大训练库，支持端到端沙盒环境评测 [48] - 依托千卡GPU集群，实现了万级并发沙盒session能力 [48] - 采用端到端强化学习，直接从任务沙盒反馈中学习，优化路径更高效 [48]

产品发布与核心优势 - 火山引擎推出全新代码模型Doubao-Seed-Code，专门面向Agentic编程任务进行深度优化 [2] - 该模型在三个维度表现突出：性能达到SOTA、调用价格国内最低、迁移成本近乎为零 [3][6][7] - 模型与TRAE开发环境深度结合，在SWE-Bench Verified榜单上以78.80%的解决问题率登顶，超过TRAE单独使用的75.20%以及其他主流模型 [4][63] 性能表现与技术能力 - 具备原生256K长上下文能力，擅长处理长代码文件和多模块依赖等复杂场景 [56] - 是国内首个支持视觉理解能力的编程模型，能够参照UI设计稿、界面截图或手绘草图直接生成对应代码 [43][44][56] - 在工程化重构测试中展现出系统性诊断与专业重构能力，能有效定位代码Bug并进行结构化优化 [28][32][38] 实测效果与功能验证 - 基础功能测试中能快速完成简单视觉任务，技术栈使用准确且基础功能无偏差 [11][13][14] - 在复杂交互逻辑任务中展现出多轮交互优化能力，能根据反馈调整实现更真实的效果 [15][19][23][27] - 完整项目开发测试中展示了多需求整合能力，能主动解决素材缺失问题并提供详细替换教程 [40][41][42] 价格优势与成本控制 - 调用价格达到国内最低水平，在0-32k区间相同tokens量下成本仅约0.34元，显著低于Claude Sonnet 4.5的4.05元和GLM-4.6的0.77元 [55] - 综合使用成本在业界平均水平上降低了62.7% [55] - 推出个人开发者套餐，首月最低仅需9.9元，实现"一杯咖啡价"的AI编程服务 [6][58] 生态兼容与迁移便利 - 原生兼容Anthropic API，在Claude Code环境中迁移几乎零成本 [7][16] - 支持多平台适配，在Cursor、Cline、Codex CLI等主流智能编程环境中都能无缝衔接 [16] - 对Claude Code、Trae等主流IDE进行了特别优化，迁移过程无需复杂配置 [56] 技术支撑与基础设施 - 构建了覆盖10万容器镜像的训练库，支持端到端沙盒环境评测 [66] - 依托千卡GPU集群实现万级并发沙盒session能力 [66] - 采用端到端强化学习技术，直接从任务沙盒反馈中学习，优化路径更高效 [67] 市场表现与用户基础 - 在字节内部超过80%的工程师使用TRAE辅助开发，整体月活用户已超100万 [62] - 在Terminal Bench、SWE-Bench-Verified-Openhands、Multi-SWE-Bench-Flash-Openhands等主流测评中表现出色 [64] - 火山引擎还开源了命令行AI Agent——veCLI，通过自然语言交互实现从指令到代码的自动化构建与运行 [60]

AI在研发中的角色演变 - AI应用经历了三个阶段演变：从辅助编程的IDE插件工具到引入Agent的"氛围编程1.0时代"，再到CLI模式的"氛围编程2.0时代"[2] - 2022年底ChatGPT推出被视为AI的"iPhone时刻"，此后AI迅速介入更多研发环节并影响架构设计与组织协作[1] - 当前AI已深度融入需求调研、PRD评审、技术设计、测试及CI/CD等全交付生命周期环节[4] 研发效率提升数据 - 开发岗位效率提升约30%，主要集中在代码编写和评审环节[13] - 测试岗位提效约25%，涵盖用例编写和自动化测试[13] - 运维岗位提升约25%，尤其在DevOps场景和复杂问题排查方面[13] - 头条和抖音前端团队通过AI工具将设计稿转代码时间从1-2天缩短至几分钟[5] 代码质量与规范 - AI生成代码往往比人工编写更规范，附带详细注释且接口函数遵循统一标准[9] - 超过80%的场景能通过AI自动提升单元测试覆盖率[9] - AI可辅助代码评审，进行变量命名检查、格式规范验证及生成PR总结解释[10] - 采用TDD（测试驱动开发）模式可增强AI生成代码的可控性[10] 企业级应用挑战 - AI生成代码难以直接入库生产系统，需经过严格扫描校验流程[3][6] - 算力和token消耗导致高成本，限制大规模应用落地[20] - 管理层认知偏差可能削弱企业竞争力，需科学量化提效效果[21] - 复杂业务场景中AI难以理解全局业务逻辑，需依赖领域知识库支持[16] 人机协作模式 - AI要求开发者具备更强理解把控能力，最终责任仍在工程师本人[4] - Cursor等工具通过设置checkpoint确保开发者对结果保持掌控[5] - 开发者仅30%时间用于编码，其余用于沟通协作，AI在需求设计等环节作用显著[6] - 辅助模式可带来20%-30%效率提升，优于准确率不足的Agent模式[19] 架构与组织变革 - 出现AOA（AI Oriented Architecture）新架构范式，研发组织向AI中心化转变[24] - 岗位左移（测试向开发靠拢，开发向产品靠拢）和职级上移成为趋势[22] - 前端交互向LUI（Language User Interface）转变，可能推动"无边界体验"发展[23] - 未来Web应用可能消亡，交互方式转向自然语言，企业重点提供后端服务能力[25] 未来发展方向 - AI需从"高级工程师"向"架构师"演进，具备系统理解能力和自我进化能力[26] - 需解决大模型对具体项目业务理解不足的问题，降低知识库构建成本[26] - 可穿戴设备发展可能解决AI缺乏真实世界感知能力的问题，实现研发闭环[27][28] - 全栈开发通过AI辅助变得更易实现，人机协同可快速补齐技术短板[31] 技术实现路径 - 领域知识库普遍采用向量数据库结合Embedding技术[32] - RAG、上下文增强和MCP是搭建开放生态的手段而非目的[18] - 企业需提供高质量内部语料库才能生成符合自有规范的UI代码[30] - Agentic RAG结合自我演进能力可实现更智能的检索召回[32]

AI工具在研发流程中的应用现状 - AI工具已深度融入研发全流程 覆盖需求调研 PRD评审 技术设计 测试及CI/CD等环节 渗透率接近100% [9] - 代码生成效率显著提升 如Figma设计稿还原代码从1-2天缩短至几分钟 [9] - 开发者30%时间用于编码 70%时间用于沟通与流程 AI在需求设计 任务拆解等环节作用突出 [11] AI提效的量化表现与质量影响 - 开发岗位效率提升约30% 测试岗位提效25% 运维岗位提升25% 主要体现在代码编写 评审和DevOps场景 [18] - AI生成代码规范性优于人工 附带详细注释 接口和函数层面遵循统一规范 [13] - 单测Agent使80%场景能覆盖传统自测环节 代码评审AI辅助可检查命名 格式规范并生成PR总结 [14] 技术演进与阶段划分 - AI应用经历三阶段：IDE插件辅助编程→Cursor为代表的氛围编程1.0→CLI模式氛围编程2.0 [5][6] - Vibe Coding概念推动CLI模式发展 门槛更高但用户群体更广 定制自由度提升 [6] - 研发范式遵循EPCC流程：探索 计划 编码 提交 需分环节让AI协助 [7] 落地挑战与成本问题 - 算力和token消耗导致高成本 如用户花200美元实际消耗上万美元算力 [24] - 效果难以量化 不同用户对Claude Code和Copilot等工具感受差异明显 [25] - 管理层认知存在两极分化：传统方式推动研发或过度乐观认为AI能取代研发人员 [25] 架构与协作模式变革 - 研发组织向AI中心化转变 MCP协议应用形成AOA（AI Oriented Architecture）新架构范式 [28] - 岗位左移（测试向开发靠拢 开发向产品靠拢）和职级上移（高级岗位比例提高） [27] - 交互方式从图形化UI转向LUI（Language User Interface） 未来可能发展为"无边界体验" [27] 人机协作与责任边界 - AI不会替代工具团队 研发流程未被打破 但加速各角色效率 人需承担更高层次决策 [10] - AI对人的要求更高 工程师需对AI生成代码负最终责任 要求更强理解和把控能力 [8][9] - 初级开发者可能无法完全理解AI生成代码 出现问题时依赖AI修复反而导致反噬 [19] 未来发展方向 - AI需从"高级工程师"向"架构师"演进 具备系统理解能力和自我进化能力 [31] - 可穿戴设备普及可能解决AI缺乏感知能力问题 实现研发流程真正闭环 [32] - 领域知识库建设需结合向量数据库和Agentic RAG技术 不同业务差异显著 [36] 业务场景实践 - 电商中台团队通过领域知识库接入AI大脑 在0~1场景和老项目迭代中表现超预期 [22] - 企业UI生成需提供高质量内部语料训练 否则结果只能停留在通用层面 [34] - 全栈开发在AI辅助下更易实现 程序员可通过解释模式和TODO项补齐能力短板 [35]

GPT-5技术升级 - 架构改为"智能体生态"，引入动态路由器(Dynamic Router)，根据任务类型和复杂度自动切换专用模型处理[2][7][8] - 代码生成能力显著提升，在SWE-bench测试中准确率达74.9%，较GPT-4提升22%[3][18] - 工具调用与自主协作能力增强，可拆解复杂任务并自主创建工具[4] 技术本质与商业化 - 多模型协同技术并非首创，Anthropic和谷歌DeepMind已有类似方案，但GPT-5实现了开箱即用的无感切换体验[11][12][13] - 商业化策略是将多专家模式产品化，使普通用户可直接使用[14][15] - API定价分层：主模型输入每百万token 1.25美元，输出10美元；Mini版输入0.25美元，输出2美元；Nano版最便宜[23] 行业影响 - 对中小企业：大幅降低开发成本，原型周期从周缩短至分钟级[20] - 对程序员：初级开发岗位面临替代，中高阶转向代码审计和AI协作管理[21] - 对低代码平台：形成生存威胁，"描述即应用"模式比拖拽拼装更高效[21][38] 平台化竞争格局 - 企业需求趋向闭环解决方案，智能体生态可在一个入口解决整条业务链问题[30][32] - 数据壁垒使企业定制化智能体更具优势，公版模型难以复刻[33] - 微软、谷歌等巨头凭借现有产品入口更易嵌入AI平台形成分发优势[35][36] 企业落地挑战 - 真实企业环境存在数据脏乱、系统异构和流程壁垒等问题[44][46] - 责任归属和数据安全是两大核心问题，涉及合规风险与财务责任[51] - 智能体生态的闭环特性可能带来脆弱性，增加潜在故障点[48][49] 人类角色演变 - 人类优势转向战略问题决策、规则设计和价值交换能力[52][55][56] - 创造力仍是人类独特优势，AI仅提升执行效率[57][58][59]

AI应用概念股表现 - 易点天下20%涨停 [1] - 慧博云通涨超16% [1] - 用友网络涨停 [1] - 南兴股份涨停 [1] - 三六零涨超8% [1] - 值得买涨超8% [1] 国内AI模型技术进展 - 阿里巴巴开源千问3推理模型 支持256K上下文长度 在知识、编程、数学、人类偏好对齐、创意写作、多语言能力等核心能力可比肩Gemini-2.5 pro和o4-mini闭源模型 [1] - 阶跃星辰发布新一代基础大模型Step3 主打多模态推理能力 推理效率创行业新高 计划7月31日向全球开源 [1] - 阿里Qwen模型三连开源 阶跃星辰Step3大幅提升推理效率 国产模型能力持续向上 [2] AI编程工具市场动态 - GitHub Copilot 2024年12月约实现4亿ARR [2] - Cursor已突破5亿ARR [2] - Windsurf在2025年4月突破1亿ARR [2] - 字节TRAE、阿里通义灵码AI IDE、腾讯CodeBuddy IDE等大厂产品入局AI IDE赛道 [2] - 字节7月26日开源Coze 国内AI应用场景有望加速 [2]