目录

在 TRAE 中接入 Seed-Evolving

01 下载并安装 TRAE Work

02 在火山方舟开通 Seed-Evolving

03 单独创建一个 API Key

04 在 TRAE 中添加 Seed-Evolving

05 选择火山引擎并填写 API Key

06 Case 1：让 AI 从零做一个“AI 出海机会雷达”

07 Case 2：第一个项目还在跑，我又启动了“中国非遗互动地图”

08 Case 3：让 AI 自己核验资料，做一个“开源替代品数据库”

09 Case 1 完成：它真的从空文件夹做出了一个“AI 出海机会雷达”

10 第一版比我预期完整，但不能直接把它当成市场报告

11 Case 2 完成：中国非遗互动地图

12 Case 3 完成：AI 自己调研，做出了一个开源替代品数据库

13 三个项目跑完，我对 Seed-Evolving 的真实感受

最后

---

这两年，我用 AI 做过不少东西。

写网页、搭智能体、做工作流、整理资料，甚至用一句话生成一个能运行的小工具，已经不算什么新鲜事了。

但项目做得越多，我越发现一个有点尴尬的问题：

表面上是 AI 在完成项目，实际上最累的那个人还是我。

在 AI 开始写代码之前，我通常得先把选题想好，把资料搜好，把数据整理好，把图片和参考网站找好。

碰到稍微复杂一点的项目，还得提前写一份详细的需求文档，告诉它页面应该分成几个板块、每个按钮有什么功能、数据从哪里来、最后应该交付成什么样。

等这些事情全部准备完，再把一份几千字的提示词交给 AI，它哐哐写完代码，我们便得出一个结论：

现在的 AI 编程能力确实很强。

但仔细想想，这多少有点像我已经把菜洗好、切好、配好，连下锅顺序和火候都写在纸上了，AI 只是负责把它炒熟。

这一次，我决定换一种测试方式。

我不提前准备数据，不主动寻找图片，也不先写一份几百行的产品规格。

我只告诉 Seed-Evolving 最终要做什么。

至于中间需要哪些资料、网站应该具备什么功能、数据如何整理、页面应该怎么设计，都让它自己想办法。

换句话说，这次不是：

我找好素材

→ 我写好需求

→ 我规划页面

→ AI 负责写代码

而是：

我提出目标

→ AI 自己调研

→ AI 自己找素材

→ AI 自己设计产品

→ AI 自己写代码

→ AI 自己测试和修改

→ 我负责最终验收

为了把规则定得更清楚，我只保留三个原则。

第一，项目从空文件夹开始。

我不会在项目目录里提前放数据集、设计稿、图片素材和产品文档。它拿到的只有一句目标描述，以及联网搜索和操作开发环境的权限。

第二，除非确实遇到权限或登录问题，否则尽量不进行人工干预。

它搜索到了什么资料、选择了什么技术方案、设计了哪些功能，我暂时不插手。即使第一版的方向和我设想的不一样，也先让它继续完成。

第三，最终交付的不只是一份方案，而是能够真实运行的网站。

研究报告写得再完整，如果网页打不开、按钮点不动、图片全部失效，也不能算完成任务。

我想测试的也不只是它会不会写代码。

真正需要观察的是，在没有详细步骤的情况下，它能不能完成一整条任务链：

• 是否会先理解目标，而不是马上随便搭一个页面；

• 是否知道应该搜索哪些资料；

• 是否会判断资料靠不靠谱；

• 是否能把零散信息整理成统一的数据；

• 是否会主动规划功能和页面；

• 是否能运行项目并检查结果；

• 出现错误后，能不能自己定位并修复；

• 长任务进行到后半段时，会不会忘记最初的要求。

所以，这一次我给它安排了三个从零开始的网站项目。

它们分别考验资料调研、产品判断、视觉呈现、数据核验和长程开发。

我只负责说出三句话。

剩下的，交给 Seed-Evolving。

在 TRAE 中接入 Seed-Evolving

既然这次要把找资料、做规划、写代码和测试网站都交给 AI，第一步就不是急着发送需求，而是先把开发环境和模型调用链路跑通。

这次我选择的是 TRAE Work。

它不只是一个代码编辑器，而是把任务对话、项目文件、代码开发和结果预览放在同一个 Workspace 里。当前的 TRAE Work 提供 Work 和 Code 两种模式；我们后面要完成的是完整网站项目，因此主要使用 Code 模式。TRAE

这一部分会从零开始：

下载 TRAE → 开通模型 → 创建 API Key → 添加 Seed-Evolving → 完成第一次测试

整个过程不需要敲复杂命令，也不用手动修改一堆配置文件。

01 下载并安装 TRAE Work

先进入 TRAE 官方下载中心。

目前下载页面中同时提供了 TRAE Work 和 TRAE IDE。这次我们选择 TRAE Work，Windows 用户下载 x64 版本，Mac 用户根据自己的芯片选择对应版本。官方当前提供 Windows 10/11 和 macOS 客户端。

下载完成后，按照提示完成安装并登录 TRAE 账号，进入后会看到由 Work、Code、Design 三种模式组成的主界面。

其中，Work 更适合把一个完整目标交给 AI，让它自行拆解并推进任务；Code 主要用于查看项目文件、编写和修改代码；Design 则可以根据文字描述或参考图片生成页面原型和设计方案。左侧区域用于新建任务、进入插件市场、管理设计系统，以及查看已经创建的任务；中间的大输入框是主要的任务入口，可以输入需求、上传文件或图片，并选择模型和运行模式。输入框下方还可以选择本地项目文件夹，把 AI 生成的内容直接保存到指定目录中。

这次我们需要 AI 自己调研资料、规划产品并完成网站开发，所以后面会主要使用 Work 模式；等需要查看和调整具体代码时，再切换到 Code 模式。

02 在火山方舟开通 Seed-Evolving

TRAE 安装完成后，还需要准备模型调用权限。

进入火山引擎控制台，找到 火山方舟。

第一次使用时，主要完成两件事：

1、开通需要使用的模型服务；

2、创建一个 API Key。

在模型开通或模型管理页面中，找到doubao-seed-evolving

确认模型已经开通，并记住它的 Model ID。

火山方舟的官方快速入门流程同样要求先获取 API Key、开通模型服务，再通过相应工具或接口发起调用。

这里需要特别注意：

不要只看到模型名称就直接回到 TRAE。一定要确认当前账号已经获得调用权限，否则后面可能出现模型不存在、无权限或者余额不足等提示。

03 单独创建一个 API Key

接着进入火山方舟的 API Key 管理页面，创建一个新的 Key。

为了方便后续管理，我不建议把已经用于其他项目的 API Key 直接拿过来，而是为这次测试单独创建一个。

这样以后查看调用记录、控制额度或者停用密钥时，更容易知道它是用在哪个项目里的。

创建成功后，及时复制并妥善保存。

需要强调的是：

API Key 相当于模型账户的使用密码，不能出现在公众号截图、视频录屏、GitHub 仓库或者项目源代码中。

04 在 TRAE 中添加 Seed-Evolving

拿到火山方舟的 API Key 后，接下来回到 TRAE，把 Doubao-Seed-Evolving 添加到模型列表中。

先点击 TRAE 左下角的头像，在弹出的账号菜单中找到并点击 「设置」。

进入设置页面后，在左侧菜单中找到 「模型」。

模型管理页面会显示当前已经添加的模型、对应服务商以及启用状态。点击页面上方的 「添加模型」，开始配置新的模型。

需要注意的是，页面中有一条提示：

添加的模型仅支持在 TRAE 本地环境中使用，暂不支持在云端环境中使用。

因此，后面运行这几个网站项目时，我选择的是 本地环境，而不是 TRAE 的云端运行环境。

05 选择火山引擎并填写 API Key

点击「添加模型」后，会弹出模型服务商配置窗口。

在服务商列表中找到并展开 「火山引擎」，这里不需要手动填写 Base URL，也不需要自己输入 Model ID。TRAE 已经内置了火山引擎服务商和对应模型，直接从下拉列表中选择 Doubao-Seed-Evolving 即可。

API Key 输入框右侧还提供了 「获取 API 密钥」入口。还没有创建 Key 的读者，也可以从这里跳转到对应页面。

填写完成后，点击右下角的 「提交」。

“高级配置”保持默认即可，本次测试暂时不需要额外修改。

模型添加成功后，关闭设置页面，回到 TRAE 主界面。

点击任务输入框右侧的 「Auto Mode」，展开模型选择菜单。

在列表下方的 「自定义模型」区域，可以看到刚刚添加的：Doubao-Seed-Evolving

选择成功后，输入框右侧通常会显示当前模型名称。后面新建任务时，也要留意当前选择的模型，避免仍然处于 Auto Mode，或者误用了其他模型。

到这里，Seed-Evolving 就已经成功接入 TRAE 了。

06 Case 1：让 AI 从零做一个“AI 出海机会雷达”

环境配置完成后，我没有继续给它准备数据，也没有提前新建项目结构。

我直接切换到 Work 模式，选择本地运行环境，新建一个空文件夹，并确认当前使用的模型是 Doubao-Seed-Evolving。

第一个任务，我选择做一个自己真正会用到的网站：

AI 出海机会雷达。

它的目标不是简单收集一批 AI 产品，也不是生成一篇泛泛而谈的行业报告，而是从公开信息中寻找适合个人开发者尝试的产品机会，并把调研结果整理成一个可以搜索、筛选和对比的网站。

这个任务看起来像是“做一个网页”，但真正麻烦的部分其实都发生在写代码之前。

模型需要自己判断：

• 应该从哪些平台和网站寻找产品；

• 哪些用户反馈值得参考；

• 如何区分真实需求和营销文案；

• 怎样判断一个方向是否适合个人开发者；

• 不同产品应该使用什么统一标准比较；

• 最后怎样把调研结果变成一个能使用的网站。

而这一次，我不会替它完成这些准备工作。

为了保留一定的自主发挥空间，我没有把提示词写成一份详细 PRD，只告诉它最终目标、基本边界和验收要求。

可以直接使用下面这段提示词：

请从零调研适合个人开发者尝试的 AI 出海产品机会，并完成一个可运行的“AI 出海机会雷达”网站。

你需要自行完成资料搜索、竞品调研、用户痛点分析、数据整理、产品设计、前端开发和功能测试。我不会提供现成的数据、图片、设计稿或 PRD。

网站中的每个机会方向，至少需要包含目标用户、核心痛点、代表性竞品、竞品定价、用户反馈、市场竞争程度、个人开发者实现难度、可能的商业模式，以及一个可执行的 MVP 建议。

所有关键结论尽量保留资料来源，无法验证的信息要明确标注，不要编造产品、价格、用户评论或链接。

最终交付必须是一个真实可运行的网站，支持搜索、筛选和查看机会详情，并完成桌面端和移动端的基本测试。过程中除非遇到登录、验证码、权限或必须由我决定的问题，否则请自行判断并继续推进。完成后请同时说明使用了哪些资料、做过哪些测试，以及仍然存在的问题。

这段要求里，我只明确了三件事：

1. 最终要做什么；

2. 哪些内容不能编造；

3. 什么情况下才需要找我。

至于网站应该有几个页面、使用什么技术、调研多少产品、卡片怎么设计，都没有提前规定。

很多 AI 接到“做一个网站”的任务后，第一反应就是创建一个 React 项目，然后用几条模拟数据拼出首页。

但这个项目真正的重点并不是页面，而是前面的市场调研。

所以发送任务之后，我首先观察的不是它选了什么前端框架，而是它有没有意识到：

在开始开发之前，必须先确定调研范围、数据字段和信息来源。

它是否会按照这个顺序执行，将直接决定最后得到的是一个真正有内容的产品，还是一个只有外壳的演示页面。

07 Case 2：第一个项目还在跑，我又启动了“中国非遗互动地图”

虽然文章会按照 Case 1、Case 2、Case 3 的顺序分别展示，但在实际测试中，我不准备等第一个网站完全结束后，再开始下一个。

当“AI 出海机会雷达”还在搜索资料、整理数据和编写代码时，我直接在 TRAE 中点击 「新建任务」，创建了第二个独立项目：

中国非遗互动地图。

也就是说，这三个项目会尽量同时推进。

TRAE Work 官方将并发任务分配作为它的能力之一；本地任务还可以通过独立目录或 Worktree 隔离文件，避免多个任务修改同一套代码。实际能够同时运行多少个任务，仍要以当前账号、客户端版本和电脑资源为准。

第一个 Case 更偏向资料研究和产品分析，页面中大量内容都是文字、评分和数据。

第二个 Case，我想换一个更直观的方向。

中国非遗项目数量多、地域分布广，不同项目之间还涉及地区、类别、历史、传承方式和图片素材。如果只是做一个普通列表，难度并不算高；但要把这些资料做成一张真正可以探索的互动地图。

这一次，我同样只提供目标

我在新的空文件夹中输入了下面这段任务：

请从零调研并制作一个可运行的“中国非遗互动地图”网站。

我不会提供数据、图片、设计稿或 PRD。你需要自行完成资料搜索、内容筛选、图片查找、数据整理、产品设计、前端开发和功能测试。

网站需要让用户能够通过中国地图探索不同地区的代表性非遗项目，并支持按地区、类别和关键词进行搜索或筛选。点击某个项目后，应当能够查看项目名称、所在地区、所属类别、简要历史、主要特点、相关图片和资料来源。

资料应优先参考政府部门、权威文化机构、博物馆、联合国教科文组织相关页面以及项目官方公开资料。不要编造非遗项目、地区、类别、历史或来源链接。不同来源存在冲突时，需要保留说明。

图片应优先选择来源明确、允许公开引用或具备清晰使用说明的素材，并保留来源链接。无法确认使用权限的图片，不要直接作为项目素材，可以使用占位图或仅展示原始页面链接。

网站需要具备真实可用的地图交互、项目详情、搜索筛选、资料来源展示和移动端适配。不要只用几条模拟数据制作页面外壳。完成开发后，请自行启动项目，检查地图、筛选、详情、图片和链接是否能够正常使用，并说明仍然存在的问题。

当前还有其他任务正在运行，请仅操作当前项目文件夹，不要读取或修改其他 Case 的代码。启动开发服务器时，请检查端口占用，并自动选择一个未被使用的端口。

除非遇到登录、验证码、权限限制或必须由我决定的问题，否则请自行判断并继续推进。

最后两段是专门为并行执行补充的。

因为多个项目会同时写文件、安装依赖和启动开发服务器，所以必须提前告诉模型：

1. 只能操作自己的项目目录；

2. 启动网站前先检查端口是否已经被其他 Case 占用。

否则两个项目都默认使用同一个端口，后启动的网站可能会把前一个任务的服务顶掉。

08 Case 3：让 AI 自己核验资料，做一个“开源替代品数据库”

前两个任务仍在运行时，我继续点击 TRAE 左侧的 「新建任务」，为第三个项目创建了一个独立文件夹。

这次要做的是：

付费软件的开源替代品数据库。

很多人都有过类似需求：

想找 Notion、Canva、Zapier、Google Analytics 等工具的开源替代品，搜索一下确实能找到很多推荐文章，但真正开始选择时，问题就来了。

有些项目已经很久没有更新，有些只公开了部分源码，有些根本不支持自己部署，还有些项目名字和仓库看起来都很像，但实际上并不是同一个产品。

所以，这个任务不能只是让 AI 搜出几十个项目名称。

相比前两个案例，这个任务对资料准确性的要求更高。

因为一个漂亮的页面可以靠模拟数据快速做出来，但一个真正有用的开源项目数据库，必须经得住用户点击和核对。

这次我只给它一个目标和一套核验规则

我给 Seed-Evolving 的完整任务如下：

请从零调研并制作一个可运行的“付费软件开源替代品数据库”网站。

我不会提供现成的数据、项目名单、图片、设计稿或 PRD。你需要自行选择常见的付费软件类别，搜索对应的开源替代项目，并完成资料核验、数据整理、产品设计、前端开发和功能测试。

网站需要帮助用户根据正在使用的付费软件，找到功能相近的开源替代方案。每个项目至少需要包含：项目名称、对应的付费软件、主要功能、官方网站、代码仓库、开源许可证、是否支持自行部署、部署难度、适合人群、功能差异、最近维护情况和资料来源。

不要仅根据推荐文章整理项目。对于每个项目，请尽量访问官方网站、代码仓库和许可证文件进行交叉验证。不要把仅仅“源码可见”的产品直接标记为开源，也不要把停止维护、仓库错误或无法确认许可证的项目当作正常推荐。

无法确认的信息需要明确标记为“待核验”，不要编造 Star 数量、更新时间、许可证、功能或部署命令。涉及动态变化的数据，请记录核验时间。

网站至少支持按付费软件、项目类别、是否支持自行部署、许可证和部署难度进行搜索或筛选。用户可以查看项目详情，并在多个替代方案之间进行对比。

当前还有其他任务正在运行。请只操作当前项目文件夹，不要读取或修改其他 Case 的内容。安装依赖和启动开发服务器前，请检查端口占用，并选择未被其他项目使用的端口。

完成后请自行检查搜索、筛选、项目详情、对比功能、外部链接和移动端页面，并输出资料来源、测试结果以及仍然无法确认的问题。除非遇到登录、验证码、权限限制或必须由我决定的问题，否则请自行继续推进。

这一次，我在提示词里重点强调了两件事：

第一，推荐文章只能用于发现线索，不能作为最终核验依据。

第二，不确定的内容必须标记出来，不能为了让数据看起来完整而自行补全。

09 Case 1 完成：它真的从空文件夹做出了一个“AI 出海机会雷达”

第一个任务跑完后，Seed-Evolving 最终交付了一个可以直接打开运行的静态网站。

整个项目只有一个 index.html 文件，但页面结构、样式、数据和交互逻辑都被完整写进去了。打开后可以看到，网站已经整理出了 10 个适合个人开发者关注的 AI 出海方向。

它没有简单做成一篇长报告，而是把调研结果变成了一个真正可以浏览的产品。

不只是页面做出来了，信息也被重新组织了一遍

每个方向都不是只有一个名称和一句简介。

点击卡片后，会弹出完整的详情窗口，而且UI方面也做得非常好，非常的满意！

例如，在“AI 简历与求职工具”这个方向中，它不仅列出了 Teal、Rezi、Jobscan 等候选竞品，还进一步给出了适合个人开发者尝试的切入点：

面向技术岗位求职者，连接 GitHub 自动提取项目证据，再根据真实经历优化简历，避免模型为了让内容看起来更好而编造数据。

这个建议已经不只是“做一个 AI 简历工具”，而是开始考虑差异化、目标用户、产品边界和冷启动方式。

输入产品名称、方向或关键词后，页面会实时过滤对应卡片。

卡片还使用了竞争程度和实现难度两个评分，让用户能够先排除竞争过于激烈，或者暂时不适合个人开发者的方向。

从页面完成度来看，它已经具备一个内容型工具网站的基本形态，而不只是为了截图制作的静态首页。

10 第一版比我预期完整，但不能直接把它当成市场报告

单看视觉效果，这个页面的完成度确实不错。

它选择了深色背景、荧光绿色作为主要强调色，配合网格背景、卡片、评分圆点和弹窗详情，整体很像一个开发者工具或数据研究产品。

而且我没有告诉它页面应该使用什么配色，也没有提供参考图。

从这个角度看，它不只是“把数据放进网页”，还自行确定了一套相对统一的视觉语言。

不过，这个 Case 也暴露出了一个很值得注意的问题：

页面完成度高，并不代表里面的所有结论都同样可靠。

这些数字看起来很专业，但部分来源只是聚合站、媒体文章或其他工具的二次整理，并不是产品官网、研究报告原文或可重复验证的数据。

有些来源甚至只能证明“有人这样写过”，却不能证明结论本身准确。

所以，这个网站更适合作为：

第一轮机会扫描和选题发现工具。

而不是直接作为投资、创业或产品立项的最终依据。

11 Case 2 完成：中国非遗互动地图

第二个项目也顺利跑完了。

Seed-Evolving 最终制作出了一张可以直接交互的中国非遗地图，网站共整理了 76 个非遗项目、45 项 UNESCO 名录项目，覆盖 10 个非遗类别。

用户可以点击地图上的省份，查看当地收录的非遗项目，也可以通过搜索框、名录级别、非遗类别和地区进行筛选。

例如选择广东省后，地图会突出显示对应区域，并列出中国剪纸、粤剧、中国传统制茶技艺及其相关习俗等项目。每张项目卡片还标注了所属类别、地区、入选年份和名录级别。

页面整体采用红色作为主色调，地图颜色则根据不同地区收录的项目数量逐渐加深，能够比较直观地看到各地非遗项目的分布情况。

除了地图和筛选功能外，点击左侧的非遗项目卡片，还会打开对应的详情弹窗。

弹窗中会展示项目名称、所属地区、非遗类别、名录级别、历史渊源、主要特点以及资料来源。例如点击“广东音乐”后，可以进一步了解它的形成背景、代表乐器和艺术特色，并通过底部链接查看原始资料。

由于部分非遗项目图片涉及版权和授权问题，当前页面没有直接使用网络图片，而是保留了图片占位区域，并提示用户前往资料来源查看原始内容。

这次生成的项目一共包含 5 个主要文件，包括页面结构、样式、交互逻辑、非遗数据和中国地图数据。网站在本地 8080 端口运行，搜索、筛选、省份点击和项目列表都可以正常使用。

目前仍有一些局限，例如没有直接使用版权归属复杂的非遗图片，也暂时只支持省级地图，没有继续下钻到市级区域。不过作为一个从零开始、没有提前提供数据和设计稿的互动网站，整体完成度已经比较不错了。

12 Case 3 完成：AI 自己调研，做出了一个开源替代品数据库

第三个项目，我让 Seed-Evolving 做了一个「开源替代品图鉴」。

它的用途很直接：输入自己正在使用的付费软件，例如 Photoshop、Notion、Jira 或 Slack，网站就会给出对应的开源替代方案。

这一次我同样没有准备项目名单、数据库、设计稿或页面素材，只提出了目标，并要求模型自己搜索资料、整理数据、开发网站和测试功能。

首页提供了一个搜索框，用户可以直接输入正在使用的付费软件，寻找对应的开源方案。

继续向下进入项目列表后，还可以按照项目类别、开源许可证、是否支持自行部署以及部署难度进行筛选。例如选择「PDF 工具」，网站会筛选出 PDFsam Basic、Stirling-PDF 等项目，并显示它们可以替代哪些付费软件。

每个项目都包含开源许可证、维护状态、部署难度、GitHub Star 数量和适合人群等信息。

点击项目卡片，还能继续查看项目介绍、与付费软件的功能差异、官方网站、代码仓库以及用于核验信息的资料来源。

网站还加入了「加入对比」功能，可以把多个开源项目放在一起比较，而不是只给出一份简单的推荐名单。整个案例从资料搜索、数据整理，到页面设计、代码编写和本地运行，基本都由 Seed-Evolving 自己完成。

当然，开源项目的维护状态、Star 数量和许可证信息都会变化，这份数据库仍然需要后续持续更新，正式使用前也应该回到官网和代码仓库再次确认。

但作为一个从空文件夹开始的项目，它已经不只是生成了一个好看的页面，而是完成了一个具备搜索、筛选、详情查看和项目对比功能的可用网站。

13 三个项目跑完，我对 Seed-Evolving 的真实感受

这次测试，我没有提前准备数据、图片、设计稿和代码，只给了 Seed-Evolving 三个项目目标：

• AI 出海机会雷达；

• 中国非物质文化遗产互动地图；

• 付费软件开源替代品数据库。

剩下的资料搜索、信息整理、页面规划、代码开发、本地运行和基础测试，基本都交给它在 TRAE Work 中完成。

最后，三个任务都跑出了可以直接打开和操作的网站。

从结果来看，这三个网站并不只是三张静态页面。

AI 出海机会雷达包含搜索、分类筛选和项目详情，可以查看不同方向的竞品、用户痛点、定价方式和 MVP 建议。

中国非遗互动地图把整理后的项目放到了中国地图上，可以按照地区、名录级别和非遗类别筛选，并查看具体项目的历史介绍与资料来源。

开源替代品图鉴则整理了付费软件与开源项目之间的对应关系，支持搜索、筛选、查看详情和加入对比。

更重要的是，这三个任务可以同时运行。

我不需要等一个项目完全结束，再开始下一个项目。把任务分别创建好之后，TRAE Work 会在不同任务中继续执行，我只需要过一段时间回来查看进度和验收结果。

最后

过去使用 AI 做项目，我经常觉得自己更像是在给 AI 准备作业。

我要先找选题、找资料、整理图片、写需求、设计页面，然后再让它写代码。

而这次使用 TRAE Work 和 Doubao-Seed-Evolving，我尝试把更多前期工作也交给模型。

结果并没有做到“一句话生成完美产品”，中间依然会出现资料不够权威、数据需要核验、页面细节需要调整等问题。

但它确实让我少做了很多重复准备工作。

对普通用户来说，这可能意味着以后做一个网站，不一定要先学会写完整的 PRD，也不一定要提前准备好所有素材。

你可以先把目标说清楚，让 AI 开始调研和搭建，再根据实际结果继续修改。

而对于开发者来说，Seed-Evolving 固定 Model ID、持续更新的方式，也减少了模型升级后频繁修改配置的麻烦。项目仍然使用同一个模型名称，但背后的能力会继续更新。

这次的三个网站只是一次测试。

真正值得关注的，是这种开发方式正在发生的变化：

我们给 AI 的，不再是一段已经整理好的任务，而是一个还没有答案的目标。

剩下的，就是看看它能把这个目标推进多远。