TRAE Cue-Pro：以编辑意图推断与心流对齐的编辑序列推荐重构 AI 编程助手的后续编辑推荐

针对当前 AI 编程助手只学习 commit 完成态、缺乏编码过程信息而频繁打断开发者心流的问题，TRAE Cue 提出 Cue-Pro 框架，由三个组件构成：一是深度思考推导用户编辑意图，分析编辑历史、浏览历史等历史编辑动作，结合 LLM 深度思考推断意图，并通过 LSP、语义化检索与数据流依赖召回后续完整编辑序列；二是推导符合开发者直觉的编辑序列，先用一小部分人类专家标注数据（标注同一 commit 内各 hunk 之间的自然先后顺序），再让 LLM 学会判断任意两个新代码修改之间最符合开发者直觉的逻辑顺序；三是双重校验过滤无效推荐，把即时推荐与候选编辑序列融合成完整「编辑心流」，判定候选编辑位置的合理性，直接过滤跑偏重构、撤销刚做修改等打断心流的建议，并按心流连贯性置信度对保留建议重排序。技术亮点包括智能上下文维护（自动推理编辑意图与后续需修改位置，无需自然语言提醒）、双重角色（既是贴身 Pair Programmer 给出即时建议，也可作为自主 Agent 追踪历史编辑序列推导完整编辑流）与无缝同步。正文给出的实例为 Python 项目中把第三方依赖 regex 替换为内置 re：开发者删除导入语句后，Cue-Pro 过滤掉 13 个「跑偏」建议，只呈现唯一符合心流的 regex.compile → re.compile 替换建议，实现 100% 精准推荐。正文另引用两个外部数据：此前受控实验中使用 AI 助手的开发者完成任务比不用者慢 19%，招募开发者对比实验中 68.81% 的 AI 建议会打断心流。