Trellis：让 AI 编程工具在团队规模上变得可靠

你有没有遇到过这样的场景：团队里每个人都用上了 Claude Code、Cursor 这样的 AI 编程工具，表面上效率飞升，但一周后代码库里冒出了一堆风格各异的「AI 风格」代码——有人狂写注释，有人省略错误处理，有人完全无视团队的命名规范。大家的 AI 工具都挺聪明，但合在一起，就变成了一场没有指挥的即兴演奏。

Trellis 正是为解决这个问题而生。它是一个「AI 编程工具的编排框架」（Agent Harness），用结构化的规范和工作流，把散兵游勇式的 AI 编程行为统一管起来。

图1：Trellis 项目标志

背景故事：为什么需要一个「AI 工具的脚手架」？

2023 年前后，Claude Code、Cursor 等 AI 编程工具开始普及，GitHub Copilot 的深度用户也已大量存在。这些工具确实能提升个人效率，但当整个团队都使用时，几个问题立刻浮现：

• 规范不统一：每个开发者对 AI 的「提示」各不相同，导致代码风格参差不齐。
• 上下文丢失：AI 工具在长对话中容易遗忘早期决策，新会话更是从零开始。
• 平台锁定：Claude Code 用户积累的 workflow 无法迁移到 Cursor 用户，团队协作困难。
• 工作无记忆：一个人花了两天解决的问题，另一个同事第二天又让 AI 重蹈覆辙。

Trellis 的作者（来自 mindfold-ai 团队）从自身的工程实践中提炼出了这些痛点，决定做一个「AI 编程工具的操作系统」——不取代任何具体工具，而是为所有主流 AI 编程平台提供统一的结构化层。

核心技术：四阶段循环工作流

Trellis 的核心是一个自动化的四阶段循环（Plan → Implement → Verify → Finish），每个阶段都有专门的子 Agent 负责：

图2：Trellis 四阶段循环工作流示意

阶段	子 Agent	职责
Plan	trellis-brainstorm	逐个提问梳理需求，撰写 PRD；研究密集型任务交给 trellis-research 子 Agent
Implement	trellis-implement	根据 PRD 编写代码，不做 git 提交
Verify	trellis-check	对照规格检查 diff，运行 lint/类型检查/测试，能 self-fix 就 self-fix
Finish	trellis-update-spec	将新学到的东西更新到 .trellis/spec/ 目录，为下次会话积累知识

这个设计的精妙之处在于：规范不是静态的配置文件，而是动态演进的知识库。每次 Finish 阶段都会把新发现写回 spec，下次会话的 AI 从第一天就知道「上次踩过什么坑」。

多平台支持：14 个 AI 编程平台，一个工作流

Trellis 最有特色的能力是跨平台支持。它不只是给 Claude Code 用的，官方支持的平台包括：Claude Code、Cursor、OpenCode、Codex、Kiro、Kilo、Gemini CLI、Antigravity、Windsurf、Qoder、CodeBuddy、GitHub Copilot、Droid、Pi Agent。

这意味着：团队里有人用 Cursor，有人用 Claude Code，有人用 Windsurf——只要所有人都在同一个 Trellis 结构下工作，代码规范和项目上下文就能跨平台共享。

核心组件：.trellis/ 目录结构

Trellis 在项目根目录创建一个 .trellis/ 目录，包含：

.trellis/
  spec/          # 共享规范：编码规范、架构约定、技术债务说明
  tasks/         # 任务跟踪：PRD、任务状态、审查记录
  workspace/     # 个人日志：每位开发者的会话记录，不与他人冲突
  agents/        # Agent 指令模板（check.md, implement.md, research.md）
  config.yaml    # 全局配置
  workflow.md    # 工作流定义

其中的 .trellis/workspace/ 设计尤为巧妙：它是个人级别的记忆空间，不同开发者的日志不会冲突——既保留了个人工作痕迹，又让团队共享规范保持独立演进。

图3：Trellis 典型使用场景

技术架构：pnpm monorepo + TypeScript CLI

项目采用 pnpm monorepo 结构，核心代码在 packages/cli/ 目录，以 TypeScript 编写，通过 vitest 进行测试，eslint + prettier + basedpyright 三位一体代码质量保障，发布至 npm（@mindfoldhq/trellis）。

packages/cli/
  bin/trellis.js      # CLI 入口（trellis/tl 命令）
  src/cli/            # CLI 核心逻辑
  src/commands/       # 子命令实现（init, brainstorm, implement...）
  src/configurators/  # 各平台配置器
  src/templates/      # 规范模板
  test/              # 完整测试套件

版本号 0.5.19（持续活跃开发中），AGPL-3.0 开源许可。

图4：团队协作场景

上手体验：npm 一行安装

安装极其简单：

npm install -g @mindfoldhq/trellis@latest
trellis init -u your-name
# 或指定平台
trellis init --cursor --opencode --codex -u your-name

依赖要求：Node.js >= 18，Python >= 3.9（用于 lint:py 命令）。

局限与争议

Trellis 并非银弹，有几个值得关注的局限：

1. 学习曲线：团队需要花时间建立规范体系（.trellis/spec/），初期有一定上手成本。
2. 平台差异：虽然号称支持 14 个平台，但不同平台的 AI 能力边界不同，Trellis 的自动注入上下文策略并非在所有平台上都表现一致。
3. 规范管理成本：随着项目演进，.trellis/spec/ 目录需要定期维护，否则积累的「知识」会变成无人维护的文档废墟。
4. AGPL-3.0 许可：如果你要将 Trellis 集成到闭源项目中，需要注意许可合规问题。

行业意义：AI 编程工具从「单打独斗」到「协同作战」

Trellis 的出现反映了 AI 编程领域的两个重要趋势：

• 工具链化：单个 AI 编程工具已不足以支撑团队级软件开发，「工具的编排层」成为刚性需求。
• 规范即资产：代码规范、设计决策不再只是文档，而是能被 AI 理解和执行的动态知识。

从 GitHub Stars 增长趋势来看，Trellis 在 Agentic Coding 领域已获得相当关注度，代表了 AI 编程从「个人效率工具」向「团队协作基础设施」演进的探索方向。

---

总结：Trellis 是一个高概念、高实用价值的 AI 编程工具编排框架。它不替代 Claude Code 或 Cursor，而是在其上建立了一层结构化的「规范 + 工作流 + 记忆」层，让 AI 编程在团队规模下也能保持一致性和可追溯性。如果你所在的团队有多人使用 AI 编程工具，Trellis 是目前最值得一试的整合方案。