AI Coding Agent 的「交通规则」

用过 Claude Code、Cursor 这些 AI 编程工具的人应该都有体会：刚开始很爽，但项目一复杂，AI 就开始「失忆」——今天跟它说过的规则明天又忘了，同一个项目换个工具又要重新配置一遍。

Trellis 就是来解决这个问题的。它是一个开源的项目级 AI 工作流基础设施，把零散在 CLAUDE.md、.cursorrules 等各种配置文件里的规则，统一收编到版本化的 Spec 里。简单说，它给 AI 立了规矩——而且这些规矩是结构化的、可追溯的、跨平台通用的。

Trellis 工作流演示

它解决了什么痛点？

🥲 规则散落一地

一个项目用 Claude Code 写一阵子，CLAUDE.md 越来越臃肿；换到 Cursor，又得写一份 .cursorrules；团队来了新人，靠口头传。Trellis 把所有这些规整到 .trellis/spec/ 目录下，每个 Spec 有明确的 scope，自动按任务注入。

🥲 会话没有记忆

AI 每次新对话都是从零开始，上次讨论的架构决策、踩过的坑全得重说。Trellis 通过 .trellis/workspace/ 的工作日志（journal）保留上下文，新会话能继承之前的脉络继续推进。

🥲 单打独斗 vs 团队协作

个人开发者的经验很难沉淀成团队资产。Trellis 的 Spec 和任务定义都随仓库版本化，个人总结的规则可以直接变成团队的共享基础设施，还能像代码一样做 Code Review。

🥲 跨平台重复配置

Claude Code、Cursor、OpenCode、Codex、Windsurf……14 个平台各有各的配置格式。Trellis 抽象了一层统一的工作流定义，一次写好，到处生效。

怎么工作的？

Trellis 四阶段工作流

Trellis 内部跑一个四阶段循环：

  1. Plan（规划）——通过 trellis-brainstorm 逐题梳理需求，写成 PRD，需要调研的派给子代理处理。
  2. Implement（实现）——子代理按 PRD 写代码，所需的 context 自动注入。
  3. Verify（验证）——对照 Spec 检查代码，跑 lint、type-check、测试，能修的就地修复。
  4. Finish（收尾）——归档任务，把本轮学到的东西写回 Spec 目录，积累给下一次会话。

这个循环的聪明之处在于：它不是在单次会话里硬撑到上下文占满，而是在合适的时候主动收尾、沉淀、归档，让下一次会话从更高质量的基础出发。

实际使用场景

Trellis 官方展示了几个典型的应用场景：

需求调研 → PRD

场景 1：需求调研

自动实现与验证

场景 2：自动实现

任务归档与沉淀

场景 3：任务归档

快速上手

npm install -g @mindfoldhq/trellis@latest
cd your-project
trellis init -u your-name

之后在对话中说你的需求，AI 会走完整的 Plan → Implement → Verify → Finish 流程。结束工作时输入 /trellis:finish-work 归档并留存上下文。

我的看法

Trellis 解决的是 AI coding 从「玩具」走向「生产工具」过程中的关键问题：如何让 AI 记住上下文、遵守规则、在团队里协作。

目前市面上大多数 AI 编程工具的关注点都在「单次对话有多强」，而 Trellis 想的是「跨会话、跨平台、跨团队怎么保持一致性」。这个方向是对的。

不过它也有学习成本——需要理解 Spec、Task、Workspace 的分层结构，对只想「开箱即用」的开发者来说门槛不低。文档做得不错，但生态还在早期。

如果你是 Claude Code 或 Cursor 的重度用户，或者在团队里推 AI 开发流程，值得花半小时试试看。

项目地址：mindfold-ai/Trellis · 许可：AGPL-3.0 · 🌟 8.8k Stars（截至 2026-05-31）· 中文文档