Skip to content
知识库

Trellis - AI 编码工程框架

Trellis — AI 编码工程框架

数据采集时间：2026-07-19 仓库：https://github.com/mindfold-ai/Trellis 官网：https://docs.trytrellis.app npm 包：@mindfoldhq/trellis

项目总览

维度评价
项目类型AI Coding Agent Harness（跨平台的”AI 编码脚手架”）
技术壁垒中 — 不依赖新模型,核心是 spec/task/workspace 三层结构 + 多平台适配器,差异化在工程方法论
学习价值高 — 揭示了”AI 写代码容易、写工程化代码难”的标准解法(spec 沉淀、PRD 驱动、子 agent 校验)
商业价值中高 — Mindfold 公司主推,AGPL-3.0 商业护城河,12.8k stars 强信号
适合人群想把 AI 编码从”玩具”变”工程化”的团队/个人开发者;已经在用 Claude Code/Cursor/Codex 的人
核心创新把”团队规范/任务上下文/历史记忆”沉淀进 repo,让任意 AI agent 接入都立刻具备团队标准

核心理念(一 句话)

“AI 写代码很快,但每个新会话都从零开始 — 没有项目记忆、没有团队约定、没有任务上下文。Trellis 把 spec/task/workspace 持久化进仓库,让任何 agent 都能按你的工程标准工作。”

它解决的是 AI 编码从单次 demo → 可复用工程流程 的最后一公里:

  • 单一会话:随便一个 IDE 插件都能干
  • 跨会话一致性:需要 spec 持久化
  • 跨 agent 一致性:需要 platform-agnostic 抽象
  • 跨成员一致性:需要 spec 进 git 共享

核心架构(4 阶段循环)

Plan → Implement → Verify → Finish
  1. Plan — trellis-brainstorm 一次问一个问题,生成 PRD(prd.md);研究重的派给 trellis-research 子 agent;产物落地到 implement.jsonl / check.jsonl
  2. Implement — trellis-implement 子 agent 按 PRD 写代码,不自动 git commit
  3. Verify — trellis-check 子 agent 对照 spec 审查 diff + 跑 lint/type-check/test,能自修就自修
  4. Finish — /trellis:finish-work 触发最终校验 + trellis-update-spec 把新学到的规则回写到 .trellis/spec/,让下次会话更聪明

仓库结构(核心目录)

.trellis/                  # 框架生成的"工程状态"
├── spec/                  # 团队规范(spec 模板 + 自动注入)
├── tasks/                 # 任务上下文(PRD/实现上下文/审查上下文)
├── workspace/             # 个人工作记忆(journals)
├── agents/                # 子 agent 配置(brainstorm/implement/check/research)
├── scripts/               # 自动化脚本
├── config.yaml            # 行为开关
└── workflow.md            # 工作流定义

顶层还内置了 17 个平台的适配器目录:.claude/ .cursor/ .codex/ .opencode/ .agents/ .pi/ .omp/ .github/… 同一份 spec 可同时驱动 Claude Code、Cursor、Codex、OpenCode、Pi 等。

关键设计点

  • Spec 持久化 (.trellis/spec/) — 团队规范一次写好,session 启动自动注入;不是 CLAUDE.md 那种单文件逐渐膨胀
  • 任务隔离 (.trellis/tasks/) — 每个任务有独立的 PRD + 实现上下文 + 审查上下文,避免互相污染
  • 工作记忆 (.trellis/workspace/) — 上次 session 学到的东西写进 journal,下次 session 开局就有真实上下文
  • 多平台抽象 — 17 个平台,写一次 spec 处处生效,换 IDE/agent 不重写工作流
  • 学习闭环 — trellis-update-spec 把”verify 阶段发现的新规则”反向写入 spec,越用越聪明

横向对比 — spec-kit(同赛道核心竞品)

⚠ 重要修正

与 github/spec-kit 同属 spec-driven 赛道,但 spec-kit 规模远超 Trellis。 spec-kit: 122K stars / 10.9K forks / GitHub 官方 / MIT Trellis: 12.8K stars / 716 forks / Mindfold 初创 / AGPL-3.0 两者其实在解决不同问题,更接近互补关系而非直接竞争。

维度Trellisspec-kit (github/spec-kit)
⭐ Stars12,825122,246 (10 倍)
归属Mindfold(初创)GitHub 官方
协议AGPL-3.0(商业限制)MIT(商业友好)
本质运行时(runtime harness)方法论+工具集(toolkit)
核心命题”AI 没记忆,harness 给你记忆和规范""Spec 是可执行的,直接生成实现”
流程4 阶段循环,子 agent 协作5 个 slash command 串行
Spec 演进有学习闭环(verify 反向强化 spec)无自动演进
多平台17 个 agent 适配器主流 agent 都支持(数量相当)
工作记忆.trellis/workspace/ journals无
子 agent4 个(brainstorm/research/implement/check)无(靠主 agent 串行)
CLI 安装npm install -guv tool install(Python 系)
主语言TypeScript + PythonPython

详细对比见 spec-kit-GitHub官方规范驱动开发.md 中的”Trellis vs spec-kit”小节。

选型建议

  • ✅ 选 Trellis 当:你或团队同时用多个 AI agent(Claude Code + Cursor + Codex…),想一次配置到处生效;你受够了每次开新会话都要重新解释项目背景
  • ✅ 选 spec-kit 当:你只用 GitHub Copilot 系列工具,喜欢 GitHub 官方背书,商业产品需考虑协议

横向对比 — 三强对决（AI 编码工程化赛道）

赛道三巨头:

  • obra/superpowers 257K ⭐(顶流, 9 个月, MIT, 已商业化, Anthropic 官方 marketplace)
  • github/spec-kit 122K ⭐(GitHub 官方, MIT)
  • mindfold-ai/Trellis 12.8K ⭐(初创, AGPL-3.0)
维度Trellisspec-kitSuperpowers
⭐ Stars12,825122,246 (9.5 倍)257,213 (20 倍)
归属Mindfold(初创)GitHub 官方obra + Prima Radiant
协议AGPL-3.0(商业限制)MIT(商业友好)MIT
本质运行时 harness方法论脚手架完整工程师人格
形式CLI + .trellis/ 目录CLI(specify-cli)Plugin/Skills 包
触发方式调 trellis-brainstorm 等用户主动调 /speckit.*自动触发
工作流4 阶段循环(子 agent 协作)5 个 slash command 串行13+ skills 自动组合
Spec 演进有学习闭环无自动演进无自动演进
工作记忆.trellis/workspace/ journals无无
Subagent4 个(brainstorm/research/implement/check)无每个任务派新 subagent
TDD 约束无强约束(verify 阶段跑测试)无强约束强制 RED-GREEN-REFACTOR
Code Reviewtrellis-check 子 agent无强制两阶段 review
平台支持17 平台适配器(自生成目录)主流 agent 适配10+ 官方 marketplace
安装npm install -guv tool install一键 /plugin install
商业化无无已商业化(enterprise 销售)
官方背书无GitHub 官方Anthropic 官方 marketplace

详细对比见 Superpowers-AI编码工程师方法论与Skills框架.md 中的”三强对决”和”选型建议”小节。

三强选型建议

  • ✅ 选 Trellis 当:你想用 spec/task/workspace 三层结构做长期项目记忆,需要学习闭环(spec 越用越聪明),不在意 AGPL-3.0
  • ✅ 选 spec-kit 当:你只用 GitHub Copilot 系列,喜欢 GitHub 官方背书,想要”线性 5 步走完一个 spec”的方法论
  • ✅ 选 Superpowers 当:你想让 AI agent 变成一个完整的工程师(会 brainstorm/TDD/review/verification),不想自己组装方法论,不在乎自动触发的”强制约束”

不混用 —— 三者都强观点地定义了工作流, 混用会冲突。

潜在问题/坑

  • AGPL-3.0 — 商业产品要二次分发需谨慎,协议传染性强
  • 学习曲线 — spec/task/workspace 三层结构对个人小项目可能过重
  • 多平台适配的代价 — 17 个平台意味着任何新模型能力都要在所有平台重写适配
  • 依赖多个 AI 工具 — 一旦某个 agent 行为变更,整个流程要跟着修

总结与建议

  • [推荐] 关注/使用,特别是你已经在用多个 AI 编码工具
  • 一句话总结
    是 “AI 编码的工程化操作系统” — 它不解决”AI 能不能写代码”,解决”AI 写出的代码怎么保持工程标准”
  • 适合:每天和 AI 编码工具打交道 + 项目有一定规模 + 想沉淀团队规范
  • 不适合:纯玩具项目、只用单一 agent、不能接受 AGPL-3.0

备查数据

  • 仓库
    /Trellis
  • 描述
    best agent harness.
  • 创建:2026-01-26
  • 最近推送:2026-07-17(2 天前,活跃)
  • 主语言
    (2.28M) + Python (803K) + JavaScript (162K) + HTML + Shell
  • Stars: 12,825 / Forks: 716 / Open issues: 27
  • 协议
    .0
  • npm 包:@mindfoldhq/trellis
  • 文档:https://docs.trytrellis.app