Trellis

GitHub
4.9k 266 非常简单 1 次阅读 今天AGPL-3.0Agent
AI 解读 由 AI 自动生成,仅供参考

Trellis 是一款专为多平台设计的 AI 编程框架,旨在成为开发者管理 AI 智能体的核心枢纽。它并非另一个独立的代码编辑器,而是一个能够统一协调 Claude Code、Cursor、GitHub Copilot、Gemini CLI 等十余种主流 AI 编码工具的“指挥层”。

在开发过程中,开发者常面临在不同工具间重复配置规范、上下文丢失以及多任务并行困难等痛点。Trellis 通过引入标准化的项目结构解决了这些问题:它将技术规范自动注入每次会话,避免重复提示;利用任务中心化管理需求文档与实施状态,保持工作流井然有序;并通过 Git 工作树技术实现多个 AI 任务的并行执行,大幅提升效率。此外,其独特的“项目记忆”功能可保存历史会话上下文,确保新任务能继承之前的关键信息,同时支持团队共享标准,让个人积累的最佳实践惠及整个团队。

Trellis 特别适合需要频繁使用多种 AI 辅助编程工具的软件开发人员及工程团队。无论您偏爱哪种具体的 AI 编辑器,只需一次配置,即可将成熟的工作流无缝迁移至不同平台,让您专注于代码逻辑本身,而非繁琐的工具切换与环境搭建。

使用场景

某中型 SaaS 团队的后端组长正带领三名开发者和两个 AI 助手(分别运行在 Cursor 和 Claude Code 上)并行重构核心计费模块。

没有 Trellis 时

  • 上下文重复劳动:每位开发者每次开启新会话都要手动粘贴项目规范、API 文档和代码风格要求,浪费大量时间且容易遗漏关键约束。
  • 协作混乱冲突:多人同时修改同一分支导致 Git 冲突频发,AI 生成的代码因缺乏统一的任务状态记录而经常覆盖彼此的工作成果。
  • 工具链割裂:使用 Cursor 的同事和用 Claude Code 的同事无法共享提示词工程成果,每个人都在各自的环境中重新发明轮子,团队标准难以统一。
  • 记忆断层:隔天继续工作时,AI 完全不记得昨天的决策逻辑和未完成的中间状态,开发者不得不花费半小时向 AI“复述”前情提要。

使用 Trellis 后

  • 规范自动注入:只需在 .trellis/spec/ 定义一次编码公约,Trellis 便会自动将相关上下文注入所有会话,确保所有 AI 输出天然符合团队标准。
  • 并行无冲突开发:利用 Git Worktrees 机制,Trellis 让多个 AI 任务在不同工作树中并行执行,彻底消除了分支拥堵,任务状态清晰记录在 .trellis/tasks/ 中。
  • 跨平台统一工作流:无论是 Cursor 还是 Claude Code,都复用同一套 Trellis 结构,团队成员共享相同的提示词策略和任务模板,协作效率大幅提升。
  • 持久化项目记忆.trellis/workspace/ 中的日志自动保存了历史决策和进度,新会话启动时 AI 立即“继承”昨日记忆,无缝衔接开发断点。

Trellis 通过将分散的 AI 交互转化为结构化、可共享的工程资产,让多人与多智能体协作像单人开发一样流畅有序。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notesTrellis 是一个基于 Node.js 的 AI 编码框架工具,需通过 npm 安装。它本身不运行大型模型,而是作为中间层整合多种 AI 编程平台(如 Claude Code, Cursor, GitHub Copilot 等)。实际硬件需求取决于所连接的具体 AI 后端服务或本地运行的模型。支持 Git worktrees 以实现并行任务执行。
python未说明
Node.js
npm
Trellis hero image

快速开始

Trellis Logo

一款强大的跨平台 AI 编码框架
支持 Claude Code、Cursor、OpenCode、iFlow、Codex、Kilo、Kiro、Gemini CLI、Antigravity、Windsurf、Qoder、CodeBuddy 以及 GitHub Copilot。

简体中文文档快速入门支持的平台应用场景

npm 版本 npm 下载量 许可证 星标数 文档 Discord 未解决的问题 未合并的拉取请求 向 DeepWiki 提问 向 ChatGPT 提问

Trellis 工作流演示

为什么选择 Trellis?

功能 带来的改变
自动注入规范 .trellis/spec/ 中只需编写一次约定,之后由 Trellis 自动将相关上下文注入到每次会话中,无需重复说明。
以任务为中心的工作流 将任务需求文档、实现上下文、评审上下文和任务状态保存在 .trellis/tasks/ 中,使 AI 工作保持结构化。
并行代理执行 使用 Git worktrees 并行运行多个 AI 任务,而不是把一个分支变成“交通拥堵”。
项目记忆 .trellis/workspace/ 中的日志会保留上次发生的情况,因此每次新会话都能基于真实背景开始。
团队共享标准 规范存储在代码库中,这样一个人辛苦建立的工作流程或规则可以惠及整个团队。
跨平台设置 可以将相同的 Trellis 结构应用到 13 种 AI 编码平台上,而无需为每种工具重新构建工作流程。

快速入门

# 1. 安装 Trellis
npm install -g @mindfoldhq/trellis@latest

# 2. 在你的仓库中初始化
trellis init -u your-name

# 3. 或者根据你实际使用的平台进行初始化
trellis init --cursor --opencode --codex -u your-name
  • -u your-name 会创建 .trellis/workspace/your-name/,用于个人日志和会话连续性。
  • 平台标志可以任意组合。当前选项包括 --cursor--opencode--iflow--codex--kilo--kiro--gemini--antigravity--windsurf--qoder--codebuddy--copilot
  • 如需了解特定平台的设置、入口命令及升级路径,请参阅文档: 快速入门支持的平台实际应用场景

应用场景

向 AI 一次性传授你的项目知识

将编码标准、文件结构规则、评审习惯和工作流程偏好写入 Markdown 规范中。Trellis 会自动加载相关内容,这样你就无需每次都重新解释整个代码库。

并行运行多个 AI 任务

利用 Git worktrees 和 Trellis 的任务结构,可以将工作清晰地分配给不同的 AI 代理。不同任务可以同时推进,而不会互相干扰各自的分支或本地状态。

将项目历史转化为可用的记忆

任务的需求文档、检查清单和工作空间日志可以让之前的决策在下一次会话中继续发挥作用。下一个 AI 代理无需从零开始,而是可以直接接续上一次的工作。

在不同工具间保持一致的工作流程

如果你的团队使用多种 AI 编码工具,Trellis 可以提供一套统一的规范、任务和流程结构。虽然不同平台的具体配置会有所变化,但整体的工作流程仍然清晰可辨。

工作原理

Trellis 将核心工作流程保存在 .trellis/ 中,并围绕它生成所需的平台特定入口点。

.trellis/
├── spec/                    # 项目标准、模式和指南
├── tasks/                   # 任务需求文档、上下文文件和状态
├── workspace/               # 日志和开发者特定的连续性
├── workflow.md              # 共享的工作流程规则
└── scripts/                 # 支撑工作流程的实用工具

根据你启用的平台,Trellis 还会创建一些工具特定的集成文件,例如 .claude/.cursor/AGENTS.md.agents/.codex/.kilocode/.kiro/.github/copilot/ 以及 .github/hooks/。对于 Codex,Trellis 现在会在 .agents/skills/ 下安装项目技能,同时在 .codex/ 下安装项目范围内的配置或自定义代理。

从高层次来看,工作流程很简单:

  1. 在规范中定义标准。
  2. 根据任务需求文档开始或细化工作。
  3. 让 Trellis 注入当前任务所需的正确上下文。
  4. 使用检查、日志和工作trees 来确保质量和连续性。

规范模板与市场

默认情况下,规范以空模板形式提供——它们需要根据你的项目技术栈和开发惯例进行定制。你可以从头开始填写,也可以直接使用社区提供的模板:


# 从自定义注册表获取模板
trellis init --registry https://github.com/your-org/your-spec-templates

浏览可用模板,并在Spec Templates 页面上了解如何发布您自己的模板。

新增功能

  • v0.3.6: 任务生命周期钩子、自定义模板注册表(--registry)、父子子任务、修复 CC v2.1.63+ 的 PreToolUse 钩子。
  • v0.3.5: 修复删除迁移清单字段名问题(Kilo 工作流)。
  • v0.3.4: 支持 Qoder 平台、Kilo 工作流迁移、record-session 任务感知。
  • v0.3.1: trellis update 的后台监听模式、改进的 .gitignore 处理、文档更新。
  • v0.3.0: 平台支持从 2 个扩展到 10 个、Windows 兼容性、远程 Spec 模板、/trellis:brainstorm

常见问题解答

这与 CLAUDE.mdAGENTS.md.cursorrules 有何不同?

那些文件很有用,但往往变得过于庞大。Trellis 在它们的基础上增加了结构:分层的 Spec、任务上下文、工作区记忆以及平台感知的工作流连接。

Trellis 是否仅适用于 Claude Code?

不是。Trellis 目前支持 Claude Code、Cursor、OpenCode、iFlow、Codex、Kilo、Kiro、Gemini CLI、Antigravity、Windsurf、Qoder、CodeBuddy 和 GitHub Copilot。每种工具的详细设置和启动命令都收录在支持的平台指南中。

我是否必须手动编写每个 Spec 文件?

不必。许多团队会先让 AI 根据现有代码草拟 Spec,然后再手动调整关键部分。Trellis 的最佳使用方式是将高优先级规则明确列出并进行版本管理。

团队能否在不产生持续冲突的情况下使用它?

可以。每位开发者的个人工作区日志彼此独立,而共享的 Spec 和任务则保存在仓库中,可以像其他项目资产一样被审查和改进。

星级历史

星级历史图表

社区与资源

官方仓库AGPL-3.0 许可证 • 由 Mindfold 构建

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|2天前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|2天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

144.7k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.9k|★★☆☆☆|昨天
开发框架图像Agent

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|昨天
语言模型图像Agent

Deep-Live-Cam

Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具,用户仅需一张静态照片,即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点,让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界,更因其极简的操作逻辑(仅需三步:选脸、选摄像头、启动),广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换,还是制作趣味短视频和直播互动,Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力,支持口型遮罩(Mouth Mask)以保留使用者原始的嘴部动作,确保表情自然精准;同时具备“人脸映射”功能,可同时对画面中的多个主体应用不同面孔。此外,项目内置了严格的内容安全过滤机制,自动拦截涉及裸露、暴力等不当素材,并倡导用户在获得授权及明确标注的前提下合规使用,体现了技术发展与伦理责任的平衡。

88.9k|★★★☆☆|2天前
开发框架图像Agent