mindfold-ai/Trellis 研究域

字多不看

文档	定位
domain.yml	仓库事实快照、研究方向、优先级和来源证据。
analysis.md	本研究域的结构化研究结果、可迁移做法、风险和验证动作。
deep-dive.md	L2 结构深度研究、关键机制和对本仓 Harness 体系的应用建议。
AGENTS.md	本研究域维护规则。

完整细粒度目录（点击展开/收起）

先读本 README 的判断，再读 analysis.md 和 deep-dive.md 的研究结论，最后读 domain.yml。
需要引用 stars、forks、release、归档状态、主页或主题标签时，先重新核验 GitHub。
需要更新原始事实时，运行 python3 scripts/fetch-research-raw.py mindfold-ai-trellis。
如果形成稳定方法论，再下沉到 docs/research/harness/、docs/workflow/、scripts/ 或 skills/。

mindfold-ai/Trellis 的当前研究定位是：跨平台 Agent Harness 框架、CLI 与任务/规格/记忆系统。

Trellis 是本仓 Harness 研究线的 P1 样本。它不是把 AGENTS.md、CLAUDE.md 或规则文件再包一层，而是把 AI 编程过程做成仓库内可运行控制面：

用 .trellis/spec/ 保存团队约束，让 Agent 通过任务上下文加载规则，而不是靠模型记忆。
用 .trellis/tasks/ 保存 prd.md、design.md、implement.md、implement.jsonl 和 check.jsonl。
用 .trellis/workflow.md 保存状态机和每轮注入的 breadcrumb，约束从计划、执行到收尾的相位。
用 .trellis/workspace/ 保存开发者会话记录，解决跨会话恢复和团队共享问题。
用 CLI 同时生成 Claude Code、Codex、Cursor、OpenCode、Gemini、Kiro、Qoder、Copilot 等平台适配层。
用 channel、mem、task 等核心原语把多 Agent 协作、会话检索和任务记录从文档推进到 runtime。

对本仓最有价值的点是：把“AI 协作经验”进一步升级为“可注入、可验证、可迁移、可升级的控制面”。经验句子容易被遗忘；任务、规格、上下文清单、状态机和验证命令能被下一轮 Agent 继续执行。