FylloCode

Coding Agent 的团队治理层
让全队的 Agent 遵守同一套持续进化的规则、全程可追溯。

English · 文档 · 下载

背景

每个 Agent 会话一结束，代码留下来了，决策却丢失了 ……

• 三天后不知道这行代码为什么改。 Agent 帮你动了 100+ 个文件，git blame 只告诉你谁提交的，不告诉你当时的决策背景。
• 两个月后没人知道方案的设计依据。 Agent 给出了一个架构方向，其他候选方案为什么被放弃——这些推理过程全消失在当时的聊天窗口里。
• 每个新会话都要从头建立上下文。 相同的问题，每个 Agent、每次对话都要重新解释一遍项目约束、历史决策和禁忌操作。
• 全队的 Agent 各跑各的规则。 没有统一的工程规范，没有跨 Agent、跨会话的一致性，靠个人习惯维系的代码风格在 Agent 时代加速崩解。

这几个问题的根源相同：Agent 缺少一个持久的、结构化的项目治理层。 FylloCode 就是这个治理层。

核心机制

FylloCode 在你已有的代码库和研发工具链之上工作，不替代 IDE，不替代
CI/CD，不替代项目管理系统——它在这些系统上面加一层，专门解决"团队里如何持续用好 Agent"的问题。

研发系统（GitHub / 云效 / Jira ...）
        ↑ 回写任务结果
┌──────────────────────────────┐
│         FylloCode            │  ← 治理层
│  fyllo-specs · fyllo-skills  │
└──────────────────────────────┘
        ↓ 约束 & 注入上下文
   Coding Agent（任意）
        ↓
      代码库

工作流

FylloCode 把每个编码任务沿一条主线分成四个阶段，每个阶段有明确的输入、产物和约束。每一步的输入、决策和产物都会被记录成一条
lineage，固化下来的结果直接成为下一次任务的起点。

  Task ──────▶ Chat ──────▶ Proposal ──────▶ Apply & Archive
  任务入口      细化决策       方案评审          约束执行 & 归档

Task

主线的起点。一个任务可以由团队成员直接创建，也可以从已接入的研发系统（GitHub / 云效 / Jira ...）同步进来。FylloCode
在这里不施加任何约束，它只是一个工作单元进入治理流程的入口，并成为后续所有环节共同锚定的对象。

Chat

方案在这里成形。面对具体任务，Agent 会分析需求、从代码库中检索佐证、引导团队权衡取舍，最终与你一起收敛出决策，而不是凭空给出方案。fyllo-specs
会注入项目当前的规范状态，让讨论从一开始就在正确的边界内进行。包括被否决的思路在内的推理过程，都会作为 lineage 的一部分留存，而不是消失在聊天窗口里。

Proposal

决策确定后，Agent 把它固化为可评审的结构化产物。产物由 OpenSpec 规范驱动，可按项目需求定制，默认输出四份结构化文件：

• proposal.md：背景说明、新增能力、变更能力、受影响的模块
• design.md：Goals 与 Non-Goals、开放问题的最终决策及弃置原因、变更风险
• specs：从本次变更中抽取的规范条目，回写到项目知识库
• tasks.md：以文件和函数为维度的详细任务拆分，含验收标准，并触发 guidelines 自进化

这四份文件是 Proposal 评审的实体，也是两个月后追溯"当时为什么这么设计"的唯一依据。

Apply & Archive

Agent 在 fyllo-specs 的约束下执行。规范覆盖架构禁区、命名约定、危险操作范围，在编码过程中实时生效，不依赖事后 code review
发现越界。实际执行严格限定在 tasks.md 批准的范围内——超出边界的修改会被拦截，确保变更与评审记录一致。每个任务默认运行在独立的 Git
worktree 中，主分支在任务完成前保持干净，多个任务可以并行推进、各自处于不同阶段，互不干扰。

变更落地后，完整记录自动归档：代码变更范围、决策上下文、specs 更新、guidelines 演化结果，以及项目健康度重新评分。其中一部分反哺
fyllo-specs 和 fyllo-skills，成为下一次任务的背景知识——让 lineage 闭环，下一个 Task 不再从零开始；另一部分同步到已有的研发系统，不形成工具链孤岛。

模型选择

FylloCode 支持任意接入 ACP 的 Agent，但不同阶段对模型能力的侧重不同。根据实际使用经验：

• Chat 与 Proposal 阶段建议使用推理能力更强的模型，如 Claude Opus 或 GPT-4.5。这两个阶段需要 Agent
  深度理解项目背景、权衡多个方案的利弊、做出有依据的设计决策——模型的推理质量直接影响方案的可信度和可审查性。

• Apply 阶段可以使用更小、更快的模型。任务边界已由 tasks.md 明确约定，Agent 的工作更接近结构化执行而非开放式推理，对模型的要求相对较低，也更容易控制成本。

一个典型的搭配：Chat 与 Proposal 用 Opus，Apply 用 Sonnet 或 Haiku。

当 Agent 开始改代码

普通的 Agent 会话能拿到两样东西：当前代码 + 这次的 prompt。

FylloCode 的 Agent 在动手改代码之前，能拿到：

• 当前代码（来自你的仓库）
• 项目规范（来自 fyllo-specs：架构约束、命名约定、禁止操作）
• 历史决策上下文（这个模块为什么这么设计，当时否决了哪些方向）
• 变更原因记录（上次动这里是为了解决什么问题）
• 持续演进的 guidelines（来自 fyllo-skills，在每次任务后自动更新）

它知道这个项目为什么变成今天这样，不只是是什么。

团队知识沉淀

在持续演进中，需要把团队在实际工程中积累的知识、踩过的坑、达成的约定、反复出现的场景转化为下次任务时
Agent 能直接使用的结构化上下文。

目前通过 fyllo-skills.guidelines 工具实现这一点：在 Chat 与 Proposal 过程中，Agent 会考虑是否需要更新 guidelines，
执行时会根据任务细则自动更新项目规范，让 Agent 始终读取最新的工程约定，而不是手动维护、随版本漂移的静态文档。

这套机制解决的核心问题是：团队的工程智慧如何在 Agent 协作中持续沉淀，而不是每次会话结束就清零。

复杂工程能被持续维护，前提是每一次变更都不只是改了代码，而是留下了可被后续 Agent 和工程师理解的决策痕迹。FylloCode
的架构就是围绕这一点设计的。

我们正在从更多维度持续扩展知识积累的范围，guidelines只是起点。

集成

FylloCode 的任务结果可以回写到已有的研发系统，保持工具链的连续性。

技术架构

安装

在 Releases 页面下载对应平台的安装包。

参与贡献

FylloCode 使用 AGPL-3.0 许可证。欢迎提交 PR，贡献前请阅读 CONTRIBUTING.md。

致谢

FylloCode 构建在这些开源项目和协议之上：

Electron · Vue 3 · TypeScript · Nuxt UI · Tailwind CSS · ACP · MCP · OpenSpec · markstream-vue

许可证

AGPL-3.0

技术社区

LinuxDO：真诚、友善、团结、专业