核心用法
Lattice 是一种面向AI智能体团队的文件驱动操作系统，核心目标是用持久化文件取代易失的聊天窗口，解决上下文丢失、任务漂移等传统多智能体协作的核心痛点。
初始化流程：执行 lattice init 收集组织名称、目标目录、部门列表及首个项目信息，从 templates/ORG/ 模板复制并自定义目录结构。每个部门包含 CHARTER.md（章程）、RUNBOOK.md（运行手册）、HANDOFF.md（交接状态）；每个项目包含 8 阶段流水线状态文件（PIPELINE_STATE.json）、决策日志（DECISIONS.md）及状态看板（STATUS.md）。
8阶段执行流水线：
1. Constitute（架构定义）→ 2. Research（调研）→ 3. Specify（设计规约）→ 4. Plan+Tasks（任务拆解）→ 5. Implement（实现）→ 6. Test（测试）→ 7. Review（审查）→ 8. Gap Analysis（差距分析）
三级故障处理：当智能体受阻时，系统自动（1）模型升级重试 →（2）多模型并行会诊 →（3）自动分流决策（放宽约束/推迟/人工阻断）。
按阶段配置模型：思考密集型阶段（架构、规划、审查）使用强推理模型（如 Claude Opus）；Token 密集型阶段（实现、测试）使用高性价比编码模型（如 GPT Codex），显著降低总成本。
多项目并行：结合 cron 调度，多个项目可独立运行，每个配置独立的编排器定时任务。
---
显著优点
| 维度 | 优势 |
|------|------|
| **稳定性** | 文件状态机确保会话间无上下文漂移，支持小时至天级的长周期任务 |
| **容错性** | 三级自动恢复机制，绝大多数阻塞无需人工介入 |
| **成本优化** | 认知负载与模型成本精准匹配，实施/测试阶段可使用廉价模型 |
| **可扩展性** | 多部门、多项目并行，cron 独立调度 |
| **可审计性** | PIPELINE_LOG.jsonl 追加式日志 + DECISIONS.md 决策追踪 |
---
潜在局限
| 局限 | 说明 |
|------|------|
| **初期配置复杂度** | 需正确配置 PIPELINE_STATE.json 的模型分级、升级链、会诊模型，对新手有门槛 |
| **文件IO依赖** | 状态完全依赖文件系统，高频IO可能成为性能瓶颈（未提及内存缓存优化） |
| **故障处理边界** | "自动分流"中的 RELAX/DEFER/BLOCK 决策逻辑未详述，极端场景可能误判 |
| **生态锁定** | 模板结构与 `cron` 工具深度耦合，迁移至其他调度系统需改造 |
| **无可视化界面** | 纯文件/命令行交互，缺乏实时仪表盘，状态查询依赖 `lattice status` 的文本输出 |
---
适合人群
- AI Native 团队：已采用多模型策略、需要自动化编排的工程师团队
- 长周期自动化任务：持续数小时至数天的代码生成、文档重构、复杂分析流水线
- 成本敏感场景：Token 消耗大、需精细优化模型选择策略的组织
- 研究/企业IT部门：需多项目并行、部门隔离、可审计合规的研发管理场景
---
常规风险
1. 配置错误导致级联故障：PIPELINE_STATE.json 中的 escalation_chain 若配置循环或遗漏强模型，可能使故障智能体无限重试
2. 文件冲突与并发写：多项目并行时，若未加文件锁机制，同时写入 ORG 级 TASKBOARD.md 可能损坏状态
3. 自动决策的"静默失败"：Auto-Triage 选择 DEFER 时，任务被推迟但可能未通知用户，导致进度感知盲区
4. 模型可用性依赖：升级链中的模型若被服务商弃用或限额，流水线可能意外停滞
5. 路径遍历风险：lattice init 的目标目录若未做路径净化，存在 ../ 注入导致敏感目录被覆写的可能（需运行时验证）