本页内容
  1. 历史
  2. 现代 Linux 里的分层
  3. 标准
  4. 终端和 GUI 的区别
  5. 我们从中得到什么
  6. 参考

终端是人和程序之间的一个字节流接口。这一个事实,既解释了 coding agent 为什么都搬进了终端,也解释了终端至今给不了它们什么。cotty 从这里出发。

这个接口有两个方向:

  • 输入:终端把按键变成字节发给程序。
  • 输出:终端把程序发回的字节变成屏幕上的字符。

颜色、光标移动、清屏这些控制命令,也是夹在同一条字节流里的特殊字节序列。

历史

“终端"原本是硬件,指一根线路末端(terminal)的设备。先是电传打字机(teletype),Unix 的 tty 就是这个缩写。后来是 DEC VT100 这类带屏幕的终端,用串口线连主机。主机只收发字节,显示由终端设备负责。

现在的 foot、Alacritty 等,准确叫法是终端模拟器,模拟的是 VT100 那一代硬件的行为。

现代 Linux 里的分层

 你 ⇄ 终端模拟器(画字、读键盘)
        ⇅  字节流
     PTY 主端 ── 内核 tty 层(line discipline)── PTY 从端 /dev/pts/N
                                                   ⇅
                                            bash / vim / agent …
  • 终端模拟器:负责显示和读键盘,自己不运行命令。
  • PTY(伪终端):内核提供的一对虚拟设备,替代了当年的串口线。
  • tty 层和 line discipline:内核替程序做的事,比如回显、退格处理、把 Ctrl+C 变成 SIGINT。
  • Shell:运行在终端里的一个普通程序,不是终端本身。

术语:

  • 终端(terminal):设备或模拟器。
  • 控制台(console):机器的主终端。
  • shell:命令解释器。

标准

标准分两半,分别管不同的事:

  1. 程序和内核那一侧:POSIX。 POSIX 对终端的定义是 “a character special file that obeys the specifications of the general terminal interface”,也就是遵循通用终端接口规范的字符特殊文件。它还规定了 termios:能不能回显、按行读还是按字符读、哪个键产生哪个信号。按这个定义,终端是一个设备接口,而不是一个窗口。
  2. 字节流里的控制语言:ECMA-48。 它和 ISO/IEC 6429、旧的 ANSI X3.64 是同一套内容,定义了 ESC [ ... m 这类转义序列。所谓"ANSI 转义码"就出自这里。例:printf '\e[1;31mhi\e[0m'。

实际情况:

  • 没有任何标准规定终端模拟器必须做到什么。事实标准是兼容 VT100、VT220 和 xterm,xterm 的控制序列文档就是大家参照的规范。
  • 真彩色、OSC 8 超链接、Kitty 键盘协议、Sixel、Kitty 图形协议,都是标准之外的扩展。
  • 因为各家能力不同,用 terminfo 数据库描述每种终端的能力,用 TERM 环境变量告诉程序当前是哪一种。在 foot 里是 TERM=foot。

终端和 GUI 的区别

终端也能做键盘、鼠标交互,也有颜色、图片、局部刷新。区别不在功能,而在基本抽象:

  • 终端程序面对的是一个由别人绘制的字符网格,和它通信只能通过一条字节流。
  • GUI 程序自己控制每一个像素,和系统之间走的是结构化的消息和事件。
终端(TUI) GUI
最小显示单位 字符格(第几行、第几列):字符加颜色、粗体等属性 像素
由谁绘制 终端模拟器。字体、字号、配色由终端和用户决定 程序自己,或它的工具包
和系统怎么通信 单条字节流,控制命令夹在文字里 结构化协议,如 Wayland 的 surface、buffer、带类型的事件
键盘 按键编码成字节,有些组合区分不出来 按下、松开都是独立事件,修饰键信息完整
鼠标 程序主动开启。点击编码成字节序列,坐标以格为单位 像素坐标,支持悬停、拖放、手势
局部更新 移动光标,覆盖那几格 程序自己管理图层,按帧合成
图片 后加的扩展(Sixel、Kitty 协议),贴在格子上 原生

关键差别:

  1. 输入是有损的字节。
    • Ctrl+I 和 Tab 都是 0x09。Ctrl+M 和回车相同。
    • 单按 Esc 和 Alt+键 开头的字节相同,程序只能靠等待来猜。
    • 程序收不到"按键松开”。
    • 鼠标点击到程序那里是 ESC [<0;12;5M 这样的字节。Kitty 键盘协议等扩展就是在补这些洞。
  2. 程序只管输出,不知道屏幕上实际是什么。 想查询终端状态,只能发请求,然后等回答混在输入流里回来。所以 vim、ncurses 在内存里维护一份"我以为屏幕是这样"的副本,计算差异后再发送。GUI 有完整的控件树,系统也能通过无障碍接口读取。
  3. 字节流能走到任何地方,这是终端最大的优势。
    • 程序可以通过 ssh、串口远程运行,在 tmux 里断开再接上,用 script 录制回放,在极低带宽下使用。
    • 程序不需要连接显示服务器。
    • 输出同时是数据,可以用管道组合。程序用 isatty() 判断是给人看还是喂给管道。
    • GUI 依赖本地显示服务器。远程要靠 waypipe、RDP 等整套方案。
  4. 外观归用户管。 字体和配色由终端决定,换主题时所有 TUI 一起变。GUI 要每个程序单独适配。

总结:终端像一个 1970 年代设计的远程显示协议。基本单位是字符格,控制命令和内容走同一条通道,绘制交给另一端。它越来越像一个受限的 GUI,但这个底层带来了 GUI 难以做到的东西:可以远程,可以组合,占用资源极少,可以全程键盘操作。

我们从中得到什么

有三个推论决定了 cotty 的样子。

  1. agent 活在终端里,原因就在这个底层。 字节流能走到任何地方,输出同时是数据。语言模型读的是文本,写的也是文本,所以终端是它不需要适配层就能用的那个接口。这个底层我们保留。TERM 和 terminfo 必须正常工作,通过 ssh 用到的老程序也必须正常工作。
  2. 同一个底层不携带语义。 字节流里没有命令边界,没有退出码,也不说明前台程序是谁。人靠眼睛把这些补上。agent 做不到,只能自己套一层子 shell,或者截屏、sleep、然后猜。cotty 的会话内核补的就是这个缺口,而且不破坏这条字节流。
  3. 终端显示的是一张网格的状态。 所以两端可以同步状态,而不是同步字节。这让会话在弱网下也能用,也让同一个会话既能在笔记本上打开,又能在手机上打开。

这些推论怎样变成产品,见定位和能力。

参考

本文凭对这几份文档的日常了解写成,没有逐条对照核实。