# 终端的本质

地址: https://nowa.im/cotty/zh/posts/what-a-terminal-is/  
创建: 2026-11-22

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

```text
 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](https://nowa.im/cotty/zh/product/positioning/)和[能力](https://nowa.im/cotty/zh/product/capabilities/)。

## 参考

- [POSIX: General Terminal Interface](https://pubs.opengroup.org/onlinepubs/9799919799/basedefs/V1_chap11.html)
- [ECMA-48: Control functions for coded character sets](https://ecma-international.org/publications-and-standards/standards/ecma-48/)
- [XTerm Control Sequences](https://invisible-island.net/xterm/ctlseqs/ctlseqs.html)

本文凭对这几份文档的日常了解写成，没有逐条对照核实。
