# 能力

地址: https://nowa.im/cotty/zh/product/capabilities/  
状态: 草稿  
创建: 2026-11-22

本页列出 cotty 打算做的事，分三部分：终端本身、会话内核和前端。它是一张地图。每个能力在设计出来之后有自己的页面。目前只有[注意力卡片](https://nowa.im/cotty/zh/product/attention-cards/)。

## 终端本身

完全不用 agent，cotty 也必须值得用。人一整天都待在终端里，建在二流终端之上的东西没有人会用。下面这些能力是其余一切的地基。

1. **终端模拟。**
   - 兼容 xterm 和 VT 系列终端。`TERM` 和 terminfo 正常工作，通过 ssh 用到的老程序表现和以前一样。
   - 完整支持程序现在依赖的各种扩展。其中包括：真彩色、带样式的下划线、超链接（OSC 8）、剪贴板（OSC 52）、Kitty 键盘协议、用 Kitty 图形协议和 Sixel 显示图片、同步输出、桌面通知（OSC 9、99 和 777），以及 shell 在命令前后打的标记（OSC 133）。完整的清单会写成一页规范。
   - 每个扩展都是渐进增强。地基是 xterm 的朴素行为，扩展只在它上面做加法。程序开启了扩展，它才生效；程序用来探测终端能力的查询，cotty 都会回答。什么都不问的程序，看到的还是它一直看到的那个终端。
   - cotty 自己新增的东西从另一侧遵守同一条规则：在不认识它的终端里，它优雅地退回成纯文本。
   - 模拟器在会话内核里运行，每个会话只运行一份。所有客户端显示同一块屏幕，内核始终知道屏幕上是什么。下文的记录、给 agent 的快照和状态同步都建立在这一点上。
2. **渲染。**
   - 打字从不等输出，大量输出也从不卡住窗口。
   - 文字排得正确：宽字符、组合字符、emoji，以及字体之间的回退。
   - 图片和语义块原生绘制，窗口大小变化时文字重新换行。
3. **把命令当成单位。** 屏幕知道每条命令从哪开始、到哪结束，所以人可以：
   - 从一条命令跳到下一条，并让正在运行的命令保持可见；
   - 折叠一条命令的输出，或者把它整段选中、复制；
   - 一眼看出哪条命令失败了；
   - 找到执行过的任何一条命令，连同它的输出。
4. **每个平台都有客户端。**
   - 桌面端：macOS、Linux 和 Windows。手机和平板：iOS 和 Android。浏览器：一个网页就能接入会话，不用安装任何东西。
   - 这个网页由用户自己机器上的会话内核提供，从不由我们的服务器提供。设备怎样连到会话，见内核的能力 4。
   - 每个客户端都是所在平台的原生应用，使用平台自己的输入法、快捷键和通知。
   - 窗口、标签页和窗格是内置的，不需要另装复用器。

终端模拟、渲染和客户端的标准，是各个平台上最好的终端。衡量的指标还没有定，比如从按键到字符出现的延迟预算。

## 会话内核

1. **结构化的会话记录。**
   - 对每条命令，内核记下命令行、目录、开始和结束时间、退出码、原始输出和最终显示的输出，以及期间是否运行了全屏程序。
   - 手段：OSC 133 标记命令边界，`tcgetpgrp` 给出前台进程，`/proc` 给出目录，切换到备用屏幕（1049）说明进入了全屏程序。
   - 记录可以在本地搜索和回放。
2. **给 agent 的标准接口**，通过 MCP 或 socket API。
   - 读取命令块，或带区域信息的屏幕快照。
   - 发送输入，等待命令结束，并拿到退出码，不用轮询。
   - cotty 是中立的宿主。用户带自己的 agent。
   - 人和 agent 共用一个会话。彼此可见，也可以打断对方。
3. **与 agent 无关的控制。** 它管得到用户自带的 agent，不只是 cotty 内置的 agent。管住这类 agent 的几条路列在下文。
   - 审批与策略：agent 发起的命令先过规则。
   - 输出脱敏：输出送往云端模型之前，遮掉 API key 和 token。
   - 撤销：在 btrfs 或 zfs 上，执行危险命令之前打快照。
   - 审计记录。
4. **跨设备常驻的会话。** 后台进程持有会话。笔记本、手机或网页都可以断开再接上。设备连到会话有两种方式。
   - **通过用户已有的网络：** 本机、局域网、用户自己的 VPN，或者 ssh 隧道。这不需要账号，也不经过我们的服务器。
   - **通过中继，从任何地方接入。** 中继是可选的。它只转发，不解密：每台机器有自己的域名和自己的证书，加密在那台机器上才结束，网页由那台机器提供，而不是由中继提供。中继看得到一台机器什么时候在线、经过了多少流量。它看不到内容，也换不了网页。
   - **配对。** 一台设备只需配对一次：用机器上显示的配对码，或者在已经配对的设备上批准。浏览器用通行密钥登录的是那台机器本身。中继手里没有任何能打开会话的东西。
   - **不受信任的浏览器**得到的是一个不能输入的视图，并且在发送任何内容之前，密钥已经被脱敏。
5. **弱网下的状态同步。** 内核同步的是屏幕状态而不是字节，这是 mosh 的做法，并把它扩展到回滚历史和结构化命令块。
6. **本地优先，模型无关。** 辅助功能可以接任意 OpenAI 兼容的接口，包括自托管的模型。不需要账号，数据可以不出本地网络。

### 管住用户自带的 agent

终端处在键盘和程序之间。光靠这个位置管不住 agent。Claude Code、Codex 这类 agent 在自己的子进程里执行每条命令，用管道读输出，所以终端只看得到 agent 的界面。这个位置只管得住人，以及通过终端接口执行命令的 agent。

要管住用户自带的 agent，有三条路：

| 路线 | 做法 | 需要什么 |
|---|---|---|
| 执行接口 | agent 用 cotty 提供的工具执行命令，也就是能力 2。命令走 pty，所以会被记录，也会先过规则。 | agent 配合。 |
| hooks | cotty 接上 agent 的 hooks，比如 Claude Code 的 `PreToolUse`，把每次审批变成一张卡片。 | 每个 agent 一个适配。 |
| 由终端启动 | cotty 把 agent 启动在沙箱里（bubblewrap、Landlock），并把它的模型 API 地址（比如 `ANTHROPIC_BASE_URL` 或 `OPENAI_BASE_URL`）指向本地代理。请求离开本机之前，代理做脱敏和审计。 | 不需要 agent 做任何事。 |

"由终端启动"这条路最接近由终端层来保证。目前只验证了它的第一步：给 agent 什么地址，它就连什么地址。在代理里读取和脱敏请求还没有验证。见[把 agent 的模型接口地址指向本机端口](https://nowa.im/cotty/zh/research/field-notes/2026-11-model-endpoint-redirect/)。

cotty 先做哪条路，还没有决定。

现有的终端只控制自己内置的 agent。对照见[六项能力在各家终端里的现状](https://nowa.im/cotty/zh/research/landscape/2026-11-six-capabilities/)。

## 前端

前端沿三个方向做。

### 把注意力当成核心资源

这是前端的中心。

- 终端当初是为一个人盯一条字节流设计的。现在是一个人盯很多个 agent。
- 前端是一个决策驾驶舱。待处理的请求显示成卡片，写明要做什么、影响（diff、文件、命令、网络）和风险。一个键就能批准、拒绝或修改，卡片可以批量处理。一次决定可以记成规则。
- 它依赖内核的语义数据。卡片上的证据来自记录，而不是 agent 自己的说法。

见[注意力卡片](https://nowa.im/cotty/zh/product/attention-cards/)。

### 弱网和多设备

技术上这是最难的一部分。

- 终端显示的内容是一张字符网格的状态。mosh 证明了同步状态比转发字节强：Ctrl+C 立即生效，换网络连接不断，打字靠预测在本地回显。
- mosh 没有回滚历史，没有结构，也不支持多个设备。
- cotty 保留这三条特性，并同步屏幕状态、结构化命令块和回滚历史。同一个会话在每种设备上用不同的视图打开：手机上是收件箱，笔记本上是全貌。
- 难点在协议设计、终端兼容的正确性，以及在真实网络上的调优。
- 一个真实案例是机上 Wi-Fi，往返延迟约 940 ms，见[实地记录](https://nowa.im/cotty/zh/research/field-notes/2026-11-remote-spark-operations/)。

### 输入和输出的高保真

这一项逐步推进。

- **输入。** 终端的输入是有损的按键字节，但人给 agent 的是自然语言、截图、文件和语音。cotty 提供真正的输入框：多行编辑、把粘贴的截图和文件作为附件、语音口述。
- **输出。** 每个 agent CLI 都在用字符格重造一个小 GUI。窗口一缩放排版就乱，复制的文字还带着画框字符。cotty 在 OSC 之上定义语义块（markdown、diff、图片），由前端原生渲染：文字可以选中，换行跟着窗口走，内容可以折叠。在不支持的终端里，语义块退回成纯文本。
- **采纳。** 这需要生态。cotty 先用 hooks 接上 Claude Code 和 Codex，再公开协议。herdr 的 OSC 7501 走的是同一步。
