本页内容
  1. 问题
  2. 给谁用
  3. cotty 是什么
  4. 有什么不同
  5. 为什么三部分是一个设计
  6. cotty 坚持什么
  7. cotty 不做什么
  8. 待决问题

cotty 是人和 agent 共用的终端。它首先是一个完整的终端:终端模拟、渲染和每个平台上的客户端,都按该平台上最好的终端的标准来做。在此之上,它加了一个会话内核,用来保留会话里所发生之事的语义;还加了一个前端,给同时监督很多个 agent 的人用。

cotty 还在设计阶段。本页说明它要解决什么问题、由什么组成、坚持什么。

问题

  • 语言模型天生适合用终端。 文本进、文本出,可以远程,程序可以用管道组合。这正是模型最擅长的工作方式,所以 Claude Code、Codex 这类 agent 都跑在终端里。
  • 终端把语义丢掉了。 它不知道一条命令从哪开始、到哪结束,退出码是多少,哪段输出属于哪条命令,也不知道前台程序是 shell 还是编辑器。agent 只能自己套一层子 shell,或者截屏、sleep、然后猜。
  • 人的注意力成了新的瓶颈。 终端当初是为一个人盯一条字节流设计的。现在是一个人监督很多个 agent,这个人决策的速度和质量决定了整体产出。
  • 它首先得是个好终端。 人一整天都待在终端里。模拟把某个程序搞坏、屏幕跟不上按键、某台设备上没有客户端,这些代价是任何新功能都补不回来的。

背景见终端的本质。真实案例见实地记录。

给谁用

  • 整天在终端里工作的人。 他们要一个正确、快,并且在自己每台设备上都有的终端。
  • 运行 agent 的人。 一个或很多个 agent,在一台或几台机器上。他们得知道 agent 在做什么,还得回答 agent 提出的请求。
  • 开发 agent 和工具的人。 他们想通过接口读取和驱动终端,而不是去抓屏幕上的字。

cotty 是什么

cotty 由三部分组成。

  • 一个自己就站得住的终端。 终端模拟、渲染,以及每个平台上的原生客户端:桌面端是 macOS、Linux 和 Windows,手机端是 iOS 和 Android。浏览器通过用户自己机器提供的网页也能接入会话。完全不用 agent,它也值得用。
  • 会话内核。 一个持有会话的后台进程。它运行终端模拟器,为每条命令保存结构化记录,给 agent 提供接口,执行策略和脱敏,并在弱网下把状态同步给各个客户端。
  • 建立在内核之上的前端。 它的核心是注意力卡片:agent 的一次请求,连同要做什么、影响什么、风险是什么一起显示出来。它让一个人能监督很多个 agent。

这三部分的能力列在能力里。

有什么不同

基础是一个把平常的事做好的终端。不同之处分两层。

作为终端,完全不涉及 agent 时:

  • 比客户端活得久的会话。 窗口关掉,会话继续运行,并且能在任何设备上重新打开。
  • 弱网下的状态同步。 同步的是屏幕状态而不是字节,所以慢的链路也能用。
  • 把命令当成单位。 屏幕知道每条命令从哪开始、到哪结束。人可以在命令之间移动、把命令折叠起来,也可以搜索和回放执行过的内容。
  • 到处都是同一个终端。 所有桌面系统、手机和浏览器,打开的都是同一批会话。

有 agent 时:

  • 命令级的记录,通过同一个接口开放给任何 agent。agent 直接读到一条命令的退出码和输出,不用从屏幕上猜。
  • 与 agent 无关的控制。 策略、脱敏和审计放在内核里,所以也管得到用户自带的 agent。
  • 写明影响的审批。 一次请求会写明要做什么、会动到什么、能不能撤销。一次决定可以记成规则。
  • 语义输出块。 程序把 markdown、diff 或图片作为一个块输出。cotty 原生地把这个块画出来,不认识它的终端则显示纯文本。

显示哪个 agent 在等人,正在变成终端的标配,OSC 7501 也正在成为程序上报这种状态的通用方式。cotty 原样支持 OSC 7501。它自己的工作从这个信号之后开始:在问什么、回答之后会发生什么、能不能撤销。

各家终端目前怎么处理这些能力,见六项能力在各家终端里的现状。

为什么三部分是一个设计

这三部分本可以是三个产品。把它们放在一起设计,是因为每一部分都依赖另外两部分。

  • 内核必须自己运行终端模拟器。 记录、给 agent 的快照和状态同步,都需要知道屏幕上是什么。只有模拟器知道。所以模拟器在内核里运行,每个会话一份,所有客户端显示的是同一块屏幕。
  • 客户端必须能画出内核知道的东西。 命令的边界、折叠起来的输出、卡片和语义块,都不是网格里的字符。只收到一张字符网格的客户端显示不了它们。
  • 快慢是整条链路的性质。 从按键到字符出现的延迟,经过客户端、链路和内核。在对端回应之前先在本地回显按键,只有两端对屏幕状态的认识一致时才行得通。
  • 控制必须放在界面之下。 放在某一个界面里的策略、脱敏和审计,只管得到经过这个界面的东西。放在内核里,它们管得到每一个客户端,以及接入会话的 agent。cotty 怎么管到用户自带的 agent,见能力。

代价是范围。cotty 得先是一个完整的终端,本页其余的内容才算数,所以终端排在最前面。

cotty 坚持什么

  • 协议公开。 给 agent 的接口,以及 cotty 新增的每一个控制序列,都会在本站写成规范,让其他终端和其他 agent 也能实现。只有一个实现的协议没有多大用处。
  • 正确性和手感是做出来的。 终端兼容、延迟、弱网下的表现,来自测试、测量和大量的真实使用。设计定不了这些。
  • 数据留在用户手里。 终端里全是密钥。cotty 本地优先:不需要账号,我们的任何服务器都读不到会话内容。设备不在用户自己的网络里时,可以走一个可选的中继,中继只转发它自己读不了的内容。
  • 越用越有用,而且这些都属于用户。 记录会积累成一份可以搜索和回放的历史。一次记成规则的决定,就是一个不会再问的问题。两者都保存在用户自己的机器上。

cotty 不做什么

  • 给终端加一个 AI 侧边栏。 人们在用的 agent 本来就是跑在终端里的程序,而且做得很好。cotty 是它们的宿主,不替代它们。
  • 为了新功能破坏 xterm 和 VT 兼容。 TERM 和 terminfo 必须正常工作,通过 ssh 用到的老程序不能出问题。
  • 强制云账号,或者上传会话数据。
  • 发明和现有协议不兼容的协议。 cotty 先支持 OSC 133、OSC 7501 和 OSC 9/99/777,再在其上扩展。

待决问题

  • 先做哪个平台。 cotty 面向所有桌面系统、手机和浏览器。先后顺序还没有定。
  • 协议路线。 只在现有协议上扩展,还是同时另起一套。目前的立场是兼容优先,见上文。
  • 渲染。 自己写渲染器,还是基于现成的引擎。无论哪种,结果都要达到最好的终端的水平。
  • 质量的衡量标准。 从按键到字符出现的延迟预算,以及兼容性的目标,都还没有定。
  • 弱网同步协议。 在已有的"同步屏幕状态"思路上扩展出回滚历史、结构化命令块和多设备,还是重新设计。
  • 定价。 cotty 计划做成收费产品。对什么收费、怎么收,还没有定。中继是其中一个候选。