DeepSeek Harness:edit/write 工具卡片的 diff 路径重复显示问题与 TUI 渲染层去重方案
本文基于 DeepSeek Harness 仓库的归档技术笔记 2026-07-27-tui-diff-card-redundant-path-header.md,完整还原一次 TUI(终端界面)渲染缺陷的发现、决策与验证过程。读完本文,你将掌握:edit/write 工具卡片中 diff 数据的产生与流转链路、单文件 diff 卡片标题与文件头之间路径冗余的成因,以及在“渲染层”而非“工具层”解决展示类冗余的设计取舍与测试加固手法。
一、问题:路径在卡片中出现了两次
Harness 的 edit 和 write 工具在执行成功后会产出一张“diff 卡片”:每个工具的 presentCall/presentResult 呈现器(presenter)返回一张卡片,其标题为 Edit <path> / Write <path>,同时卡片内唯一一个 FileDiff 条目又携带同一个 path。
TUI 侧的 diffLines 渲染函数此前无条件地把 palette.bold(diff.path) 渲染成每个文件的小节头。于是对单文件编辑,用户看到的是:
✓ Edit src/foo.ts
src/foo.ts
- old
+ new
路径 src/foo.ts 在视觉上出现了两次:一次在卡片标题行,一次在 diff 正文的文件头。
值得注意的是,原有快照夹具(snapshot fixture)反而掩盖了这个 bug:它把 edit 卡片的标题写成 Edit renderer(不含路径),并给结果放了两个 diff。由于标题与任何 diff 的路径都不匹配,文件头看起来毫无冗余,快照测试自然通过。这个细节是本文一个可复用的教训:快照夹具如果不贴近生产数据形状,就可能在“恰好不触发缺陷分支”的情况下长期隐藏问题。
在仓库中,FileDiff 数据模型的来源可以印证这一链路:diff.ts 中的 computeHunkDiffs(path, before, after) 对 before/after 文本做统一 diff(unified diff,上下文行数常量 DIFF_CONTEXT = 3),为每个 hunk 产出一个 FileDiff,并把传入的 path 打在每个 diff 上——即“每个 diff 都带路径”是数据层的既定行为,并非 TUI 的误用。edit.ts 中 edit 工具通过 output.presentationMeta 把 computeHunkDiffs(...) 的结果挂到结果元数据上,供呈现器在会话重放(replay)时重建 diff 卡片。也就是说:工具层在标题和 diff 中“双份携带路径”是有意的数据设计,非 TUI 消费者(如 web 端、快照序列化)仍然需要这份完整信息。
二、决策:showPath 开关 + 渲染层条件抑制
修复方案分两步,全部落在 TUI 渲染侧:
diffLines新增一个showPath布尔标志,调用方决定本次渲染是否输出每文件头;ToolCardComponent.renderBody对 diff 卡片做抑制判断:当卡片内恰好只有一个 diff,且“有效卡片标题”已经包含该 diff 的路径时,抑制这个文件的文件头。
其中“有效卡片标题”的取法是 resultView?.title ?? callView.title——结果视图有标题时优先用它,否则回退到调用视图的标题。
两个边界行为是刻意设计:
- 多文件 diff 卡片保留所有文件头。多文件结果(以及任何未来的多文件 diff 卡片)确实需要每文件头来区分块归属;
- 空路径或空白路径的 diff 会在同一个
String.includes检查下被一并抑制——笔记将其定性为“预期的噪音消除”,而不是误伤。
为什么抑制逻辑放在渲染层而不是各工具的 presenter?
这是笔记中值得单独强调的架构判断:冗余是展示问题(presentation concern),由每一个当前与未来的单文件 diff 卡片共同共享。若把去重逻辑写进 edit/write 各自的 presenter,则每个新工具都要重复一遍;而放在 TUI 渲染器里,所有 diff 卡片(包括未来新增的)自动受益。同时工具侧保持“标题与 diff 双份携带路径”的产出不变,非 TUI 消费者不受任何影响。
这个分层与仓库中呈现器的职责划分一致:从源码结构看,工具包(如 tool-fs)负责产出结构化的 FileDiff 元数据,而各 UI 表面(web 端 ui-tool 包 中的 ToolCard 相关组件等)各自决定如何呈现——本 bug 的修复正是把“呈现决策”留给了呈现层。
三、备选方案与取舍
笔记记录了两条被否决的路径,其否决理由对理解“为什么最终方案长这样”很关键:
| 备选方案 | 否决理由 |
|---|---|
从 edit/write 卡片标题中移除路径 |
标题是可扫读(scannable)的摘要行,去掉路径会削弱它;而且该修改需要在每个工具里重复实现 |
| 无条件移除每文件头 | 多文件结果 diff(及未来多文件卡片)确实需要每文件头,一刀切会造成信息缺失 |
最终方案是两者的折中:按“单 diff + 标题已含路径”这一条件精准抑制,既不牺牲标题的摘要能力,也不破坏多文件场景。
四、已知局限:子串匹配的启发式风险
抑制判断本质是一个子串匹配(String.includes),因此存在理论误伤:如果标题碰巧包含了某个单 diff 的路径(例如标题本身只是引用了别的上下文),文件头也会被抑制。笔记给出的定性是:对真实的卡片生产方(edit/write)而言,标题恰好就是 Verb <path> 形式,所以实践中该启发式是正确的。
这是一个典型的“在真实数据分布下成立的启发式”:文档如实记录了其失效条件(incidental match),而不是把子串匹配包装成精确匹配。阅读此类渲染层启发式时,可以把这条写进代码注释或评审 checklist:任何 includes 型判断都应明确它依赖的标题格式契约。
五、测试加固:让夹具贴近生产形状
修复的验证分两层:
tui.spec.ts新增聚焦用例:断言对于标题为Edit src/only.ts的单 diff 卡片,该路径恰好出现一次——直接锁定“不再重复”这一行为契约,而非依赖像素级快照;advanced-cards-*无 key 快照重录(re-record):重录后的快照显示标题行之后紧跟 diff 正文、中间没有重复的路径头。与此同时,多文件头保留的场景由tui.spec.ts中的edit夹具继续覆盖:a.txt/b.txt两个文件位于Edit files标题之下,确保“抑制逻辑没有把多文件头也吞掉”。
配套的快照夹具形状也被修正以贴近生产:edit 夹具现在是“一个 diff,且标题指名了该 diff 的路径”——正是触发抑制分支的形状,从而证明文件头确实被丢弃。这与第一节的教训闭环:夹具形状从“恰好不触发缺陷分支”变为“正面覆盖决策分支”。
六、延伸:diff 卡片的数据链路(源码印证)
结合仓库源码,可以把这条 bug 涉及的数据流完整串起来:
- 执行:edit.ts 的
execute完成原子编辑,返回{ path, before, after }; - 元数据:
presentationMeta调用 computeHunkDiffs 生成FileDiff[](每个 hunk 一个 diff,DIFF_CONTEXT = 3行上下文,纯插入用oldText: null);元数据随会话日志持久化,diffsFromMeta(diff.ts)在重放时对不透明的meta做防御性收窄——畸形数据返回undefined,让呈现回退而不抛异常; - 呈现:工具呈现器把
FileDiff[]组装成DiffCallView/DiffResultView(类型定义见 presentation.ts),标题为Edit <path>/Write <path>; - 渲染:TUI 的
ToolCardComponent.renderBody→diffLines完成最终像素输出,本 bug 的抑制逻辑即位于第 4 步。
需要说明的是,diffLines、showPath 与 ToolCardComponent 为 TUI 终端渲染侧的组件,笔记归档于 2026-07-31(Status: implemented),其具体文件路径未在该笔记中列出;本文对其的描述以笔记原文为准。而第 1–3 步的数据链路可由上述仓库源码直接验证。
七、可复用的经验小结
- 展示类去重放渲染层:当冗余是“每个表面都会遇到”的展示问题时,把它收敛到共享渲染器,而不是散落到每个数据生产方;
- 快照夹具要覆盖决策分支:夹具数据形状若不触发目标分支,测试通过等于没测;修复后应让夹具“正面命中”新逻辑;
- 行为断言优先于快照:“路径恰好出现一次”这样的计数断言,比重录快照更能表达行为契约;
- 如实记录启发式边界:子串匹配的误伤条件、多文件保留策略,都写进了决策记录,后续维护者不必重新推导取舍。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0622
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00