# TSL Playbook
**面向 AI 编码代理的 TSL 语言知识库与路由层**
_让 AI 写对 TSL —— 不靠"像 Pascal"的猜测，只靠可核对的文档事实_
---
## 目录
- 🛠 **第一部分 · 技术路径**（开发者视角）
- [项目介绍](#项目介绍)
- [核心理念](#核心理念)
- [架构设计](#架构设计)
- [目录结构](#目录结构)
- [后续升级方向](#后续升级方向)
- 👤 **第二部分 · 实际场景**（用户视角）
- [统一提示词](#统一提示词)
- [第一轮实测：Claude Code · Fable 5](#第一轮实测claude-code--fable-5)
- [第二轮实测：Codex CLI · GPT-5.5](#第二轮实测codex-cli--gpt-55)
- [第三轮实测：Qwen 3.6-27B](#第三轮实测qwen-36-27b)
- [横向对比](#横向对比)
---
## 🛠 第一部分 · 技术路径
**开发者视角 —— playbook 是什么、如何搭建、往哪演进**
---
### 项目介绍
**TSL**（天软语言）是天软金融分析平台的专用编程语言，语法接近 Pascal，内置海量金融数据仓库函数（行情、财务、板块、选股、回测等）。它的三个特点，让通用大模型很容易写错：
- **语法冷门** —— 赋值用 `:=`、类定义要写 `type Name = class ... end;`、`.tsl` 有严格的"语句区在前、声明区在后"规则，与主流语言的直觉直接冲突。
- **函数量巨大** —— 数据仓库函数上万个，签名各异，模型凭记忆一定会编造参数。
- **文件模型敏感** —— `.tsl`（可执行脚本）与 `.tsf`（可复用声明）选错就直接编译失败。
**TSL Playbook 就是为解决这个问题而生的知识层**。它不是解释器，也不是运行时，而是一套喂给 AI 编码代理的**结构化文档 + 检索工具 + 硬约束路由**，目标只有一个：
> 让 AI 在写 TSL 时，每一处语法和每一个函数签名，都来自**可核对的文档事实**，而不是"看起来像别的语言"的幻觉。
### 核心理念
整个 playbook 建立在四条原则之上，贯穿所有文档——前三条是写进 `AGENTS.md` 的硬约束铁律，第四条是架构设计目标：
| 原则 | 含义 |
| :-- | :-- |
| 🚫 **禁止发明语法** | 无文档结论、文件模型不明或执行事实缺失时，**停止并确认**，绝不用 Pascal / Python / JS 的相似写法补全。 |
| 🎯 **首跳路由** | 任何 TSL 需求，第一跳统一进唯一入口，由入口分流到具体页，**不全目录搜索、不凭空猜路径**。 |
| 🧱 **块级证据** | 页面级元数据只做粗判断；落代码时以块级 `代码块身份` 为准 —— 只有标注 `可直接照写示例` 的代码块能当源码外形照抄。 |
| 💾 **Token 高效** | 分层索引 + 按需检索，相比通读全部文档估算可节省 **80–90%** 上下文开销。 |
### 架构设计
playbook 是一个金字塔式的知识结构：顶部是**极简的硬约束**，中部是**分层的事实文档**，底部是**可执行的检索工具**。下面四小节自顶向下逐层拆解，最后由「首跳路由」把各层串成一条完整链路。
#### 分层知识库
文档按**职责**而非按目录平铺组织，每一层只回答自己那一层的问题：
| 层 | 位置 | 负责回答 | 不负责 |
| :-- | :-- | :-- | :-- |
| **硬约束层** | `AGENTS.md` | 铁律、首跳、阻断条件 | 完整语法（故意不复写） |
| **语法事实层** | `docs/tsl/syntax/` | 语言规则、文件模型、控制流、类、TS-SQL | 具体函数签名 |
| **模块集成层** | `docs/tsl/modules/` | pyTSL、策略回测、微信通知 API | 纯语法、通用取数 |
| **风格偏好层** | `code_style.md` `naming.md` | 命名与组织偏好 | 语法事实（明确声明"仅偏好"） |
| **函数事实层** | `tsl-api-reference` skill | 12455 个函数的名字 / 签名 / 参数 / 返回值 | 语言语法 |
每个语法文档页头都带一组**机器可读的元数据**，让代理在读正文前就能判断能否照抄：
```
文档类型：语法主线
是否可直接用于生成代码：是
是否含可直接照写示例：是
是否含不可照写反例：是
遇到不确定时：<指向下一跳的具体页>
```
#### TSL 语法体系
`docs/tsl/syntax/` 用 **24 个专题**覆盖了 TSL 语言的方方面面，从最短骨架到矩阵深潜：
| 主题簇 | 专题 |
| :-- | :-- |
| **入门与模型** | `01` 快速落代码 · `02` 文件模型（`.tsl`/`.tsf`）· `03` 值与字面量 · `04` 变量常量 |
| **函数与表达式** | `05` 函数与调用 · `06` 表达式运算符 · `07` 控制流 |
| **对象与模块** | `08` 类与对象 · `09` unit 与作用域 · `24` 算符/遍历重载 |
| **运行时** | `10` 运行时上下文与 with · `15` 调试与性能 · `20` 对象自省 · `21` 内置运行时对象 |
| **数据结构** | `12` 数组与集合 · `22` 矩阵深潜 · `23` FMArray · `13` 结果集过滤 |
| **数据查询** | `14` TS-SQL |
| **底层与互操作** | `16` 词法与编译选项 · `17` 类型转换 · `18` external/DLL/线程 · `19` namespace/Libpath |
| **避坑** | `11` 高频误写与反例 |
每一页都用**四种块级身份**给代码块打标签，这是"禁止发明语法"落地的关键：
| 代码块身份 | 能否照抄 | 用途 |
| :-- | :--: | :-- |
| ✅ `可直接照写示例` | **能** | 唯一可当源码外形的块 |
| ⚠️ `反例 / 不可照写` | 否 | 展示会编译/运行失败的写法 |
| 📤 `输出片段` | 否 | 只是运行结果 |
| 🔧 `配置片段 / 概念骨架` | 否 | 带 `<占位符>` 的模板 |
> **示例：** 语法页会明确告诉代理，`.tsl` 语句区可以调用后置的函数声明，但**在声明区后再追加脚本语句**是反例 —— 并附上真实报错 `invalid statement` 作为负向边界。
#### tsl-api-reference Skill
上万个数据仓库函数无法塞进上下文，playbook 把它做成一个**可调用的 Agent Skill**：一个 `function_index.tsv`（**12455 条**：2404 个 builtin + 10051 个 dotnet）加一个 `lookup.py` 检索脚本。
```bash
# 已知函数名 → 精确查签名、参数、返回值、示例
python skills/tsl-api-reference/scripts/lookup.py --name argmax
# 只知道行为 / 中文关键词 → 关键词检索（AND 语义）候选
python skills/tsl-api-reference/scripts/lookup.py --kw 数组 排序
```
检索是**两段式**的：关键词查询先返回候选行（名字 + 一句话摘要），代理挑中后再用 `--name` 拉取该函数的完整文档块。函数文档本身分两大来源：
| 来源 | 分类 | 覆盖 |
| :-- | :--: | :-- |
| **builtin**（语言内置） | 10 类 | math(636) · base(560) · language(441) · external · resource · misc · graphics · document · gui · system（另有 finance / market 两个空壳类目，暂无函数） |
| **dotnet**（数据仓库） | 21 类 | sector(2405) · equity(1967) · fund(1561) · fundamentals · market_data · bond · quant · macro · futures … |
Skill 还内置了防幻觉规则：**不从记忆或相似语言推断签名；TSL 名字大小写无关但下划线有意义**，查询时不得删下划线或改成驼峰。
#### 首跳路由机制
这是 playbook 最核心的设计。代理面对任何 TSL 需求，都遵循同一条决策链 —— 永远从固定入口开始，逐级收窄，而不是漫无目的地翻文档：
```mermaid
flowchart TD
A[用户提示词] --> B{AGENTS.md
硬约束 + 首跳}
B -->|需要任何 TSL 事实| C[docs/tsl/index.md
总入口]
C -->|写代码：先定文件模型与骨架| Q[syntax/01_quickstart.md
快速落代码]
C -->|查语法/语言规则| D[syntax/index.md
语法路由]
C -->|取金融数据/查函数| E[tsl-api-reference
Skill]
C -->|模块集成| F[modules/index.md]
C -->|命名/风格| G[naming.md /
code_style.md]
D --> H[24 个语法专题]
E -->|已知名 --name
未知名 --kw| I[12455 条索引]
Q --> Z[✅ 落 .tsl / .tsf 代码]
H --> Z
I --> Z
F --> Z
style B fill:#2b7489,color:#fff
style C fill:#3178c6,color:#fff
style E fill:#8250df,color:#fff
style Z fill:#2ea043,color:#fff
```
每个路由表都是**「任务信号 → 入口 → 阻断条件」**三列结构，多行命中时自上而下取第一个，且每一跳都带明确的"什么时候**不**该走这条"的阻断条件，避免过度泛化。
### 目录结构
```
playbook/
├── AGENTS.md # 顶层硬约束：铁律 + 首跳路由（不复写语法）
├── docs/tsl/
│ ├── index.md # TSL 总入口：任务 → 文档区分流
│ ├── naming.md # 命名偏好（非语法事实）
│ ├── code_style.md # 代码风格偏好（非语法事实）
│ ├── toolchain.md # 工具链与验证命令模板
│ ├── syntax/ # 24 个语法专题 + index.md 路由
│ │ ├── 01_quickstart.md # ├─ 快速落代码 / 最小骨架
│ │ ├── 02_core_model.md # ├─ .tsl / .tsf 文件模型
│ │ ├── ... # ├─ 函数/类/控制流/矩阵/TS-SQL...
│ │ └── 24_object_overloads... # └─ 算符与遍历重载
│ └── modules/ # 模块集成：pyTSL / 回测 / 微信
├── scripts/ # 第二部分三轮实测产出的 .tsl 存档
└── skills/
└── tsl-api-reference/ # 函数检索 Skill
├── SKILL.md # ├─ 触发说明
├── scripts/lookup.py # ├─ 检索脚本
├── data/function_index.tsv# ├─ 12455 条函数索引
└── references/codegen/ # └─ 函数完整文档块
```
### 后续升级方向
playbook 目前已覆盖语法、函数、模块三大知识面，下一步按优先级从高到低，围绕**架构演进、分类治理、覆盖广度、检索质量**四个方向推进：
**🧩 架构演进 · 语法层 Skill 化**
- **方向** — 把 `syntax/` 的 24 篇知识页搬进独立 skill 作为 `references/`，由 `SKILL.md` 正文承载「任务信号 → 页 → 阻断条件」的首跳路由表，与 `tsl-api-reference` 对齐成统一的 skill 调用模型；`AGENTS.md` 保留为常驻硬约束闸门。
- **目的** — 让语法与函数两类知识统一走 skill 触发，获得可分发、可移植的标准打包单元，并降低对"先读 `AGENTS.md`、再照链接逐跳"这条隐式流程的依赖。
- **难点**
- **确定性 vs 模糊触发** — 纲领是可审计的有序路由 + 阻断条件，而 skill 靠 `description` 被模型模糊匹配触发；syntax 的"写代码"触发面与 api-reference 的"取数"高度重叠，有序消歧逻辑必须完整保留进 `SKILL.md` 正文，不能退化成模型猜测。
- **常驻不变量** — skill 是被触发的，替代不了 `AGENTS.md`「禁止发明语法 + 先定 `.tsl` / `.tsf` 文件模型」这条必须最先命中的硬约束，须防止自动触发把代理直接拽进语法页、跳过文件模型判断。
- **证据随迁不走样** — `可直接照写示例` 等块级身份标注要在目录搬迁后保持有效、不失链。
**🗂 分类治理 · codegen 归类校准与全量可用性核验**
- **方向** — 复核 codegen 母本（builtin 10 类 / dotnet 21 类）的函数归类，纠正错分与 `misc` 兜底堆积（如 `equity/misc.md` 单页已累至 9252 行、759 个函数），填充或裁撤 builtin `finance` / `market` 两个空壳类目，让类目边界清晰；并对全部 12455 个函数逐一探针实测，给每个函数标注真实可用性状态。
- **目的** — 一方面让 `--kw` 关键词检索落在符合直觉的类目、候选更准；另一方面用实测的「可用 / 真缺失 / 参数不对」三态，取代"索引里有就默认能用"的假设，从源头杜绝把不可用函数写进生成代码。
- **难点**
- **重分类无生成器** — codegen 生成脚本只剩 `.pyc`，母本 md 已是产物；重新归类只能直接改 md 母本与 routes 并同步维护索引一致性，不能再靠重跑生成器。
- **可用性须真解释器** — 「可用」无法静态判定，须接真实 TSL 解释器对上万函数逐一探针（`toolchain.md` 的执行入口目前仍是模板占位），规模大、成本高。
- **假阴性要甄别** — 探针报错可能是"函数真缺失"，也可能只是"参数没给对"；两者须隔离区分（`special/pending` vs `special/unknown`），否则会把本可用的函数误标为不可用。
**📚 覆盖广度**
- 扩充 `modules/`：补充更多平台模块（数据落库、告警渠道、报表导出）的 API 事实页。
- 沉淀**场景配方库**（Recipe）：把"选股 → 回测 → 通知"这类高频端到端流程做成可照写的组合骨架。
- 为常见报错建立**反例 → 正确写法**的快速跳转索引，让避坑更即时。
**🔍 检索质量**
- 为 `function_index.tsv` 增加**参数类型实证**：当前仍有约 2600 个函数（builtin 246 / dotnet 2382）的参数声明为 `any`/`object`，需用 `dataType()` 逐一收紧。
- 引入**语义检索**（embedding），让"我想算个动量因子"这类模糊意图也能命中相关函数。
- 补齐关键词索引的中文近义词，降低 `--kw` 空命中率。
- 修复 `lookup.py` 跨环境输出编码（GBK/UTF-8）：第三轮实测中，乱码直接导致大量重复检索。
---
## 👤 第二部分 · 实际场景
**用户视角 —— 同一条提示词，不同环境实测**
> 这一部分没有虚构：**同一条提示词，投给不同的 AI 编码环境，记录真实行为与产出。** 三轮实测：Claude Code · Fable 5、Codex CLI · GPT-5.5、Qwen 3.6-27B。
### 统一提示词
> 💬 _阅读AGENTS.md。写一个tsl策略。获取昨天的主板所有股票涨幅排名，取前50股票代码_
考察点只有五个：**函数敢不敢编、语法照不照抄、文件后缀选没选对、会不会自己验证、拿不准时是硬写还是明说**。
### 第一轮实测：Claude Code · Fable 5
**真实过程回放**（每一步都能对应第一部分的机制）：
| 步骤 | 实际行为 |
| :-- | :-- |
| 🧭 首跳照走 | 读 `AGENTS.md` → 进 `docs/tsl/index.md` 总入口 → 按路由取用快速落代码 / 控制流 / 数组集合三个语法页 |
| 🔍 函数全部查证 | 调用 `tsl-api-reference` skill 逐一核实 `getAbkbyDate` · `lastTradeDay` · `stockZf8` · `appendArray` · `sortTableByField` —— **五个函数零编造** |
| 📄 文件模型判对 | 一次性取数任务 → 按规则判为 `.tsl`，存档于 `scripts/main_board_top50_zf_claude.tsl` |
| ✅ 主动验证 | 本机解释器实测：键表构造、循环截断、排序等 builtin 逻辑全部跑通，整个文件编译通过 |
| 🗣 诚实报告边界 | 数据仓库函数离线环境没有（`function not found`），**如实说明需在天软客户端端到端确认，而不是谎称全部跑通** |
**产出代码（原样）：**
```tsl
// 主板股票昨日涨幅排名前 50
// 主板成分：上证A股 + 深证A股（getAbkbyDate 支持分号分隔多板块）
// “昨天”取当前日期的前一个交易日，避开周末/节假日
setSysParam(pn_cycle(), cy_day());
yday := lastTradeDay(date()); // 昨日（最近一个已收盘交易日）
prevday := lastTradeDay(yday); // 昨日的前一个交易日
stocks := getAbkbyDate('上证A股;深证A股', yday);
result := array();
for i, stockid in stocks do
begin
setSysParam(pn_stock(), stockid);
zf := stockZf8(prevday, yday); // prevday 收盘 -> yday 收盘的涨幅(%)，即昨日涨幅
appendArray(result, array("StockID": stockid, "Zf": zf));
end
sortTableByField(result, "Zf", 0); // 按涨幅逆序
top50 := array();
n := length(result);
if n > 50 then
begin
n := 50;
end
for i := 0 to n - 1 do
begin
appendArray(top50, result[i]["StockID"]);
end
return top50;
```
**两处细节见功力：**"昨天"没有偷懒写成日历昨天，而是用 `lastTradeDay(date())` 取**最近一个已收盘交易日**——周一运行会正确落在上周五；"主板 = 上证A股 + 深证A股"这个组合也是从函数文档示例里查证的，不是想当然。
**成本：** 总耗时 16 分 57 秒；token 为模型自估——输入约 15–20 万（多数命中提示缓存），输出约 0.5–1 万。
### 第二轮实测：Codex CLI · GPT-5.5
> 环境：OpenAI Codex CLI v0.142.5 · gpt-5.5（reasoning xhigh）；提示词在第一轮基础上追加指定了输出路径 `scripts/main_board_top50_zf_codex.tsl`。
**真实过程回放：**
| 步骤 | 实际行为 |
| :-- | :-- |
| 🧭 首跳照走 | 读 `AGENTS.md` → 进 `docs/tsl/index.md` → 按路由取用 TS-SQL / 控制流 / 数组集合语法页，并核对 `toolchain.md` 确认验证入口仍是占位 |
| 🧗 Skill 未注册，自行接通 | `tsl-api-reference` 不在其会话技能清单里 —— 没有放弃也没有瞎编，循索引找到仓库内 `skills/tsl-api-reference/SKILL.md`，直接用 `python` 调起 `lookup.py` 完成检索 |
| 🔍 函数全部查证 | `--kw` 圈定候选后逐一 `--name` 核实 `getAbkbyDate` · `stockZf3` · `yesterday` · `spec` · `specDate` · `sortTableByField` · `min` · `length` · `writeLn`；查 `MarketTable` 无此函数 → 正确判断它是数据表名，转 TS-SQL 语法页核对写法 |
| 🚫 证据驱动的弃用 | 查到 `getTopN` 存在，但其文档记录示例运行报 `not found` —— **主动弃用**，改用文档已证明的 `order by ... desc` + 手动循环取前 50 |
| 🗣 诚实报告边界 | PATH 中无 `tsl`/`tslcli`，无法真实运行 → 只做静态检查（无裸 `=` 赋值、无声明区、关键语句在位），并如实说明"没法做真实 TSL 运行验证" |
**产出代码（原样）：**
```tsl
end_t := yesterday();
stocks := getAbkbyDate('上证A股;深证A股', end_t);
data := select ['StockID'] as "Code",
spec(specDate(stockZf3(), ['date']), ['StockID']) as "Zf"
from markettable datekey end_t to end_t of stocks end;
sorted := select ["Code"] from data order by ["Zf"] desc end;
n := min(50, length(sorted));
result := array();
if n > 0 then
begin
for i := 0 to n - 1 do
begin
result[i] := sorted[i]["Code"];
writeLn(result[i]);
end;
end;
return result;
```
**可圈可点：** `getTopN` 的弃用是「块级证据」规则的教科书式执行——函数在索引里存在不等于能用，文档里的负向记录同样是事实；Skill 未注册时循 `AGENTS.md` 路由自行找到本地脚本，说明**硬约束层的兜底指路生效了**。**一处对照差异：** "昨天"用的是 `yesterday()` 日历昨天，未处理周末/节假日——第一轮用 `lastTradeDay` 规避了周一取到周日的问题。
**成本：** 本轮工作 9 分 21 秒；token 为 `/status` 实测——**总量 18.5 万 = 输入 15.9 万 + 输出 2.57 万**（上下文余量 42%）。
### 第三轮实测：Qwen 3.6-27B
> 环境：qwen3.6-27b（27B 开源模型，代理框架未注明）；提示词同样追加指定了输出路径 `scripts/main_board_top50_zf_qwen3.6-27b.tsl`；耗时未记录。
**真实过程回放：**
| 步骤 | 实际行为 |
| :-- | :-- |
| 🧭 首跳照走 | 读 `AGENTS.md` → 进 `docs/tsl/index.md` → 取用快速落代码 / TS-SQL 语法页，并直接调用 `lookup.py` 检索（其环境中文输出乱码，带病工作） |
| 🌀 文档缺口处反复打转 | 盯上 `StockZf_No`（区间涨幅排名），但该函数的 `sort_by` / `return_type` 文档确实没给取值 —— 数十轮反复检索、重读同一页，**期间明确引用铁律"无文档结论……不发明语法"，始终拒绝猜参数**，最终绕开该函数 |
| ⚠️ 起念假设，又自行回撤 | 中途多次想按"惯例"假设 `MarketTable` 的 `pre_close` 等字段名与 `refof`/`refsof` 用法，推演后自行放弃该路线，改用全部经查证的 `stockZf` 循环方案 |
| 🔍 最终函数全部有据 | 落码只用查证过的 `yesterday` · `getAbkbyDate` · `setSysParam`/`PN_Stock` · `stockZf` · `drange` · `dateToStr` · `echo` |
| 🤐 收尾缺验证与边界声明 | 产出后仅回读文件自查"逻辑看起来正确"，未做静态检查，也未声明"未经运行验证" —— 三轮中唯一没交代验证边界的 |
**产出代码（原样）：**
```tsl
#! 获取昨天主板所有股票涨幅排名，取前50股票代码
dt := yesterday();
dt_prev := dt - 1;
stocks := getAbkbyDate('上证A股;深证A股', dt);
n := length(stocks);
gains := array();
for i := 0 to n - 1 do
begin
setSysParam(PN_Stock(), stocks[i]);
zf := stockZf(dt_prev, dt);
gains[i] := array("code": stocks[i], "zf": zf);
end;
top50 := select * from gains
order by ["zf"] desc
end;
top50 := select drange(0 to 49) * from top50 end;
echo "昨天(" $ dateToStr(dt) $ ")主板涨幅前50：";
for i := 0 to length(top50) - 1 do
begin
echo (i + 1) $ ". " $ top50[i]["code"] $ " 涨幅:" $ top50[i]["zf"] $ "%";
end;
```
**这一轮最有意思：** 铁律对 27B 小模型同样有约束力——面对文档缺口，它宁可绕路几十轮也没编造参数；但代价是收敛效率的巨大差距，且收尾少了前两轮的验证动作与诚实边界。它还反向暴露了知识库自己的洞：`StockZf_No` 的参数取值枚举确实没写——正是「后续升级方向 · 检索质量 / 分类治理」要补的文档债。交易日处理同样最弱：`yesterday()` 与 `dt - 1` 全按日历日，周末/节假日双双踩空。
**成本（模型自估，口径偏小）：** 约 1.5–2.5 万 token。其事后自查归因：**20+ 次无效检索全耗在 `StockZf_No` 没写的参数枚举上**；9252 行的 `equity/misc.md` 被反复载入约 15 次；`lookup.py` 输出 GBK/UTF-8 乱码又加剧了关键词重试。注意：该自估按"读到的内容量"计，未计 30+ 次工具调用的上下文重复携带，实际消耗应显著更高。
### 横向对比
| 观察维度 | Claude Code · Fable 5 | Codex CLI · GPT-5.5 | Qwen 3.6-27B |
| :-- | :-- | :-- | :-- |
| Skill 接入 | 已注册，直接调用 | 未注册 → 循路由自行找到 `lookup.py` 手动调用 | 未注册 → 手动调用（检索输出乱码，带病工作） |
| 函数真实性 | skill 逐一查证 5/5，零编造 | 全部查证，并依据文档负向记录弃用 `getTopN` | 全部查证；面对 `StockZf_No` 文档缺口拒绝编参数，绕路重来 |
| 交易日处理 | `lastTradeDay` 取最近交易日，周一跑正确落上周五 | `yesterday()` 日历昨天，逢周末可能取到无行情日 | `yesterday()` 与 `dt-1` 全日历日，三轮中最弱 |
| 文件模型 | `.tsl` 判定正确 | `.tsl`（提示词给定文件名） | `.tsl`（提示词给定文件名） |
| 自主验证 | 本机解释器实测 builtin 跑通、整文件编译通过 | 环境无解释器，静态检查 | 仅回读文件自查，无静态/运行验证 |
| 边界诚实度 | 明说 dotnet 函数需客户端确认 | 明说无法真实运行验证，列出静态证据 | 收尾未声明未验证状态 |
| 检索效率 | 一次路由到位 | 一次路由到位 + 证据驱动取舍 | 在同一文档缺口反复打转数十轮 |
| 总耗时 | 16m57s | 9m21s | 未记录 |
| token | 自估：输入 15–20 万 / 输出 0.5–1 万 | 实测：18.5 万 = 15.9 万入 + 2.57 万出 | 自估：约 1.5–2.5 万（未计上下文重复，口径偏小） |
> **对照说明：** ① 第二、三轮提示词在第一轮基础上各自追加了输出文件名，文件命名被显式给定；第一轮产出原名 `main_board_top50_zf.tsl`，存档时加 `_claude` 后缀以区分三轮；② 第二轮运行时仓库内已有本 README 的同题示例，模型读到过该片段（其后仍逐一核对了函数事实）；③ 三轮本地条件不同——第一轮机器装有离线 TSL 解释器，第二轮 PATH 无解释器，第三轮未尝试任何运行验证；④ 第三轮的代理框架与耗时未记录，token 为模型按"内容量"事后自估、未计多轮上下文重复携带——三轮 token 口径各不相同（实测 / 含缓存自估 / 内容量自估），不可直接横比。以上数字与行为仅作真实记录，不构成严格受控对比。
---
_TSL Playbook —— 不是让 AI "会写代码"，而是让 AI "只写有据可查的代码"。_