TSL Playbook

面向 AI 编码环境的 TSL 开发指南

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
  • 核心理念
  • 架构设计
  • 目录结构
  • 后续升级方向
• 👤 第二部分 · 多环境实测（用户视角）
  • 统一提示词
  • 第一轮实测：Claude Code · Fable 5
  • 第二轮实测：Codex CLI · GPT-5.5
  • 第三轮实测：Qwen 3.6-27B
  • 横向对比
  • 三轮小结

---

🛠 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。

# 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：

flowchart TD
    A[用户提示词] --> B{AGENTS.md<br/>硬约束 + 首跳}
    B -->|需要任何 TSL 事实| C[docs/tsl/index.md<br/>总入口]
    C -->|写代码：先定文件模型与骨架| Q[syntax/01_quickstart.md<br/>快速落代码]
    C -->|查语法/语言规则| D[syntax/index.md<br/>语法路由]
    C -->|取金融数据/查函数| E[tsl-api-reference<br/>Skill]
    C -->|模块集成| F[modules/index.md]
    C -->|命名/风格| G[naming.md /<br/>code_style.md]
    D --> H[24 个语法专题]
    E -->|已知名 --name<br/>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 · 多环境实测

用户视角 —— 同一条提示词下的真实行为与产出

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

考察点五个，后文的过程回放与横向对比均按编号交叉标注：

• ① 函数真实性 —— 函数敢不敢编，是否逐一经 skill 查证
• ② 语法证据 —— 语法照不照抄，外形是否取自语法页「可直接照写示例」
• ③ 文件模型 —— .tsl / .tsf 后缀选没选对
• ④ 自主验证 —— 会不会自己验证：运行实测 / 静态检查 / 什么都不做
• ⑤ 边界诚实 —— 拿不准、验不了时，是硬写还是明说

三轮以这条原文为基准：第二、三轮仅在末尾追加了各自的输出文件路径，其余一字未改——代价是「③ 文件模型」在后两轮被显式给定、失去考察效力（对比表已如实标注）。

第一轮实测：Claude Code · Fable 5

环境：Claude Code（版本未记录）· Fable 5；tsl-api-reference skill 已注册；本机装有离线 TSL 解释器（无数据仓库连接）；输出路径未指定，文件名自定。

真实过程回放（每一步都能对应第一部分的机制）：

步骤	考察点	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	①	调用 tsl-api-reference skill 逐一核实 getAbkbyDate · lastTradeDay · stockZf8 · appendArray · sortTableByField —— 五个函数零编造
📖 语法照抄有据	②	落码外形——for ... in 遍历、array("Key": value) 键表、begin/end 块——均见于取用三页的「可直接照写示例」，无文档外写法
📄 文件模型判对	③	一次性取数任务 → 按规则判为 .tsl，文件名自定，存档于 scripts/main_board_top50_zf_claude.tsl
✅ 主动验证	④	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	⑤	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，已存档：scripts/main_board_top50_zf_claude.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;

亮点： "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（token 为模型自估）： 总耗时 16 分 57 秒；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。注意：运行时仓库内已有本 README 的第一轮同题示例，模型读到过该片段（其后仍逐一核对了函数事实）。

真实过程回放：

步骤	考察点	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	①	--kw 圈定候选后逐一 --name 核实 getAbkbyDate · stockZf3 · yesterday · spec · specDate · sortTableByField · min · length · writeLn
📖 语法转页核对	②	查 MarketTable 无此函数 → 正确判断它是数据表名，转 TS-SQL 语法页核对 select ... end 写法
🚫 证据驱动的弃用	①	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	④ ⑤	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，已存档：scripts/main_board_top50_zf_codex.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;

亮点： 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。

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（token 为 /status 实测）： 本轮工作 9 分 21 秒；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	考察点	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	①	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	②	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	①	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	④ ⑤	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，已存档：scripts/main_board_top50_zf_qwen3.6-27b.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;

亮点： 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；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。

对照差异： 代价是收敛效率的巨大差距，收尾也少了前两轮的验证动作与诚实边界；交易日处理三轮中最弱——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

五个考察点：

考察点	Claude Code · Fable 5	Codex CLI · GPT-5.5	Qwen 3.6-27B
① 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
② 语法证据	外形均见于取用三页的可照写示例	MarketTable 判为表名后转 TS-SQL 页核对写法	拒绝按"惯例"假设字段名与 refof 用法，回撤改走已查证路线
③ 文件模型	.tsl 判定正确（文件名自定）	.tsl（文件名由提示词给定，未构成考察）	.tsl（文件名由提示词给定，未构成考察）
④ 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
⑤ 边界诚实	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

额外观察与成本：

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）
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
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。

三轮小结

• 机制得到验证 —— skill 已注册、未注册自行接通、检索乱码带病工作三种接入条件下，三轮全部零函数编造；「禁止发明语法 + 首跳路由 + 块级证据」对 27B 开源小模型同样有约束力。
• 验证与诚实呈梯度 —— 三轮收尾分别是解释器实测、静态检查、无验证亦无声明；在 toolchain.md 执行入口实体化之前，「必须验证」写不成硬约束，收尾质量只能靠模型自觉。
• 实测暴露的文档债均已入计划 —— StockZf_No 参数取值缺失 →「检索质量 · 参数类型实证」；equity/misc.md 兜底堆积拖慢检索 →「分类治理」；lookup.py 输出编码 →「检索质量」。

---

TSL Playbook —— 不是让 AI "会写代码"，而是让 AI "只写有据可查的代码"。