1.提示词设计：掩码替代任务#

他们的提示词设计很有意思，将补全任务重新表述为「掩码替换」任务，系统提示词如下：

1
Your job is to predict the most logical text that should be written at the location of the <mask/>.
2
Your answer can be either code, a single word, or multiple sentences.
3
Your answer must be in the same language as the text that is already there.
4
Your response must have the following format:
5
THOUGHT: here, you reason about the answer; use the 80/20 principle to be brief.
6
LANGUAGE: here, you write the language of your answer, e.g. English, Python, Dutch, etc.
7
ANSWER: here, you write the text that should be at the location of <mask/>.

上下文则以 <truncated_text_before_cursor> <mask/> <truncated_text_after_cursor> 的格式传递给模型。举个例子：

1
Weighted average of (sequence) elements, with the weights dynamically computed based on an input query and elements' keys.
2

3
The attention weight $a_i$ is calculated as follows:
4
$$
5
<mask/>
6
$$
7

8
In this formula we have the following components:
9
- Value: For each element, we have a feature vector per element we want to average over.
10
- Score function  $f_{score}(key, query)$: uses the queries and keys to calculate the weights per value. (Typically a simple similarity metric or MLP.)
11
- Attention weight $\alpha_i$: the amount of attention to put on value $i$.

这种设计的好处在于：模型不仅能看到光标前的内容，还能参考光标后的上下文来生成更贴合语境的补全。不过，以目前模型的能力，我觉得强制输出 THOUGHT 和 LANGUAGE 有些冗余了。所以我简化了提示词：

1
Your job is to predict the most logical text that should be written at the location of the <mask/>. Your answer can be either code, a single word, or multiple sentences. Your answer must be in the same language as the text that is already there. Your response must have the following format:
2
ANSWER: here, you write the text that should be at the location of <mask/>.

程序只需识别 ANSWER: 之后的内容即可，既减少了 token 消耗，响应也更快。

2.触发机制#

相比之前 YOLO 「停止输入 N 秒后触发」的粗放策略，Auto Completion 采用了更精细的触发器设计。

插件内置了多种触发场景：

• 句子结束：. ! ?
• 换行符：\n
• 列表或任务项：如 - 或 - [ ] 之后
• 等等

在此基础上，用户可以编辑、移除默认触发器，或添加自定义触发器。每个触发器支持两种匹配模式：

• 字符串匹配：检查光标前的文本是否以该字符串结尾
• 正则表达式匹配：检查光标前的文本是否匹配该正则

提示词：保留掩码，开放约束#

YOLO 保留了掩码替代任务的核心思路，但做了两处改动；首先是简化输出格式。现代模型已经足够聪明，不需要强制输出 THOUGHT 和 LANGUAGE 字段，直接要求输出 ANSWER: 即可。程序解析时只需找到这个标记，提取后面的内容：

1
const parseMaskedAnswer = (raw: string): string => {
2

3
const normalized = raw.trim()
4

5
const markerIndex = normalized.toLowerCase().indexOf('answer:')
6

7
if (markerIndex === -1) return normalized
8

9
return normalized.slice(markerIndex + 'answer:'.length).trim()
10

11
}

其次是引入约束占位符 {{tab_completion_constraints}}。用户可以在设置中填写自定义规则，比如「不要使用 emoji」「保持简洁」「用正式语气」等，这些规则会被注入到系统提示词中。

触发机制：继承与本地化#

YOLO 完整继承了 Auto Completion 的触发器架构。默认配置中，除了换行符和列表项这些通用触发器外，还增加了中文逗号 ， 和中文冒号 ： 的支持，毕竟 YOLO 的主要用户群体（也就是我）是中文用户。

TAB 补全的触发机制是遍历所有启用的触发器，检查光标前的文本是否匹配。字符串类型的触发器用 endsWith 判断，正则类型的用 test 判断。用户可以在设置中自由编辑、禁用或添加触发器，实现完全的个性化控制。

上下文处理：智能边界检测#

这是 YOLO 相对于 Auto Completion 的另一个改进：在提取上下文时，YOLO 不会简单地截取固定长度的文本，而是会识别文档结构边界。默认的上下文范围是 4000 字符，按 4:1 的比例分配给前文和后文（3200 + 800）。这个比例的考量是：前文对于理解当前写作意图更重要，而后文主要用于确保补全内容与后续段落衔接自然。

在此基础上，YOLO 引入了后文边界检测，程序会识别段落分隔（连续两个换行）、标题、列表、引用块、代码块等 Markdown 结构。一旦遇到这些边界，就会截断后文上下文。这样做的好处是：模型看到的后文更加「干净」，不会被无关的段落干扰。比如你正在写一个段落的中间部分，模型不需要看到下一个章节的内容。

1
const boundaryPatterns = [
2

3
/^#{1,6}\s/, // 标题
4

5
/^-\s+\[[ xX]\]\s+/, // 任务列表
6

7
/^[-*+]\s+/, // 无序列表
8

9
/^\d+\.\s+/, // 有序列表
10

11
/^>\s+/, // 引用块
12

13
/^```/, // 代码块
14

15
]

写在最后#

回顾这次 Tab 补全的重构，其核心思路很简单：让 AI 辅助写作可以可靠地回归「辅助」的本质。

YOLO 的其他功能和传统的 AI 写作工具总是试图抢夺用户的注意力——弹窗、对话框、复制粘贴，每一步都在提醒用户「嘿，我是 AI，我在帮你」；但在 tab 补全的使用场景下，ai 应该是隐形的，在用户需要时出现，不需要时消失，全程不打扰用户的思考节奏：淡灰色的幽灵文本悄悄浮现，一个 Tab 键决定去留。

当然，目前的实现还有很多可以优化的空间。比如触发时机的智能化（能否根据写作速度动态调整？）、补全内容的多样性（能否提供多个候选项？）、以及与其他 YOLO 模块的联动（能否结合知识库做更精准的补全？）。这些都是后续值得探索的方向。

感谢 obsidian-copilot-auto-completion 提供的灵感，站在前人的肩膀上确实能看得更远。如果你在使用 YOLO 的 Tab 补全功能时有任何想法或建议，欢迎反馈。毕竟一个人的使用场景终究有限，而好的工具是在真实需求中打磨出来的。

下一篇日志，我可能会分析一下目前主流的 agent loop 的实现方式与架构，以及 YOLO 在这方面的探索。agent loop 是当下 AI 应用开发中相当热门的话题，从 LangChain 到 BMAD，各种框架层出不穷，但说实话，很多实现都过于复杂，把简单的事情搞得晦涩难懂。

我想从一个更务实的角度来拆解这个问题：一个好用的 agent loop 到底需要什么？工具调用、记忆管理、错误恢复、任务拆解……这些听起来高大上的概念，落到代码里其实就是几个核心的设计决策。YOLO 作为一个 Obsidian 插件，场景相对垂直，反而有机会避开那些「为了通用而通用」的设计陷阱，做一些更贴合实际写作场景的尝试。

不过这个话题展开起来内容不少，今天就先写到这里。有兴趣的朋友可以先看看 Anthropic 的 Building effective agents 这篇文章，写得非常扎实，是我目前看到的对 agent 设计讲解最清晰的文章之一。