E– –：一种在英语与Python之间切换的新语言

背景

在AI与编程的交汇处，LLM（大型语言模型）生成的代码虽然灵活，但存在运行时不可复现、每次调用昂贵、难以调试等问题。传统的编程语言则要求严格的语法，学习曲线陡峭。如何结合自然语言的易用性与确定性编译的可靠性，成为开发者探索的方向。E--（English--）正是在这一背景下诞生——一种用规范、无歧义的英语编写，并能确定性编译为Python的语言。

核心内容

E--（全称"English--"）是一种编程语言，其语法是去除了歧义的英语：固定的语法规则和词汇表，每个结构只有一种规范的表述方式。它旨在像英语一样可读、可编辑，同时编译为普通、可复现的Python代码。

设计理念：分离LLM与执行

LLM生成代码在运行时存在模糊性：不可复现、按调用付费、难以调试。E--将LLM的角色与执行阶段分离——LLM（可选）在编写时生成规范的E--代码；确定性解析器将E--编译为Python；运行时保持纯净。这样兼顾了两者优势：需要时利用LLM的创造力，之后始终保持确定性行为。

安装与使用

从PyPI安装：

pip install e-minus-minus

将规范的E--文件转换为Python：

emm-transpile examples/describe.emm

如果文件中不包含 {{ }} 插槽，则无需LLM。如需使用LLM处理自由英文输入或值插槽，需额外安装：

pip install "e-minus-minus[llm]"

开发者模式：克隆仓库后，在PYTHONPATH下以模块方式调用CLI：

PYTHONPATH=src python -m e_minus_minus.transpiler examples/describe.emm

许可证与输出归属

E--基于Apache License 2.0（包含明确的专利授权），可自由嵌入商业产品。需要澄清两点：

• 许可证覆盖E--工具本身，但生成的Python代码属于用户，不受本项目许可证约束。
• LLM由用户自行提供，E--的规范化器和插槽解析需要用户指定语言模型，其服务条款独立于本项目。

程序化API

from e_minus_minus import transpile
python_source = transpile(emm_source)

transpile() 是纯函数：无网络请求，无副作用。可传入 resolve_slot 回调以处理 {{ ... }} 插槽。

两阶段管线

E--采用两阶段管线，将不可靠部分与确定性部分严格分离：

1. 规范化器（可选，LLM）：将自由形式的英语转换为规范的E--。这是唯一处理语言歧义性的阶段。
2. 编译器（确定性）：将规范的E--通过普通解析器转换为Python——无LLM，完全可复现、可调试。

LLM仅在编译时运行，绝不参与运行时。生成的Python总是纯的、自包含的。LLM只用于填充明确界定的值插槽 {{ ... }}，且解析结果会被缓存，保证构建的可复现性。

规范E--示例

以下代码：

Set result to [[fibonacci]]( {{the first prime number greater than 5}} ).
Do [[print]](result).

编译为Python：

result = fibonacci(7)
print(result)

标记规则：[[name]] 表示函数调用，裸词表示变量，"x" 和 3 是字面量，<1, 2, 3> 是列表，{{ ... }} 是英语短语，编译器解析一次后固化。

运行示例

文件 examples/describe.emm：

Define [[describe]] taking n:
    If n is greater than 10:
        Give back "big".
    Give back "small".

For each n in <3, 42, 7>:
    Do [[print]]([[describe]](n)).

编译并运行：

python3 src/transpiler.py examples/describe.emm --run

输出：

small
big
small

插槽解析

{{ ... }} 插槽是一个英语短语，编译器在编译时使用LLM将其解析为Python表达式一次，然后缓存结果，后续构建可离线且可复现。无插槽的文件无需API密钥和设置。

示例文件 examples/primes.emm：

For each p in {{the first five prime numbers, as a Python list}}:
    Do [[print]](p).

首次运行调用Anthropic Haiku模型解析插槽，生成列表 [2, 3, 5, 7, 11]，缓存到 .emm_cache.json。后续运行离线命中缓存，结果相同。

语句级插槽

插槽不仅可用于表达式位置，也可放在语句位置（独立一行，缩进处），委托LLM生成一个或多个Python语句。例如：

Define [[summarize]] taking numbers:
    {{ compute mean, median and count of numbers into mean_v median_v count_v }}
    Do [[print]](count_v).
    Do [[print]](mean_v).
    Give back mean_v.

编译为：

def summarize(numbers):
    from statistics import mean, median
    mean_v = mean(numbers)
    median_v = median(numbers)
    count_v = len(numbers)
    print(count_v)
    print(mean_v)
    return mean_v

需要注意的是，代码插槽内的引用对下游工具不透明，作者需有意识地接受这一区域级别的委托。

关键要点

• E-- 是一种使用规范、无歧义英语编写的编程语言，确定性编译为Python。
• 核心创新在于将LLM的使用限制在编译时（可选的规范化阶段和插槽解析阶段），运行时完全确定且可复现。
• 两阶段管线：LLM负责处理自然语言的歧义性；确定性解析器保证输出的Python代码一致、可调试。
• 插槽系统（{{ ... }}）允许在保留整体程序结构的同时，委托LLM填充值或语句块，解析结果缓存至 .emm_cache.json。
• 无插槽的 .emm 文件完全离线运行，无需任何API或LLM。
• 生成的Python代码属于用户，许可证对输出无约束；LLM由用户自行提供，其条款独立。
• 程序化API transpile() 是纯函数，支持可选的回调用于插槽解析。
• 文件扩展名约定为 .emm，CLI支持 --run、--show、-o 等选项。
• 源代码使用Apache 2.0许可证，允许商业嵌入。
• E-- 旨在实现“LLM创造力 + 确定性行为”的最佳平衡：创意阶段借助语言模型，后续行为严格固定。

意义与影响

E-- 探索了一条将自然语言编程与确定性编译相结合的新路径。它不像传统自然语言编程工具那样依赖LLM全程参与，而是将LLM限制在编译时的一个受控阶段，从而保留了传统编程语言的可复现性、可调试性和性能优势。这种方法尤其适用于需要长期维护、安全关键或审计敏感的场景——程序员可以用接近英语的方式编写代码，但最终获得的是与手工编写一致的Python。

E-- 的插槽机制提供了一种精细的委托模式：开发者可以控制程序的主要逻辑结构，只将值计算或局部逻辑的填充交给LLM，避免了LLM“全盘接管”带来的不确定性。缓存机制进一步保证了构建的可复现性，即使LLM版本变化或离线，也能保持结果一致。

从生态角度看，E-- 不试图取代Python，而是作为Python的一种“前端”语言。其生成的Python代码是自包含、无外部依赖的纯代码，可以无缝集成到现有Python项目、CI/CD流水线和部署环境中。这对于团队协作和代码审查更为友好——非技术人员可以阅读或修改 .emm 文件，而技术人员则审查生成的Python。

尽管E--尚处于早期阶段（仅实现了确定性核心和CLI），但其设计理念可能启发更多“半编程、半自然语言”的工具。它接受了“LLM并不完美”的现实，转而通过架构限制LLM的势力范围，让确定性部分成为系统的基石。这种务实思路在未来AI辅助编程的工程实践中具有重要的参考价值。