PromptMN：伪提示工程语言——让 AI 交互更清晰、可审查

背景

提示工程（Prompting）已成为人类与生成式人工智能（Generative AI）交互的主要接口。然而，当前的自然语言提示往往存在脆弱性：角色设定、目标、约束条件以及预期输出通常被淹没在冗长的散文式描述中，或者处于隐含状态，未被明确表达。

在智能体（Agentic）工作流和软件开发流程中，这种模糊性具有极高的传播风险。一次初始交接中的误读，可能会沿着工作流的每一步被放大。研究表明，大量智能体失败的原因并非模型能力的局限，而是源于上下文歧义（context ambiguities）。因此，亟需一种介于非正式提示与编程式伪代码之间的结构化语言，以提升人机交互的清晰度与可审查性。

核心内容

本文介绍了 PromptMN，一种“伪提示领域特定语言”（Pseudo-prompting Domain-Specific Language）。PromptMN 旨在通过紧凑的、以 % 开头的类型化指令（typed directives），对自然语言进行标注，从而覆盖角色、目标、需求、优先级、约束、计划、输入和输出等关键维度。

1. 语义解析与灵活性

PromptMN 的核心机制是“语义解析”（Semantic resolution）。这意味着作者可以以任意顺序编写指令，模型会根据指令的功能而非位置来解释它们。这种设计既保留了自然语言的灵活性，又引入了结构化的严谨性。

2. 定位与受众

PromptMN 定位于非正式提示与编程风格伪代码之间。它足够结构化，以便于检查和复用；同时也足够轻量级，使得软件开发生命周期（SDLC）中的分析师、经理、开发人员以及利益相关者都能轻松使用。

3. 逆向提示工程（Reverse Prompt Engineering）

PromptMN 与逆向提示工程相辅相成。用户可以通过要求模型将期望的结果重述为 PromptMN 格式，来检查模型推断出的角色、目标、约束以及缺失的假设。这一过程有助于在行动前发现潜在问题，减少修复周期，并生成可用于对齐人类与 AI 工具的可复用工件。

4. 可行性评估

研究团队在多个前沿模型上评估了 PromptMN 的可行性，包括：

• Claude Fable 5
• Claude Opus 4.8
• Gemini 3.1 Pro
• GPT-5.5

实验结果显示，这些模型无需微调（fine-tuning）即可正确解析 PromptMN 指令，包括处理重复、条件判断、方法调用以及素数检查任务等复杂结构。此外，相同的词汇表适用于 SDLC 场景中的新代码库、维护和重构等不同阶段。

尽管大规模验证仍是未来的工作方向，但早期结果表明，PromptMN 是迈向更清晰、更易审查的人机交互的重要实践步骤。

关键要点

• 解决痛点：针对自然语言提示中角色、目标、约束等关键信息隐含或分散导致的“上下文歧义”问题，提供结构化解决方案。
• 语法特征：采用以 % 开头的类型化指令（如 %role, %goal, %constraint），紧凑且易于机器解析。
• 语义无关性：指令顺序不影响模型理解，模型基于指令的语义功能进行解析，而非依赖文本位置。
• 双向交互：支持正向提示（人类编写 PromptMN）和逆向提示工程（让模型生成 PromptMN 以暴露隐含假设），从而减少沟通误差和修复成本。
• 广泛适用性：适用于软件开发生命周期（SDLC）的全阶段，包括需求分析、开发、维护及重构，受众涵盖技术人员与非技术人员。
• 零微调兼容：在 Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro 和 GPT-5.5 等主流前沿模型上，无需模型微调即可有效工作。
• 结构化与轻量级的平衡：比自然语言更严谨，比编程语言更简单，旨在成为人机协作的“中间层”标准。

意义与影响

PromptMN 的提出标志着提示工程从“艺术”向“工程”迈出的重要一步。

首先，它提升了 AI 交互的可审查性（Inspectability）。通过将隐含的假设显式化为结构化指令，团队可以在执行前审查 AI 对任务的理解，从而在早期阶段捕获错误。

其次，它促进了跨职能协作。由于 PromptMN 比自然语言更结构化，又比代码更易懂，它成为了连接业务分析师、产品经理与开发人员的通用语言，降低了沟通壁垒。

最后，它为智能体工作流的稳定性提供了基础。通过消除上下文歧义，PromptMN 有助于减少智能体在执行复杂任务时的失败率，特别是在多步骤、多角色协作的场景中，其价值尤为显著。虽然目前仍处于早期阶段，但 PromptMN 为构建更可靠、更可预测的人机协作系统提供了切实可行的路径。