生成AIの利用において、プロンプトは人間とモデルをつなぐ主要なインターフェースとなっています。しかし、自然言語によるプロンプトはしばしば脆弱です。役割、目標、制約、期待される出力が文章の奥に埋もれたり、暗黙的にしか表現されていないケースが多く見られます。特にエージェントやソフトウェア開発のワークフローでは、最初のやり取りでの誤解が後続のすべてのステップに波及する恐れがあります。というのも、エージェントの失敗の多くはモデルの性能限界ではなく、コンテキストの曖昧さに起因するからです。
この問題に取り組むため、arXivに投稿された論文（arXiv:2606.17164）はPromptMNを提案しています。これは疑似プロンプト用のドメイン固有言語であり、%で始まるコンパクトな型付き指示を自然言語に挿入することで、役割、目標、要件、優先順位、制約、計画、入出力を明示的にします。セマンティック解決の仕組みにより、作成者は指示を任意の順序で記述でき、モデルは機能に基づいて解釈します。PromptMNは非形式的なプロンプトとプログラミングスタイルの疑似コードの中間に位置し、構造化されているため検査や再利用が容易でありながら、アナリスト、マネージャー、開発者、ステークホルダーがソフトウェア開発ライフサイクル（SDLC）全体で使える軽量さも兼ね備えています。
さらにPromptMNは逆プロンプトエンジニアリングとも連携します。モデルに期待する結果をPromptMNの形式で言い換えさせることで、ユーザーは実際に行動を起こす前に、モデルが推論した役割、目標、制約、欠落している前提を検査できます。これにより修正サイクルが減り、人間とAIツールの調整に役立つ再利用可能な成果物が得られます。
著者らは、Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro、GPT-5.5といった最先端モデルでPromptMNの実現可能性を評価しました。結果として、これらのモデルはファインチューニングを一切行わずにPromptMNの指示を正しく解釈でき、繰り返し、条件分岐、メソッド、素数判定といった複雑な構造にも対応できました。同じ語彙は、新規コードベース、メンテナンス、再設計などSDLCのさまざまなシナリオに適用可能です。大規模な検証は今後の課題ですが、これらの初期結果は、PromptMNがより明確でレビューしやすい人間とAIの対話に向けた実用的な一歩であることを示しています。