PromptMN：伪提示语言
PromptMN 是一种轻量级的领域特定语言，通过 % 前缀的指令标注自然语言提示，使角色、目标、约束等显式化，减少代理工作流中的歧义。该语言介于非正式提示与伪代码之间，支持逆向提示工程，并在多个前沿模型上验证了可行性。
在生成式人工智能的应用中，提示（prompt）已成为人类与模型交互的主要接口。然而，自然语言提示往往存在脆弱性：角色、目标、约束条件以及期望输出经常隐藏在冗长的描述中，或者仅作隐含表达。在智能代理和软件开发工作流中，初次交互时的任何误解都可能传导至后续每一个步骤，因为相当一部分代理失败源于上下文歧义，而非模型能力本身的局限。
为了解决这一问题，一篇发表于 arXiv 的论文（arXiv:2606.17164）提出了 PromptMN，一种伪提示领域特定语言。其核心思想是在自然语言中插入紧凑的、以百分号（%）为前缀的带类型指令，这些指令覆盖了角色、目标、需求、优先级、约束、计划、输入和输出等多个维度。借助语义解析机制，作者可以按任意顺序书写这些指令，而模型则能根据功能对其进行正确解释。PromptMN 的定位介于非正式提示与编程风格的伪代码之间：它足够结构化，便于检查和复用，同时又足够轻量，能让分析师、管理者、开发者和利益相关者在整个软件开发生命周期（SDLC）中顺畅使用。
PromptMN 的另一大特色是与逆向提示工程相结合。通过要求模型将期望结果重述为 PromptMN 格式，用户在实际操作前可以审视模型推断出的角色、目标、约束以及遗漏的假设，从而减少修正循环，并生成一个可复用的工件，用于对齐人类与 AI 工具的预期。
论文作者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 和 GPT-5.5。实验表明，这些模型无需任何微调即可正确解析 PromptMN 指令，即使面对重复、条件判断、方法调用以及素数检查等复杂结构也能准确应对。相同的词汇表可适用于新代码库开发、代码维护和重新设计等多种 SDLC 场景。尽管大规模验证仍是未来工作，但这些初步结果令人鼓舞，表明 PromptMN 是迈向更清晰、更可审查的人机交互的实用一步。