PromptMN：偽提示語言
PromptMN 是一種輕量級的領域特定語言，通過 % 前綴的指令標註自然語言提示，使角色、目標、約束等顯式化，減少代理工作流中的歧義。該語言介於非正式提示與偽代碼之間，支持逆向提示工程，並在多個前沿模型上驗證了可行性。
在生成式人工智能的應用中，提示（prompt）已成為人類與模型交互的主要接口。然而，自然語言提示往往存在脆弱性：角色、目標、約束條件以及期望輸出經常隱藏在冗長的描述中，或者僅作隱含表達。在智能代理和軟件開發工作流中，初次交互時的任何誤解都可能傳導至後續每一個步驟，因為相當一部分代理失敗源於上下文歧義，而非模型能力本身的侷限。
為了解決這一問題，一篇發表於 arXiv 的論文（arXiv:2606.17164）提出了 PromptMN，一種偽提示領域特定語言。其核心思想是在自然語言中插入緊湊的、以百分號（%）為前綴的帶類型指令，這些指令覆蓋了角色、目標、需求、優先級、約束、計劃、輸入和輸出等多個維度。藉助語義解析機制，作者可以按任意順序書寫這些指令，而模型則能根據功能對其進行正確解釋。PromptMN 的定位介於非正式提示與編程風格的偽代碼之間：它足夠結構化，便於檢查和複用，同時又足夠輕量，能讓分析師、管理者、開發者和利益相關者在整個軟件開發生命週期（SDLC）中順暢使用。
PromptMN 的另一大特色是與逆向提示工程相結合。通過要求模型將期望結果重述為 PromptMN 格式，用户在實際操作前可以審視模型推斷出的角色、目標、約束以及遺漏的假設，從而減少修正循環，並生成一個可複用的工件，用於對齊人類與 AI 工具的預期。
論文作者在多個前沿模型上評估了 PromptMN 的可行性，包括 Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro 和 GPT-5.5。實驗表明，這些模型無需任何微調即可正確解析 PromptMN 指令，即使面對重複、條件判斷、方法調用以及素數檢查等複雜結構也能準確應對。相同的詞彙表可適用於新代碼庫開發、代碼維護和重新設計等多種 SDLC 場景。儘管大規模驗證仍是未來工作，但這些初步結果令人鼓舞，表明 PromptMN 是邁向更清晰、更可審查的人機交互的實用一步。