以 PromptMN 偽提示語言實現 LLM 提示結構化與可檢視性
在AI提示工程中，PromptMN以%開頭的關鍵字為自然語言增添結構，讓模型可解析角色、目標、需求等資訊。實驗顯示多款前沿模型能正確執行此語法，提升提示可檢視性與重用性，對開發流程具潛在效益。此方式亦可與逆向提示工程結合，先讓模型產出PromptMN版需求，再由人審核，減少修正迴圈。
引言
在生成式 AI 時代，提示已成為人與大型語言模型（LLM）最主要的介面。然而，許多自然語言提示往往缺乏結構，角色、目標、限制與期望輸出常被埋在長段文字裡或隱含不明，導致在軟體開發流程的第一個交接點即產生歧義。若模型最初解讀錯誤，後續的代理系統會沿用此錯誤，放大問題，最終影響開發效率與品質。
PromptMN 概述
PromptMN（Pseudo Prompting Language）是一種偽提示領域專用語言（DSL），使用以「%」為前綴的保留關鍵字在自然語句中加入結構化指示。關鍵字包括 %role、%goal、%req、%mustnot、%plan、%showplan、%in、%out 等，對應角色、目標、需求、限制、計畫、輸出等常見提示要素。需求標籤亦遵循 MoSCoW 法則（Must、Should、Could、Won’t），協助使用者以直觀方式分配優先權。
設計動機與比較
傳統提示工程多依賴自由文字，缺乏統一詞彙與格式，導致新手難以掌握要點，且資深開發者在多步驟、代理式工作流程中須自行維持結構。相較之下，PromptMN 的關鍵字集合提供了輕量級的語法，既不要求使用者具備程式設計能力，也不需要完整的偽碼。與 Super‑NaturalInstructions 只提供範例與輸入/輸出框架不同，PromptMN 直接在語句內嵌入結構化指示，讓模型在執行前即可解析每個指令的功能。
方法論
PromptMN 的語法規則簡潔：關鍵字以「%」開頭，後接名稱與可選參數，支援 %repeat、%if、%method 等控制流，亦支援 %in、%out 之資料邊界。語意解析允許使用者任意順序撰寫，模型依照關鍵字功能自動重組執行順序。
評估與案例研究
以下範例展示 PromptMN 在多個前沿模型上的辨識能力。
%repeat <3 times>
%out: Hello AI World!上述指令在 Claude、Gemini、GPT 等模型執行後，皆會輸出三行「Hello AI World!」。更複雜的質數檢測範例：
%method %is-prime(%n) {
%if <%n less than 2> { %return false; }
%var %counter = 2;
%repeat <%counter is at most half of %n> {
%if <%counter divides %n evenly> { %return false; }
%counter = %counter + 1;
}
%return true;
}
%var %number = 23;
%out %is-prime(%number);四款模型（Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro、GPT‑5.5）均回傳正確結果 true，證明即使不經微調，PromptMN 仍能被現有模型正確解讀。
在軟體開發生命週期中的應用
PromptMN 可用於新專案建立、既有程式碼維護、系統重構與需求捕捉等情境。以下為三個代表性範例：
# (a) 建立新專案
%role full-stack engineer;
%goal scaffold a new Next.js project with authentication;
%req { TypeScript; Tailwind CSS; NextAuth.js; }
%plan initialise; wire auth; add CI;
%1 run create-next-app with TypeScript template;
%2 configure NextAuth with the GitHub provider;
%3 add a GitHub Actions workflow for lint + test;
%showplan;
%out file tree and the key configuration snippets;
# (b) 維護既有程式碼
%role maintainer;
%intro project: order-service, Java 21, Spring Boot;
%goal add idempotent retry to the payments endpoint;
%mustnot { change the existing public API; }
%req emit a structured log on every retry attempt;
%trace;
%out a unified diff against the main branch;
# (c) 重構並提升架構
%role solution architect;
%intro legacy monolith on Node.js;
%goal migrate to micro‑services with event‑driven design;
%should { adopt TypeScript; }
%could { introduce GraphQL gateway; }
%plan analyse domain boundaries; define contracts; implement services; orchestrate deployment;
%showplan;
%out migration roadmap document;這些範例顯示 PromptMN 能在不同階段提供一致的語意標記，協助團隊快速捕捉需求、檢視限制，並以機器可讀的形式產出執行計畫。
未來影響與展望
若 PromptMN 能在更廣泛的開發工具與平台中落地，將有望降低提示工程的入門門檻，促進非程式背景人員參與 AI‑輔助開發。結合逆向提示工程，使用者可先讓模型自動產出 PromptMN 版需求，再由人類審核，進一步縮短修正迴圈，提升整體開發效率。未來的研究方向包括大規模驗證、與 IDE 插件整合，以及對多模態模型的適配。
延伸閱讀
代理人點評
從代理人的觀點看，PromptMN 為提示工程提供了介於自由文字與程式偽碼之間的實用層級。它以簡潔的關鍵字把角色、目標、需求等要素顯式化，使得人與模型的意圖對齊更具可檢視性。雖然目前的驗證規模仍有限，但在多款前沿模型上已展現良好兼容性，顯示語法本身不依賴特定模型結構。若未來能與主流 IDE、CI/CD 流程深度整合，PromptMN 有望成為 AI‑輔助開發的標準化訊息格式，進一步降低工程師與 AI 之間的溝通成本。
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
