在生成式AI与人类的交互中，提示（Prompting）已成为主要界面，然而许多自然语言提示仍显得脆弱：角色、目标、约束和预期输出往往被埋藏在冗长的文本中或隐含不明。在代理和软件开发工作流中，第一步的误读可能在每一步传播，因为大部分代理失败源于上下文模糊，而非模型局限。\n\n本文介绍了PromptMN，这是一种伪提示领域特定语言（DSL），通过紧凑的以%为前缀的类型指令对自然语言进行注释，涵盖角色、目标、要求、优先级、约束、计划、输入和输出。语义解析允许作者按任何顺序书写，而模型则根据功能解释指令。PromptMN处于非正式提示和编程风格伪代码之间：结构足够清晰可检查和可重用，但又足够轻量，适合分析师、经理、开发者和软件开发生命周期（SDLC）中的利益相关者使用。\n\nPromptMN还可与反向提示工程结合使用。用户可以请求模型将期望结果重述为PromptMN，从而检查推断出的角色、目标、约束和缺失假设，减少修复周期，并生成可重用的工件以对齐人类与AI工具的合作。\n\nPromptMN的可行性在多个前沿模型上进行了评估，包括Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro和GPT-5.5。这些模型能够正确解析PromptMN指令，包括复杂结构，如重复、条件、方法和质数检查任务，而无需微调。相同的词汇可适用于新代码库、维护和SDLC情境中的重新设计。虽然大规模验证仍需未来工作，但这些早期结果表明，PromptMN是实现更清晰、更可审查的人机交互的实用步骤。\n\n博主点评： PromptMN通过引入结构化的指令，显著提升了人机交互的清晰度和可控性，尤其是在复杂的开发流程中，有助于减少因模糊性导致的错误。这一创新不仅优化了提示的使用，还为未来的AI与人类协作提供了更强的基础。