Plang：融合自然语言与控制流的大语言模型高效提示工程语言

本研究针对现有提示工程方法在生成控制精度和自然语言语法亲和性方面的局限，提出了一种名为PromptLanguage（Plang）的字符串优先编程语言。该语言创新性地利用字体样式作为语法关键词，无缝集成自然语言提示文本与控制流代码，实现了对生成过程的精确干预，同时保持了提示程序的自然语言亲和性。实验结果表明，Plang编写的提示程序在可读/可写性、干预精度方面表现优异，效率提升高达89.55%。这项工作为构建可靠、可维护的大语言模型应用提供了新的有效范式。

　　

随着以ChatGPT为代表的指令跟随大语言模型（LLM）的出现，生成式自回归自然语言模型在通用任务上的性能得到了显著提升，这被认为是通向通用人工智能（AGI）的关键里程碑。然而，一个核心挑战在于：LLM的性能高度依赖于提示（Prompt）的有效性。现有的提示构建方法，包括提示字符串模板、提示编程框架和提示编程语法糖，都存在生成控制不精确和偏离自然语言语法的问题，这严重阻碍了提示工程技术的进一步发展。

想象一下，当你试图让一个强大的语言模型完成一项复杂任务时，比如进行多轮对话、使用外部工具或进行多智能体协作，你很可能需要精心设计一段“咒语”般的提示词。传统方法就像是在用笨拙的工具雕刻精美的艺术品——字符串模板虽然直观但控制力弱；编程框架功能强大但代码臃肿，将有效的提示逻辑淹没在大量的模板代码中；语法糖方法简化了API调用，但其语法本身却与自然语言相去甚远，不符合大语言模型时代的自然语言编程趋势。这些局限性使得精确、交互式且可维护地引导LLM生成内容变得异常困难。

为了突破这些瓶颈，来自西安电子科技大学的研究团队在《Expert Systems with Applications》上发表了一项创新研究，他们提出了PromptLanguage（Plang），一种专为LLM提示工程设计的字符串优先编程语言。这项研究的核心创新在于，它巧妙地利用字体样式（如蓝色代表自然语言文本，绿色代表控制流代码）作为语法关键词，将自然语言提示文本与控制流代码无缝地编织在一起。这种设计使得开发者能够以高度自然的方式编写提示程序，同时又能对LLM的生成过程进行精确的、程序化的干预，好比给自然语言对话装上了精准的“方向盘”和“刹车”。

关键技术方法

为了实现自然语言与控制流的融合，Plang的核心技术方法包括：1. 基于字体样式的语法设计：利用视觉上区分明显的字体颜色（蓝色代表自然语言提示文本，绿色代表控制流代码）作为语法分隔手段，实现字符级透明性，确保提示文本的完整性。2. 惰性求值（Lazy Evaluation）与控制流引擎：Plang采用三阶段方法，先解析提示程序源代码为自然语言字符串进行LLM顺序提示；识别嵌入的控制流代码后暂停提示循环；最后逐步应用惰性求值将控制流结构展开为字符串再恢复LLM提示。3. 功能插件体系：通过13个核心功能插件（如complete生成文本、select选择文本、call元编程、match正则生成、if条件分支等）解耦解释器与控制流功能，实现LLM能力与流程控制的模块化集成。4. 元提示编程（Meta-Prompt Programming）：创新性地允许功能插件动态修改提示程序源代码本身，使LLM能够自主推理并选择功能插件，实现自我提示程序修改。

Plang的架构与工作机制

自然文本与控制流混合的提示编程方法

Plang的基本结构由代码块组成，具体分为提示文本块和控制流块，它们交织在一起构建复杂的提示工程程序源代码。其基本公式可表示为llm_plang(·) = ?_c=1^N llm(p_c-1 ← E(b_c))，其中p代表LLM的上下文，b指一个Plang程序块，E(·)代表控制流引擎，←象征向上下文追加的操作。该方法的根本原理是：在干预条件b_c处暂停生成，插入由控制流引擎惰性求值得到的文本p_c = E(b_c)，然后恢复生成。这将朴素的LLM llm(·)升级为控制流条件的LLM llm_plang(·)。

关键词与语法

Plang采用极简的关键词和语法，仅包含5个关键词：“字体样式”（蓝色为自然文本，绿色为控制流）、“as”（赋值）、“or/and”（列表）、“;”（分隔符）和“do/done”（子程序）。其语法模式允许源代码包含任意数量的交织的提示文本块和控制流代码块。这种字体样式为基础的句法区分至关重要，它提供了一个正交的句法维度，无需消耗自然语言流中的任何字符，从而确保其对于LLM处理的完全透明性和完整性。

功能插件

Plang通过一套功能插件集成LLM能力与控制流机制，包括13个插件：‘complete’（生成文本）、‘select’（选择文本）、‘call’（元编程）、‘match’（正则生成）、‘read’（用户输入）、‘set’（求值）、‘if’（条件分支）、‘while（条件循环）、for（迭代循环）、compare（值比较）、break（循环中断）、continue（循环跳过）和comment`（块注释）。其中：

• •
  select插件通过约束选项集修改LLM的下一个令牌概率分布，引导LLM从提供的文本选项中进行精确选择。
• •
  match插件利用正则表达式部分匹配作为动态约束，实时确定性地修改LLM的下一个令牌概率分布，引导LLM生成符合指定正则表达式的文本。
• •
  call插件通过Plang解析引擎提供的元编程接口，实现LLM驱动的动态插入Plang源代码片段到提示程序中，从而允许LLM修改自己的提示程序，这是元提示编程能力的关键体现。

案例研究与应用分析

多轮聊天机器人案例

该案例展示了Plang通过自然语言文本和控制流代码的无缝集成实现提示工程的创新方法。一个仅需数行代码的Plang程序即可实现一个功能完整的多轮对话机器人。程序通过while循环构建多轮对话结构，使用自然语言标记（如## USER, ## ASSISTANT）明确声明话语角色，结合read插件处理用户输入和complete插件生成助手响应。尽管程序没有显式的聊天历史管理逻辑，但得益于Plang的自动LLM上下文管理能力，助手能够成功保持对用户身份的上下文感知，展示了所有信息流（自然文本、控制流返回值、循环展开）都被自动维护到LLM上下文中。

工具使用案例

该案例基于ReAct范式，展示了Plang在精确控制LLM生成过程和与外部系统无缝交互方面的能力。程序通过嵌套的while结构协调多轮问答和ReAct过程迭代，使用自然语言标签（如Thought, Action, Observation）精确引导LLM遵循工具使用的分析、调用和总结逻辑。关键的是，它利用select插件强制LLM在工具和最终答案之间进行选择，并利用call插件进行元编程以调用工具并将其返回值维持在LLM上下文中。这消除了手动实现工具参数提取和错误处理例程的需要，实现了LLM与外部系统交互中“中断-追加-推理”循环的无缝处理。

多智能体协作案例

该案例实现了一个类似AutoGen的多智能体会话协作程序（称为miniAutoGen）。程序使用自然语言定义智能体角色和协作任务，通过while循环和select插件构建多智能体多轮会话循环，指导LLM进行发言者选择，并使用complete插件生成相应话语。当“Tester”被选为发言者时，程序会调用第三方Python工具来执行“Programmer”编写的代码。结果表明，仅用14行控制流代码就实现了智能体自我组织、协商、规划、业务代码实现、代码测试、任务完成验证和会话终止等核心功能，显著优于需要数千行Python代码的AutoGen等框架，凸显了Plang在可读/可写性、可维护性、精确干预和可扩展性方面的优势。

定量分析

客观指标评估

在提示编程效率方面，与LangChain、AutoGen、Guidance和SGLang相比，Plang在实现相同提示程序逻辑的情况下，源代码长度减少了40.75%至89.55%，证明了其卓越的效率和表现力。

在生成干预范式方面，Plang不仅原生支持提示重试、暂停引导和过程控制范式，还独家支持元干预范式，允许LLM自主利用暂停引导和过程控制机制进行自我干预。

在工具接口范式方面，Plang原生支持程序控制、多轮对话、暂停追加和元编程方法，其中元编程是其独特且前景广阔的特性。

主观指标评估

对20名拥有提示工程专业经验的AI工程师进行的调查显示，Plang在可读/可写性、可维护性、机制灵活性和可学习性四项主观指标上均获得最高分，平均得分达4.7（5分制），显著高于其他主流提示编程方法。这表明Plang提出的自然语言文本与控制流混合的提示编程范式更符合人类LLM交互和编程的认知模型。

研究结论与展望

本研究提出了一种将自然语言与控制流无缝融合的高效LLM提示方法，并实现为专为LLM提示工程设计的字符串优先编程语言Plang。该方法利用基于字体样式的语法来编排自然语言提示和流控制代码，并通过运行时惰性求值动态展开控制流，从而有效综合了自然语言亲和力和控制流精度。全面的案例研究和定量分析表明，Plang编写的提示程序在可维护性、交互性和干预精度方面表现出色，效率提升高达89.55%。这项工作推进了LLM提示工程的构建范式。

当然，Plang也存在一些局限和未来方向。首先，其在追求精确、细粒度控制的同时，运行时性能尚未进行深度优化，存在控制粒度与执行效率之间的权衡，未来工作将系统解决执行效率问题。其次，尽管语法已高度自然化，但仍保留了一些半结构化标签，并且由于自然语言表达嵌套逻辑关系的困难，对直接句法嵌套的支持有限，这是为了最大化自然语言亲和力和最小化句法侵入性而做出的有意识的设计权衡。

总之，Plang代表了一种新颖有效的提示范式，弥补了传统方法的不足。在LLM实现完美的自然语言指令跟随能力之前，Plang将为构建健壮的LLM应用提供有价值的贡献。未来的研究将进一步提高Plang的执行速度并扩展提示编程范式，特别是探索由LLM自身驱动将自然语言表达的控制流指令翻译成精确指令代码的可能性。