論文の概要: PromptMN: Pseudo Prompting Language

• arxiv url: http://arxiv.org/abs/2606.17164v1
• Date: Mon, 15 Jun 2026 18:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.086242
• Title: PromptMN: Pseudo Prompting Language
• Title（参考訳）: PromptMN: Pseudo Prompting Language
• Authors: Enkhzol Dovdon,
• Abstract要約: 本稿では,提案する擬似プロンプト言語PromptMNについて紹介する。 PromptMNは非公式のプロンプトとプログラミングスタイルの擬似コードの間にあり、検査可能で再利用可能な構造になっている。 PromptMNは、モデルに望ましい結果を返すよう求め、ユーザーは推論された役割、ゴール、制約、そして不足した仮定を検査できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prompting has become the primary interface between humans and generative AI, yet many natural language prompts remain fragile: roles, goals, constraints, and expected outputs are often buried in prose or left implicit. In agentic and software development workflows, a misread at the first handoff can propagate through every step, since a significant portion of agent failures stem from context ambiguities rather than model limitations. This paper introduces PromptMN, a pseudo-prompting domain-specific language that annotates natural language with compact, %-prefixed typed directives covering roles, goals, requirements, priorities, constraints, plans, inputs, and outputs. Semantic resolution lets authors write in any order while the model interprets directives by function. PromptMN sits between informal prompting and programming-style pseudocode: structured enough to be inspectable and reusable, yet lightweight enough for analysts, managers, developers, and stakeholders across the software development lifecycle (SDLC). PromptMN also pairs with reverse prompt engineering. Asking a model to restate a desired outcome as PromptMN lets users inspect the inferred roles, goals, constraints, and missing assumptions before acting, reducing repair cycles and yielding a reusable artifact for aligning people and AI tools. PromptMN's feasibility is evaluated across several frontier models, including Claude Fable 5, Claude Opus 4.8, Gemini 3.1 Pro, and GPT-5.5. The models correctly resolved PromptMN instructions, including complex structures such as repetition, conditionals, methods, and a prime-checking task, without fine-tuning. The same vocabulary applies across new codebases, maintenance, and redesign in the SDLC scenarios presented. While large-scale validation remains future work, these early results suggest PromptMN is a practical step toward clearer, more reviewable human-to-AI interaction.
• Abstract（参考訳）: プロンプティングは人間と生成AIの主なインターフェースとなっているが、多くの自然言語プロンプトは脆弱なままであり、役割、目標、制約、期待されるアウトプットはしばしば散文や暗黙に埋もれている。 エージェントとソフトウェア開発のワークフローでは、最初のハンドオフでの誤読が各ステップを通じて伝播することがある。 本稿では,役割,目標,要件,優先事項,制約,計画,入力,アウトプットを対象とする,自然言語にコンパクトで%修正された型付きディレクティブを付加した擬似プロンプトドメイン固有言語PromptMNを紹介する。 セマンティック・レゾリューションは、モデルがディレクティブを関数で解釈している間に、著者が任意の順序で書くことを可能にする。 PromptMNは、非公式のプロンプトとプログラミングスタイルの擬似コードの間に位置する:検査可能で再利用可能なほどに構成されているが、アナリスト、マネージャ、開発者、ステークホルダーがソフトウェア開発ライフサイクル(SDLC)全体にわたって十分に軽量である。 PromptMNはリバースプロンプトエンジニアリングともペアリングする。 PromptMNは、モデルに望ましい結果を返すように求め、ユーザーは行動する前に推論された役割、目標、制約、不明な仮定を検査し、修復サイクルを減らし、人々とAIツールを調整するための再利用可能なアーティファクトを提供する。 PromptMNの実用性は、Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro、GPT-5.5など、いくつかのフロンティアモデルで評価されている。 モデルは、繰り返し、条件、メソッド、素チェックタスクなどの複雑な構造を含むPromptMN命令を微調整なしで正しく解決した。 同じ語彙は、提示されたSDLCシナリオにおいて、新しいコードベース、メンテナンス、再設計に適用される。 大規模な検証は今後も継続されるが、これらの初期の結果は、PromptMNがより明確でレビュー可能な人間とAIのインタラクションに向けた実践的なステップであることを示唆している。

関連論文リスト

• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Intent Formalization: A Grand Challenge for Reliable Coding in the Age of AI Agents [7.228124845671868]
  エージェントAIシステムは、驚くほどの頻度でコードを生成することができる。 生成されたコードが実際にユーザが意図した通りに動作するようにします。
  論文  参考訳（メタデータ） (2026-03-17T21:28:59Z)
• NormCode: A Semi-Formal Language for Context-Isolated AI Planning [7.3226942109207895]
  推論計画を構築するための半形式言語であるNormCodeを提示する。 各ステップはデータ分離で動作し、明示的に渡された入力のみを受け取り、設計によるクロスステップ汚染を排除します。 我々は,(1)任意の長さの入力に対して100%の精度を達成するベースX加算アルゴリズム,(2)NormCode自身の5フェーズコンパイラパイプラインの自己ホスト実行の2つのデモを通じて,NormCodeを検証する。
  論文  参考訳（メタデータ） (2025-12-11T11:50:50Z)
• PLSemanticsBench: Large Language Models As Programming Language Interpreters [31.611330217819713]
  大規模言語モデル(LLMs)がコード推論に長けているため、自然な疑問が生じる: LLMはプログラム(つまり、インタプリタとして振舞う)を純粋にプログラミング言語の形式的意味論に基づいて実行できるか? 本稿では, 命令型言語IMPを用いて, 小ステップ操作意味論 (SOS) と書き直しに基づく操作意味論 (K-semantics) によって定式化されている問題について検討する。 本稿では,Human-Written,LLM-Translated,Fuzzer-Generatedの3つの評価セットを提案する。
  論文  参考訳（メタデータ） (2025-10-03T18:23:26Z)
• Lang-PINN: From Language to Physics-Informed Neural Networks via a Multi-Agent Framework [54.447408954009454]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)を解くための強力なアプローチを提供する 本稿では,Lang-PINNを提案する。Lang-PINNはLLM駆動のマルチエージェントシステムで,自然言語タスク記述から直接トレーニング可能なPINNを構築する。 実験により、Lang-PINNは、競合するベースラインよりもかなり低いエラーとロバスト性を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-03T08:20:02Z)
• SimStep: Chain-of-Abstractions for Incremental Specification and Debugging of AI-Generated Interactive Simulations [16.00479720281197]
  CoA(Chain-of-Abstractions)は、プログラミングの中核的な能力を取り戻す方法である。 CoAは、合成プロセスを認知的に意味のある、タスクに沿った一連の表現に分解する。 SimStepは4つの中間抽象化を通じてシミュレーションを作成する教師のためのオーサリング環境である。
  論文  参考訳（メタデータ） (2025-07-13T14:54:17Z)
• Type-Constrained Code Generation with Language Models [51.03439021895432]
  本稿では,型システムを利用してコード生成を誘導する型制約デコード手法を提案する。 そこで本研究では,新しい接頭辞オートマトンと,在来型を探索する手法を開発し,LLM生成コードに適切な型付けを強制するための健全なアプローチを構築した。 提案手法は,コード合成,翻訳,修復作業において,コンパイルエラーを半分以上削減し,機能的正しさを著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-12T15:03:00Z)
• LatentQA: Teaching LLMs to Decode Activations Into Natural Language [72.87064562349742]
  自然言語におけるモデルアクティベーションに関するオープンな疑問に答えるタスクであるLatentQAを紹介する。 本稿では,アクティベーションと関連する質問応答ペアのデータセット上で,デコーダLLMを微調整するLatent Interpretation Tuning (LIT)を提案する。 我々のデコーダはまた、ステレオタイプ付き文のモデルのデバイアス化や世代ごとの感情制御など、モデルを制御するために使用する差別化可能な損失も規定している。
  論文  参考訳（メタデータ） (2024-12-11T18:59:33Z)
• Stabilized In-Context Learning with Pre-trained Language Models for Few Shot Dialogue State Tracking [57.92608483099916]
  大規模事前学習言語モデル(PLM)は、多くのNLPタスクにまたがる優れた性能を示している。 対話状態追跡(DST)のようなより複雑なタスクでは、望ましい意図を確実に伝達するプロンプトを設計するのは簡単ではない。 対話文の長さを制限するためのサリエンシモデルを導入し、クエリ毎に多くの例を含めることができます。
  論文  参考訳（メタデータ） (2023-02-12T15:05:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。