Prose

核心用法

OpenProse 是专为 AI 会话设计的编程语言，核心思想是将 LLM 视为可模拟的虚拟机——通过精确的语义描述，让模型不仅"理解"系统，而是"成为"该系统。用户编写 .prose 文件，使用 prose run、prose compile、prose help 等命令与虚拟机交互。

执行流程：读取 prose.md 定义 VM 语义 → 加载状态后端（默认文件系统）→ 逐条执行程序语句（session、task、agent 等）→ 通过 Task 工具派生子会话实现真正的并行计算。

关键语法：session "name" { model: "sonnet"; system: "..."; prompt: "..." } 定义任务；use "url-or-handle" 加载远程程序；**...** 标记需智能判断的评估点。

显著优点

1. 真正的多智能体并行：不同于伪并行，每个 session 触发独立的 Task 工具调用，子会话在独立上下文运行
2. 状态持久化灵活：支持文件系统（默认）、对话内上下文（简单场景）、SQLite（事务查询）、PostgreSQL（团队协作）四种模式
3. 可组合与复用：通过 use 语句加载远程 .prose 程序，支持 URL 或简写的 registry 句柄（user/slug）
4. 丰富的示例生态：37 个示例程序覆盖从 Hello World 到"从零构建浏览器"的复杂场景
5. 清晰的执行语义：VM 化设计使行为可预测、可调试、可恢复

局限性与风险

• 实验性功能：SQLite 和 PostgreSQL 状态模式标记为实验性，后者需要额外配置数据库连接且存在凭证泄露风险（文档明确警告）
• 依赖模型能力：**...** 智能评估点依赖 LLM 的判断力，结果可能不一致
• 学习曲线：声明式语法需要理解 VM 模拟语义，初学者需参考 patterns.md 和 antipatterns.md
• 上下文占用：compiler.md 体积较大，编译后建议 /compact 或新建会话

适合人群

• 需要编排多 AI 代理完成复杂工作流的研究者与开发者
• 追求可复现、可版本控制的 AI 自动化场景
• 希望将 LLM 交互从即兴对话升级为可编程系统的技术团队

常规风险

• 凭证暴露：PostgreSQL 模式下数据库 URL 会传递给子会话并出现在日志中
• 状态文件管理：文件系统模式在 .prose/runs/ 目录产生大量运行时文件
• 远程代码执行：use 语句加载远程程序时缺乏内置签名验证，依赖 URL/句柄的可信度

核心用法

OpenProse 是一种专为 AI 会话设计的编程语言，其核心理念是将大型语言模型（LLM）视为可编程的虚拟机。用户通过编写 .prose 文件来定义多智能体工作流，系统通过 prose run、prose compile、prose help 等命令执行或验证程序。

该技能的核心机制包括：

• VM 模拟执行：读取 prose.md 规范后，LLM 自身即成为虚拟机，通过会话上下文模拟程序状态
• 多智能体编排：使用 session 语句生成子代理（Task 工具调用），实现并行计算、流水线处理和持久化协调
• 远程程序加载：支持从 URL 或 p.prose.md 注册表获取 .prose 程序，实现代码复用和生态共享
• 灵活状态管理：提供文件系统（默认）、内存上下文、SQLite 和 PostgreSQL 四种状态持久化模式

典型工作流涵盖：代码审查、内容生产流水线、Bug 挖掘、浏览器构建（The Forge 示例）等复杂多步骤任务。

显著优点

1. 原生多智能体支持：区别于传统脚本语言，OpenProse 从语法层面内置智能体定义、会话生成和记忆管理，大幅降低分布式 AI 应用开发门槛。

2. 声明式工作流：用户以声明方式描述"做什么"而非"怎么做"，由底层 LLM 处理执行细节，适合快速原型设计和迭代。

3. 状态可恢复性：文件系统和数据库状态模式支持工作流中断恢复、调试和审计，适合长时间运行的生产任务。

4. 生态与复用：远程程序注册表和 use 语句支持模块化编程，用户可引用社区贡献的标准工作流。

5. 零外部依赖：纯 Markdown 文档结构，无需安装额外运行时，依托宿主环境的 LLM 能力即可运行。

潜在缺点与局限性

1. 执行不确定性：依赖 LLM 的"智能评估"（**...** 标记），相同程序可能产生不同结果，不适合需要严格确定性的场景。

2. 资源消耗风险：子代理生成无硬性上限，错误设计的循环或并行分支可能导致 Token 消耗失控。

3. 远程代码信任问题：从 URL 或注册表加载的程序未经签名验证，存在供应链攻击风险。

4. PostgreSQL 凭证暴露：数据库连接字符串会传递至子代理上下文并可能记录在日志中，安全敏感场景需特别处理。

5. 调试复杂性：多智能体交互的异步特性使得问题定位困难，当前缺乏可视化调试工具。

6. 实验性功能成熟度：SQLite 和 PostgreSQL 状态模式标记为实验性，生产环境稳定性待验证。

适合的目标群体

• AI 应用开发者：需要快速构建多智能体协作系统的工程师
• 自动化工作流设计师：寻求将重复性知识工作（代码审查、内容生产、研究分析）自动化的团队
• LLM 高级用户：熟悉提示工程，希望系统化、可复用地管理复杂 AI 交互的专业人士
• 原型验证团队：需要快速验证 AI 驱动产品概念的初创团队
• 教育与研究人员：探索 LLM 作为计算原语的学术界用户

不适合：对执行确定性有严格要求的核心金融交易系统、安全关键型工业控制场景。

使用风险

1. Token 成本风险：多智能体并行执行可能快速累积 API 调用成本，建议设置预算告警。

2. 数据持久化风险：.prose/runs/ 和 ~/.prose/agents/ 中的记忆文件可能累积敏感信息，共享环境需定期清理。

3. 提示注入风险：缺乏强制性输入验证，外部输入可能被恶意构造以操纵代理行为。

4. 依赖可用性风险：实验性状态模式依赖外部数据库或 CLI 工具，环境配置不当会导致执行失败。

5. 版本兼容性：技能处于早期版本（0.1.0），未来更新可能引入破坏性变更，关键工作流应锁定版本。