生成AIの急速な普及に伴い、プロンプティングは人間とAIを繋ぐ重要なインターフェースとなっています。しかし現在のほとんどの自然言語プロンプトは脆弱であり、役割や目標、制約条件、期待される出力などが文章に埋め込まれているか暗黙的なままになっています。特にエージェント型AIやソフトウェア開発ワークフローではこの問題が深刻で、最初の指示の誤読が後続のステップに波及し、エージェント失敗の多くはモデル自体の限界ではなく文脈の曖昧性に起因しているのが現状です。 このような背景から、MIT研究チームが提案したのが「PromptMN」という疑似プロンプト専用言語です。PromptMNは自然言語に対して「%」で始まる型付けされたコンパクトな指令を付与することで、役割、目標、要件、優先度、制約条件、計画、入出力などを明示的に注釈します。セマンティック解析により、著者は任意の順序で記述しても、モデルは機能別に指令を解釈できるため、柔軟性と構造化のバランスが取られています。 PromptMNの評価は複数の最先端モデル（Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro、GPT-5.5など）で実施され、いずれもファインチューニングなしに複雑な繰り返しや条件分岐、素数判定タスクといった複雑な構造を正しく解析できることが確認されました。さらにリバースプロンプト工学と組み合わせることで、ユーザーがモデルに望ましい結果をPromptMNで再述させ、推論された役割や制約、暗黙の仮定を事前に検査できるため、修正サイクルを削減できます。 PromptMNはインフォーマルなプロンプティングとプログラミング形式の疑似コードの中間に位置する手法として、ソフトウェア開発ライフサイクル全体のアナリスト、マネージャー、開発者、ステークホルダーを巻き込んだ協働を支援する実用的なツールとなる可能性を示しています。