Python 为人类而生，Mapanare 为 AI 而建

Source: Dev.to

当今语言的问题

你今天使用的每一种语言都是为人在终端输入代码而设计的。Python、JavaScript、Rust、Go——全部如此。它们提供的抽象——函数、类、线程——都是为人类能够阅读每一行代码的世界而构建的。

而这个世界正在结束。

• AI 正在每天编写更多代码。
• 代理正在编排其他代理。
• 数据在响应式管道中流动，没人会逐行调试。
• 张量被重新形状、相乘并分配到 GPU 上，这些模式对编译器比对人类更重要。

然而我们仍然使用 1990 年代的语言来编写所有代码，硬接框架，随意粘合 asyncio，祈祷运行时形状能够匹配。

介绍 Mapanare

Mapanare 是首个从另一侧设计的语言——AI 原生。代理、信号、流和张量不是库；它们是语言原语，由编译器检查并在编译时优化。

当 AI 编写 Python 时会发生什么？

Python 于 1991 年为从左到右、从上到下阅读的人工设计。我们现在要求它完成根本不同的任务，这一点已经显现。

Source: …

语言原语，而非库

代理（Agents）

agent Classifier {
    input text: String
    output label: String

    fn handle(text: String) -> String {
        // classification logic
        return "positive"
    }
}

fn main() {
    let cls = spawn Classifier()
    cls.text  filter(fn(x) { x > 2 })
    |> map(fn(x) { x * 10 })
    |> fold(0, fn(acc, x) { acc + x })

|> 管道运算符是语法的一部分。相邻的 map 与 filter 操作会自动融合为一次遍历——这由编译器完成，而不是由开发者或 AI 完成。

具有编译时形状检查的张量（Tensors）

let a: Tensor[3, 3] = identity(3)
let b: Tensor[3, 4] = zeros(3, 4)
let c = a @ b  // shape [3, 4] — checked at compile time

形状不匹配会在 运行前 被捕获。在 Python 中，你只能等到 NumPy 抛出异常时才发现问题。

声明式管道（Declarative Pipelines）

pipe ClassifyText {
    Tokenizer |> Classifier
}

编译器会验证代理之间的数据流，为 AI 提供一个高层次、构造即正确的目标。

编译目标

基准

速度

可表达性（代码行数）

行数越少 → 令牌越少 → LLM 上下文窗口空间越大 → AI 生成的代码质量更好。语言设计会反过来提升 AI 效率。

代数数据类型优于类

enum Shape {
    Circle(Float),
    Rect(Float, Float),
}

fn area(s: Shape) -> Float {
    match s {
        Circle(r) => 3.14159 * r * r,
        Rect(w, h) => w * h,
    }
}

没有类、没有继承、没有虚方法。结构体、枚举和模式匹配为 AI 模型提供了更清晰、更少歧义的目标，减少幻觉。

Source: …

工程学科

• 编译器拥有约 60 个测试文件。
• 每次提交都会运行 CI。
• 完整的语言规范、RFC 流程，以及正在自举的自托管编译器（编译器正用 Mapanare 本身重写）。

这不是一个周末项目的病毒式传播，而是分阶段、深思熟虑的努力：

1. 基础
2. 转译器
3. 运行时
4. LLVM
5. 张量
6. 自托管
7. 生态系统

每个阶段都交付可工作的软件。

.mn source → Lexer → Parser → AST → Semantic Analysis → Optimizer → Emit
                                                               ↓
                                                         Python | LLVM IR
                                                               ↓

Mapanare 是为 AI 而构建的语言，而不是在面向人类的语言上补丁式添加的框架。它的原语、编译器检查和优化使得 AI 生成的代码在构造上即保证正确、简洁，并且可直接用于生产环境。

Interpreter | Native Binary

Lexer: 18 个关键字，29 个运算符
Parser: 带优先级爬升的 LALR
Semantic: 类型检查、作用域分析、内建函数注册表
Optimizer: 常量折叠、死代码消除、代理内联、流融合（‑O0 … ‑O3）
LLVM: 通过 llvmlite 完整的 IR 生成，支持交叉编译目标

---

Installation

Linux / macOS

curl -fsSL https://raw.githubusercontent.com/Mapanare-Research/Mapanare/main/install.sh | bash

Windows (PowerShell)

irm https://raw.githubusercontent.com/Mapanare-Research/Mapanare/main/install.ps1 | iex

Or via pip

pip install mapanare

---

Basic Commands

mapanare run hello.mn          # compile and run
mapanare build hello.mn        # native binary via LLVM
mapanare check hello.mn        # type‑check only

VS Code extension – 包含语法高亮、代码片段以及 LSP 功能（悬停、跳转到定义、诊断、自动完成）。

路线图

自托管编译器最终将能够编译自身——不再依赖 Python。这就是最终目标。

我们在寻找的人选

• AI/ML 工程师 对 Python 的并发模型感到沮丧
• 编译器黑客 渴望在 LLVM 后端或自举编译器上工作
• 语言设计者 想通过 RFC 过程塑造语义
• 构建代理系统的任何人 对框架的更迭感到厌倦

Python 是为人类手写代码而构建的最后一门伟大语言。下一个时代需要不同的东西。

---

GitHub:
Manifesto: Why Mapanare Exists

Mapanare — 以委内瑞拉一种坑蛇命名。快速出击，致命精准，原产于构思诞生之地。