文章总结： 本文介绍了一种名为IntentLang的编程方法，它通过修改CPython的字符串类型，让自然语言描述直接成为可执行的代码。开发者可以使用类似计算1到100的和.o(int)这样的语法来执行操作、处理数据、控制条件分支，甚至创建和操作复杂对象。该方法还支持缓存已执行的意图以提高效率。
综合评分： 75
文章分类： AI安全,安全开发,技术标准,其他
为了创造 AI-native programming language, 我 hack 了 CPython 的 str
原创
l3yx l3yx
淚笑的赛博日记
2026年1月11日 16:36 浙江
上一篇文章 《IntentLang：以第一性原理与意图工程重建 AI Agent》 刚发布没几天，就收到很多师傅的反馈说晦涩难懂。我重新审视了一下，确实文章直接以我个人的视角去描述了很多只有我自己在做 Agent 开发时遇到的痛点，另外我文中举的例子又太过简单，不足以描述我到底在用 IntentLang 解决什么样的问题。而且也用了 AI 进行润色，确实让文章比较抽象。
另外就是大多数人其实不关注什么是 LLM 的原始推理结果，什么是模型厂商在此之上对外提供的 API 协议封装，支持工具调用的模型究竟和普通模型有什么不一样，Function Calling 到底是一种模型能力、协议约定还是运行时机制，让 LLM 看起来 “拥有记忆” 的本质究竟是什么，在应用层又该如何实现。
但我还是不想放弃介绍 IntentLang，于是我想到了一个很酷，也很 Geek 和 Hacker 的方法：直接在语言层面 “hack” Python，让字符串本身成为一个可执行的 Intent，贯彻人类意图就是一等公民。
而这么做之后，IntentLang 也似乎向 ANPL（AI-native programming language）又更近了一步。
Vibe Coding 与 Intent Coding
目前的 Vibe Coding 指的是开发者通过自然语言描述需求，驱动 AI 编程工具去生成代码，开发者只需要关注需求和方向，甚至可以不在意代码细节，专注于最终目标。
Intent Coding
所以 Vibe Coding 是自然语言驱动 AI 进行编程，而 IntentLang 或者说 Intent Coding 是以 AI 为基础的自然语言编程。自然语言编程不是生成代码，而是直接成为代码。这篇文章我也不想再讲抽象的概念，直接给出代码示例：
from intentlang import MagicIntent
MagicIntent.hack_str()
result = "计算1到100的和".o(int)
print(result)
$ python3 test.py
5050
是的，你没有看错，上述的代码是真实可运行的，你要做的仅仅是描述意图（自然语言的字符串就是意图），指定输出类型，然后就足够了，可以让开发者在 Python 世界里感受到 “言出法随”。
而且不仅如此，你还可以处理已有数据：
from intentlang import MagicIntent
MagicIntent.hack_str()
data = {"name": "leixiao", "age": 26, "city": "Hangzhou"}
result = "转成一个结构清晰的表格".i(data).o(str)
print(result)
$ python3 test.py
| Key | Value |
|-----|-------|
| name | leixiao |
| age | 26 |
| city | Hangzhou |
通过自然语言控制条件分支：
from intentlang import MagicIntent
MagicIntent.hack_str()
login_data = {"login_failures": 12}
if "这个用户是否应该被封禁？".i(login_data).o(bool).c("登陆失败次数超过10次的需要封建").r('先看一下登陆数据结构,不要猜测 key'):
print("Yes")
else:
print("No")
$ python3 test.py
Yes
还可以无中生有：
import socket
from intentlang import MagicIntent
MagicIntent.hack_str()
sock: socket.socket = "创造一个 socket 对象,并向 example.com 发起 GET 请求".o(socket.socket).r("不要读取数据,不要关闭 socket")
print(sock)
print(sock.recv(15).decode())
sock.close()
$ python3 test.py
<socket.socket fd=10, family=AddressFamily.AF_INET, type=SocketKind.SOCK_STREAM, proto=0, laddr=('192.168.1.6', 58427), raddr=('104.18.27.120', 80)>
HTTP/1.1 200 OK
接力操作复杂对象：
import socket
from intentlang import MagicIntent
MagicIntent.hack_str()
sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
sock.connect(('example.com', 80))
request = b"GET / HTTP/1.1\r\nHost: example.com\r\n\r\n"
"用 socket 对象发送这段数据请求, 不需要读取".i({'sock': sock, 'request': request})()
print(sock.recv(15).decode())
sock.close()
$ python3 test.py
HTTP/1.1 200 OK
最后再来做个算法题吧：
from intentlang import MagicIntent
MagicIntent.hack_str()
s = "abcabcbb"
length = "找出其中不含有重复字符的最长子串的长度".i(s).o(int)
print(length)
$ python3 test.py
3
Intent 的缓存与复用
前文的例子中，其实大多数意图都是固定的逻辑，也就是说意图被 AI 推理执行后，意图的执行过程是可以缓存的，下次再次执行同样的意图无需再次经过 AI 推理，直接复用上一次 AI 生成的代码即可。在 MagicIntent 中可以用 MagicIntent.hack_str(cache=True) 语句设置。
以算法的代码为例，会在当前目录下的 .intent_cache 目录生成缓存文件：
而且代码逻辑与输入的数据是解耦的，所以可以随意更换数据，之前的缓存代码依然可复用：
from intentlang import MagicIntent
MagicIntent.hack_str(cache=True)
s = "abcabcbb"
length = "找出其中不含有重复字符的最长子串的长度".i(s).o(int)
print(length)
s = "bbbbb"
length = "找出其中不含有重复字符的最长子串的长度".i(s).o(int)
print(length)
s = "pwwkew"
length = "找出其中不含有重复字符的最长子串的长度".i(s).o(int)
print(length)
$ python3 test.py
3
1
3
MagicIntent.hack_str(cache=True) 会控制所有魔法意图（由 Python 字符串直接书写的意图）的缓存行为，如果要差异化控制每一个意图的缓存行为，或者有异步调用的需求，还是建议用 IntentLang 的 Intent 类，具体使用方法可以参考仓库 README： https://github.com/l3yx/intentlang#compilation-and-execution 。
黑客的语法糖
A Geek Idea, Implemented in a Hacker Way.
其实以上把自然语言字符串本身变成一个可计算对象只算是 IntentLang 的一个 “语法糖”，以下两段代码是等价的：
from intentlang import MagicIntent
MagicIntent.hack_str()
result = "计算1到100的和".o(int)
print(result)
from intentlang import Intent
intent = Intent().goal("计算1到100的和").output(result=(int, ""))
result = intent.run_sync().output.result
print(result)
但后者远没有前者 Cool，也会被质疑 “这和其他 Agent 框架有什么区别？”。
然后这一小节本来还想讲一下我是如何 “hack” CPython 的 str 的，但想了下其实有了 AI 之后也没必要，大概提几个关键点吧：
- 我在代码层，修改了 CPython 类型对象的内部结构，为 str 插入了自定义的几个方法
- 在字符串上调用
.i() .o() .c() ...这些方法其实是在构造一个MagicIntent对象 MagicIntent相当于一个 “Value Proxy”，本身不保存值，保存的是Intent对象- 为
MagicIntent重载了如__str__，__float__，__add__，__getattr__等魔术方法 - 在代码中进行任何对 MagicIntent 的观察和计算的行为，都会最终触发
Intent.compile(...).run_sync()
完整的关键代码如下，如果对细节原理感兴趣的话可以拿这段代码问一下 AI ：
import ctypes
import gc
from typing import Type, Callable, Tuple, Any
from intentlang import Intent
class MagicIntent:
_max_iterations: int = 30
_cache: bool = False
_record: bool = True
def __init__(self, goal: str):
self.intent = Intent().goal(goal)
self._result: Any = None
self._executed: bool = False
def o(self, type: Type) -> "MagicIntent":
self.intent.output(result=(type, ""))
return self
...
def __call__(self) -> Any:
ifnot self._executed:
ifnot self.intent._output:
self.intent.output(result=(bool, "success"))
self._result = self.intent.compile(
max_iterations=MagicIntent._max_iterations,
cache=MagicIntent._cache,
record=MagicIntent._record
).run_sync().output.result
self._executed = True
return self._result
def __bool__(self) -> bool:
return bool(self())
def __int__(self) -> int:
return int(self())
...
@classmethod
def hack_str(cls, max_iterations: int = 30, cache: bool = False, record: bool = True):
cls._max_iterations = max_iterations
cls._cache = cache
cls._record = record
def o(self, p) -> "MagicIntent":
magic_intent = cls(self)
magic_intent.o(p)
return magic_intent
def i(self, p) -> "MagicIntent":
magic_intent = cls(self)
magic_intent.i(p)
return magic_intent
...
referents = gc.get_referents(str.__dict__)
real_dict = next(obj for obj in referents if isinstance(obj, dict))
real_dict['o'] = o
real_dict['i'] = i
...
ctypes.pythonapi.PyType_Modified(ctypes.py_object(str))
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：淚笑的赛博日记 l3yx l3yx《为了创造 AI-native programming language, 我 hack 了 CPython 的 str》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论