简要背景回顾
Wenli 不仅仅是另一种脚本语言，它是一场实验。我们的目标是打破自然语言的“模糊性”与机器指令的“确定性”之间的屏障。通过 Lark 解析器，Wenli 已经能够将类自然语言的语法结构精准转化为抽象数据树（ ADT ），为后续的 AI 代理（ Agent ）调用打下了坚实的语法基础。
代码示例与对比
为了直观理解 Wenli 的表达力，我们来看一个典型的“技能调用”场景。
Wenli 源码
---
# 核心翻译流水线
## 输入：原始链接、目标语言（字符串）
## 参数：
- 最大重试次数：3
- 严格模式：真
- 默认模型：“gpt-4o”（模型类型）
## 输出：
- 最终结果：Markdown 文本
- 总耗时：数值
#### 这是单行注释，不应该被解析进 AST
使用网页加载器处理原始链接，保存为网页源码（ HTML 文本）、加载状态。
- 超时时间：30
- 代理：“http://localhost:8080”
如果使用状态检查器处理加载状态以得到加载成功为假，则：
报错“网页加载失败，无法继续”。
否则：
“提取主要正文，翻译为{目标语言}”，保存为提取正文。
> 网页源码
- 温度：0.7
结束判断加载成功。
---
# 批量数据与循环测试
## 输入：文件列表
## 输出：结果报告
使用初使化工具处理文件列表，保存为队列。
对于队列中的每一个文件：
如果“检查文件类型”以得到是否为图片为真，则：
“描述这张图片：{文件}”，保存为图片描述。
- 视觉模式：真
否则：
使用文本读取器处理文件，保存为文本内容。
结束判断是否为图片。
结束处理文件。
---
# 代码生成器与多重赋值测试
## 输入：用户需求
## 输出：
- 代码行数：数值
` ``python
def setup_env():
print("Environment ready for AST testing!")
` ``
“生成相应的测试代码：{用户需求}”，保存为测试代码（代码文本）。使用保存器处理测试代码、用户需求，保存为保存状态。
“{测试代码} 保存到 临时文件夹 并运行”，保存为临时文件路径。
- 工具：写入文件、用户确认
`wc -l {临时文件路径}`，保存为代码行数。
> 临时文件路径
等效的 Python 代码
def 核心翻译流水线(原始链接, 目标语言: 字符串, 最大重试次数=3, 严格模式=真, 默认模型=模型类型(gpt-4o)) -> tuple[Markdown 文本, 数值]:
网页源码: HTML 文本, 加载状态 = 网页加载器(原始链接, kwargs={'超时时间': '30', '代理': 'http://localhost:8080'})
if (加载成功 := 状态检查器(加载状态)) == False:
raise RuntimeError(网页加载失败，无法继续)
else:
提取正文 = llm_agent('提取主要正文，翻译为{目标语言}', args=(目标语言,), kwargs={'温度': 0.7}, history=['网页源码'])
return 最终结果, 总耗时
----------------------------------------
def 批量数据与循环测试(文件列表) -> tuple[Any]:
队列 = 初使化工具(文件列表)
for 文件 in 队列:
if (是否为图片 := llm_agent('检查文件类型')) == True:
图片描述 = llm_agent('描述这张图片：{文件}', args=(文件,), kwargs={'视觉模式': '真'})
else:
文本内容 = 文本读取器(文件)
return 结果报告
----------------------------------------
def 代码生成器与多重赋值测试(用户需求) -> tuple[数值]:
def setup_env():
print("Environment ready for AST testing!")
测试代码: 代码文本 = llm_agent('生成相应的测试代码：{用户需求}', args=(用户需求,))
保存状态 = 保存器(测试代码, 用户需求)
临时文件路径 = llm_agent('{测试代码} 保存到 临时文件夹 并运行', args=(测试代码,), tools=['写入文件', '用户确认'])
代码行数 = run_shell(wc -l {临时文件路径}, history=['临时文件路径'])
return 代码行数
----------------------------------------
设计哲学：在“文”与“理”之间寻求平衡
Wenli 的核心命名便揭示了它的灵魂：“文”代表语言的表达能力与灵活性，“理”代表严谨的架构逻辑与执行约束。
A. 语言能力与严格架构的博弈
我们不希望 Wenli 变成一个漫无边际的 Prompt 集合，也不希望它像 C++ 那样充满内存管理的琐碎细节。
B. 原生支持的核心特性
Wenli 在语法层面原生集成了现代 AI 开发的必备要素：
征途前瞻：Wenli 的下一步
目前我们已经完成了语法的解析与校验，接下来的开发计划将围绕如何让 Wenli “跑起来”且“好用”展开：
[ol]
[/ol]
Wenli 不仅仅是在写程序，它是在为 AI 编织思考的纹理。 我们相信，未来的编程不再是人去适应机器，而是人与机器共同拥有一种“文理兼修”的语言。欢迎对此感兴趣的 Geek 们一起交流，共同见证 Wenli 的进化。欢迎大家一起讨论！
