DSL让LLM更可靠：Martin Fowler详解领域特定语言的约束力量

2026年7月，Martin Fowler网站发表了Unmesh Joshi撰写的文章，深入探讨了DSL（Domain-Specific Language）如何让LLM的输出更加可靠。文章的核心论点简洁有力：通用编程语言（如Java）允许大量不同方式表达同一意图，而DSL通过剥离这种变异性，使LLM的输出更加可预测。

文章指出，由于DSL的受限语法，仅需少量上下文示例（in-context examples）就能有效引导LLM生成正确语法。更关键的是，主流LLM在训练阶段已大量接触PlantUML、Mermaid、SQL、Kubernetes YAML等常见DSL，因此并非从零开始学习。这使得DSL成为LLM天然的友好伙伴。

DSL最关键的技术优势在于其确定性的验证机制。文章详细描述了四种验证手段：parser（语法层面结构验证）、JSON Schema（数据格式约束）、type checker（类型安全验证）和编译器（完整编译期校验）。这些验证器构成了Agent模式下的自动修复闭环：LLM生成候选代码，验证器检查并返回错误，LLM根据错误信息自动修复，全程无需人工介入。

尤为重要的是，DSL的错误信息处于领域语义层面。例如验证器会返回"你不能在选择客户端之前选择操作"这样的业务语义错误，而非深埋在生成代码中的堆栈跟踪。这使得LLM能更有效地理解和修正错误，因为错误信息本身就是LLM擅长处理的自然语言。

文章以Tickloom项目为例展示了内部DSL的验证策略。通过渐进式接口（Progressive Interfaces）强制执行语法顺序——不能在定义拓扑结构之前声明步骤。类型系统使得不合法的场景直接无法编译，而非运行时才暴露问题。编译错误精确定位到非法步骤，而非模糊的运行时异常。

即使不构建完整DSL，干净的领域抽象也能达到类似效果。Tickloom的语义模型仅由四个核心抽象构成：Process/Replica（计算与消息处理）、Network（通信）、Storage（持久化）和Clock（逻辑时钟）。这些既定的抽象消除了线程模型、网络模式、时序语义等开放性问题，使LLM几乎没有幻觉空间。

文章的最终主张发人深省：DSL和语义模型才是真正的source of truth（真相之源），而非prompt。一个设计良好的DSL足以承载完整意图，即使原始prompt丢失，DSL本身仍可作为LLM的充分上下文继续工作。这为AI时代的软件设计提供了重要启示：与其依赖脆弱的prompt工程，不如构建强约束的领域语言。

---

术语注释

1. DSL（Domain-Specific Language）：领域特定语言，为解决某一特定领域问题而设计的受限语言。与Java、Python等通用编程语言不同，DSL只关注领域概念，如SQL用于数据库查询、正则表达式用于文本匹配。其受限性使得语法更简洁、验证更严格。
2. 变异空间（Variation Space）：指同一意图可以用多少种不同方式表达。通用编程语言的变异空间很大，LLM可能生成各种风格迥异的代码；DSL通过限制语法，大幅缩小变异空间，使输出更可预测。
3. In-context examples（上下文示例）：在提示词中提供给LLM的少量输入-输出示例，用于引导LLM理解期望的输出格式和模式。DSL的受限语法使得少量示例即可覆盖大部分用法。
4. Source of truth（真相之源）：系统中唯一权威的信息来源。文章主张DSL本身应作为项目的真相之源，而非prompt，因为DSL是确定性的、可验证的、可维护的。

延伸阅读：更好的模型更差的工具：Flask作者揭示LLM工具调用退化, Antirez：掌控想法而非代码——AI时代程序员的核心价值