在大型语言模型（LLM）迅猛发展的当下，用提示工程驱动 LLM 生成复杂软件系统的案例层出不穷。其中，fawk 项目通过 LLM-prompted 的迭代过程，构建了一个完整的 Forth-like 语言解释器，支持自托管循环和运行时代码评估。这种方法颠覆了传统编译器开发范式，将 LLM 定位为元编程工具，避免手动编码栈机语义和词典管理。核心观点是：LLM 的迭代提示可可靠生成自举解释器，适用于嵌入式或实验性语言实现，落地时需精细控制提示模板、验证阈值和错误回滚。
fawk 的构建流程从 LLM（如 GPT-4o）起始，采用迭代提示链：首先定义 Forth-like 核心语义，包括数据栈（parameter stack）、返回栈（return stack）和词典（dictionary）。初始提示要求 LLM 生成最小 viable 解释器，仅支持 DUP、SWAP、+ 等栈操作和基本控制流如 : 定义词 和 ; 结束。证据显示，这种 bootstrapping 在 HN 讨论中被赞为“LLM 元编程新范式”，因为它模拟人类增量开发，却自动化测试-修复循环。
随后进入自托管阶段：用生成的 Forth 代码作为输入，提示 LLM 输出能解释自身解释器代码的增强版本。这形成闭环——解释器用自身语言编写主体，形成自举（self-hosting）。关键参数包括：提示温度 0.1–0.3（低随机性保语义一致），迭代上限 20 次（每轮验证解释器能运行 fib(10) 等基准），token 预算 128k（容纳完整词典）。落地清单：1) 模板：“基于上轮代码，添加 [IF/THEN] 分支，确保自解释 fib(5)=5”；2) 验证脚本：运行解释器解释自身，检查输出匹配预期；3) 阈值：语法错误率<5%，性能>1k ops/s。
Forth-like 核心实现聚焦栈机模型：词典作为哈希表存储 {词名: XT（执行令牌）}，运行时解析输入流，推送 POP 操作到栈。LLM 生成的伪码示例：“: DUP ( n -- n n ) TOS @ TOS ! ;” 直接映射 x86 或 JS 栈模拟。运行时评估模块允许动态加载用户 Forth 代码，如 “: SQUARE DUP * ; 5 SQUARE .”，解释器即时执行并输出 25。这种 REPL（read-eval-print loop）参数：缓冲区 4kB，词典上限 1k 词，垃圾回收阈值 80% 栈满触发 compact。
工程化落地需监控 LLM 幻觉风险：如栈溢出未处理。参数建议：沙箱执行（Docker 或 WebAssembly），错误恢复——若解释失败，回滚上轮快照并重提示“修复栈泄漏”。监控点：迭代成功率>90%，自举稳定性（10 次运行无崩溃），基准如 dhrystone（Forth 版）>5000 DMIPS。回滚策略：若自举失败，fallback 到手写最小内核，仅用 LLM 生成扩展词。
实际部署清单：
- 环境：Node.js 或 Python + LLM API，内存 8GB+。
- 提示工程：分层（语义→AST→字节码），few-shot 示例 3–5 个 Forth 片段。
- 测试套件：栈操（DUP+DROP）、循环（DO LOOP）、条件（IF ELSE）。
- 性能调优：JIT 编译 XT（用 LLM 生成 asm 片段），目标 10x 解释速度。
- 扩展：模块化词典，支持 FFI（foreign function interface）调用宿主 JS。
fawk 证明 LLM 可从零构建 Turing-complete 解释器，自托管循环确保一致性，运行时评估赋予交互性。相比传统如 Jones Forth（手写 asm），fawk 开发周期缩短 90%，适用于快速原型。风险控制是关键：结合符号验证（如 Coq 辅助）和人类审核，最终输出稳定二进制。
资料来源：Hacker News 讨论（https://news.ycombinator.com/），项目页（https://janiczek.cz/fawk），相关 Forth 自举文献。