路线图：从中文编程到分布式 AI 编程

我们在哪里

四门中文编程语言已经证明：用中文写代码不是玩具，是可以跑起来的工程实践。

• 极快：100+ 代码块生态、三通道统一协议（CLI / LSP / Web）、启发式 AI 选块组码
• 段言：自举编译器、LLVM 原生编译、HM 类型推断、AI Copilot 微调
• 光明：五层语法架构（L0-L4）、领域嵌入 DSL、外语互操作
• 知行：宏系统、同像性、函数式范式

第一阶段：中文编程

目标：证明中文编程语言能用于真实场景

• 完整的语言能力（OOP、异常、模块、包管理）
• 开发者工具链（LSP、调试器、VS Code 扩展）
• 标准库覆盖日常场景
• 在线运行环境（quye.com 工作台）

第二阶段：AI 编程语言

目标：让编程语言本身具备 AI 能力，而不是在传统语言外面套一层 AI

• 语义检索不依赖外部大模型（极快已实现，63KB 索引 + 纯标准库）
• 语言设计降低 AI 理解难度（中文语义天然接近自然语言描述）
• 极低资源推理：边缘设备也能跑 AI 编程
• 代码块生态让 AI 能做"组合"而不是"生成"

第三阶段：分布式编程语言

目标：让多个 AI agent 用中文编程语言协作完成复杂任务

• 分布式代码块协议
• Agent 间的中文语义通信
• 无中心化的代码组合与执行

为什么这条路行得通

传统思路：大模型 + 英文编程语言 → 需要大量 GPU 和 token

我们的思路：语言设计 + 小模型/无模型 → 极低资源即可实现 AI 编程

关键洞察：如果编程语言本身的语义足够接近自然语言，那么"理解需求"和"生成代码"之间的鸿沟就不需要靠大模型来弥合。