ThinkIR - Think Intermediate Representation, TIR

使用自然语言来进行人类和 LLM 间的对话是低效率的，因为自然语言是弱逻辑和低熵的。

• 我们需要一种强逻辑性并且对 LLM 友好的输入语言，使用伪代码来操控 LLM 的思维链和输出结果。

• 我们将 提示词 --> 程序代码 的过程视作是 LLM 的解压过程，与 LLM 的训练过程相反，训练是一个压缩过程。

• Vibe Coding 是 自然语言 --> 程序代码 的解压过程，这个过程是高度随机的。

• 考虑使用 自然语言 --> IR（中间语言）--> 程序代码 来降低随机性并提高可控性，IR 可以被人为修改和微调。

• 在数百轮沟通后，LLM 终于生成了你想要的编程结果。执行 程序代码 --> IR，可以告诉你 如何一次性让 LLM 生成此结果。

不要向别人分享你的提示词，而是分享你的 IR。提示词生成的代码的过程是高度随机的，但是 IR 生成代码的过程是高度可控的。

About ThinkIR

我们设计了一个被称为ThinkIR的脚本语言，它介于自然语言和编程语言之间。用于将 Vibe Coding 变得精细化和可控制，而不是由LLM随机产生垃圾代码。将ThinkIR.txt输入给LLM，即可让LLM进入ThinkIR模式。ThinkIR是使用C++语法的伪代码脚本语言。

Quick Start with Gemini

将ThinkIR.txt输入给LLM，或是将ThinkIR.txt中的内容粘贴并输入给LLM，即可进入ThinkIR模式。

Samples

以下是 ThinkIR 脚本的示例，由 LLM 通过自然语言"write a program to get local weather information"生成。

通过自然语言来产生 ThinkIR 脚本被称为 Phase 1（翻译）。

#include "ThinkIR.hpp"

/*
 * Goal: Create a Python program to fetch local weather information.
 * * Logic Chain:
 * 1. Choice of API: Open-Meteo is preferred for 2026 local scripts because it is 
 * free for non-commercial use and requires no API key (reducing user friction).
 * 2. Geolocation: To get "local" weather automatically, we need the user's IP-based 
 * coordinates or a manual city input. I will implement a robust city-based lookup.
 * 3. Library: Use 'requests' for HTTP calls.
 */

LLMctx main() {
    LLMctx logic = LLMctx::keyword("Python Weather Development");
    
    // Define logic nodes
    id t1 = logic.think("Utilize Open-Meteo API for high-resolution, keyless weather data.");
    id t2 = logic.think("Incorporate geocoding to translate city names into latitude/longitude.");
    id t3 = logic.think("Fetch current temperature, wind speed, and weather codes.");
    
    logic.link(t1, t2);
    logic.link(t2, t3);

    // Create a pure artifact container for the final response
    LLMctx pure;
    
    string code_intent = "A Python script using requests to fetch weather for a city via Open-Meteo. "
                         "Includes error handling and displays temperature, wind, and conditions.";
    
    pure.push(logic.program(code_intent));
    
    return pure;
}

执行该 ThinkIR 脚本后会产生最终输出，这被称为 Phase 2（执行）。

执行结果可能包含多个文本片段，包含多个程序文件及文档，每个文本片段被视为一个 node。

先输出 [Phase 2: Topology]，即node之间的图拓扑关系。然后输出[Phase 2: Nodes]，即每个node的文本内容。

以下是 ThinkIR 脚本执行结果（仅有一个 node）：

import requests

def get_weather(city_name):
    """
    Fetches weather data for a specified city using Open-Meteo (No API Key required).
    """
    # 1. Geocoding: Get Lat/Lon for the city
    geo_url = f"https://geocoding-api.open-meteo.com/v1/search?name={city_name}&count=1&language=en&format=json"
    
    try:
        geo_response = requests.get(geo_url)
        geo_response.raise_for_status()
        geo_data = geo_response.json()
        
        if not geo_data.get('results'):
            return f"Error: Could not find coordinates for '{city_name}'."
            
        location = geo_data['results'][0]
        lat, lon = location['latitude'], location['longitude']
        display_name = f"{location['name']}, {location.get('admin1', '')} {location['country']}"

        # 2. Weather Fetch: Get current conditions
        weather_url = "https://api.open-meteo.com/v1/forecast"
        params = {
            "latitude": lat,
            "longitude": lon,
            "current_weather": True,
            "windspeed_unit": "kmh",
            "timezone": "auto"
        }
        
        weather_response = requests.get(weather_url, params=params)
        weather_response.raise_for_status()
        data = weather_response.json()
        
        current = data['current_weather']
        
        return {
            "location": display_name,
            "temp": current['temperature'],
            "wind": current['windspeed'],
            "code": current['weathercode']
        }

    except Exception as e:
        return f"Request failed: {e}"

# Example Usage
if __name__ == "__main__":
    city = input("Enter a city name: ")
    result = get_weather(city)
    
    if isinstance(result, dict):
        print(f"\n--- Weather for {result['location']} ---")
        print(f"Temperature: {result['temp']}°C")
        print(f"Wind Speed:  {result['wind']} km/h")
        print(f"Weather Code: {result['code']} (Refer to WMO codes for descriptions)")
    else:
        print(result)

Comparison

ThinkIR 提示词：

TIR: Hangzhou's weather

LLM 输出：

[Phase 2: Topology]
edge[0]: node[0] (Integrated inference from Logic Graph)

[Phase 2: Nodes]
node[0]: [Think]
In Hangzhou, it is currently 9°C and mostly cloudy. Today's forecast calls for cloudy skies with a high of 13°C and a low of 2°C.

自然语言提示词：

// Hangzhou's weather

LLM 输出：

In Hangzhou, it is currently 9°C and mostly cloudy. Today's forecast calls for cloudy skies with a high of 13°C and a low of 2°C.

以上案例说明，ThinkIR 模式下的输出，相比于自然语言并不会有显著区别。但是，ThinkIR 模式同时输出了 ThinkIR 脚本，可以用于精调输出结果。 ThinkIR 提示词：

TIR: Hangzhou's weather

LLM 输出的 ThinkIR 脚本：

#include "ThinkIR.hpp"

/*
 * Goal: Retrieve and structure Hangzhou's current weather and forecast.
 * Context: Hangzhou, 2026-03-09.
 */

LLMctx main() {
    LLMctx logic = LLMctx::keyword("Meteorological Data Retrieval");
    
    // Logic nodes based on current search result data
    id t1 = logic.think("Hangzhou current: 9°C, mostly cloudy, 71% humidity.");
    id t2 = logic.think("Wind: 5 mph from North.");
    id t3 = logic.think("Today's forecast: High 13°C, Low 2°C, predominantly cloudy.");
    
    logic.link(t1, t3);
    
    // Selective output for a clean report
    LLMctx pure;
    string report = logic.create("Structure Hangzhou's weather report with current conditions and daily range.");
    pure.push(report);
    
    return pure;
}

人工修改 ThinkIR 脚本，添加一行 st 命令：

id t4 = logic.st("accurate temperature changes"); // ONLY ADD THIS LINE

完整 ThinkIR 脚本：

#include "ThinkIR.hpp"

LLMctx main() {
    LLMctx logic = LLMctx::keyword("Meteorological Data Retrieval");
    
    id t1 = logic.think("Hangzhou current: 9°C, mostly cloudy, 71% humidity.");
    id t2 = logic.think("Wind: 5 mph from North.");
    id t3 = logic.think("Today's forecast: High 13°C, Low 2°C, predominantly cloudy.");
    id t4 = logic.st("accurate temperature changes"); // ONLY ADD THIS LINE
    
    logic.link(t1, t3);
    
    LLMctx pure;
    string report = logic.create("Structure Hangzhou's weather report with current conditions and daily range.");
    pure.push(report);
    
    return pure;
}

LLM 执行结果：

[Phase 2: Topology]
edge[0]: node[0] (Logic Graph Projection)

[Phase 2: Nodes]
node[0]: [Think]
Hangzhou Meteorological Data Report (2026-03-09)

1. Current Atmospheric State

Temperature: 9°C

Sky Conditions: Mostly Cloudy

Humidity: 71%

Wind: 5 mph from the North

2. Forecast & Thermal Gradient Analysis

Temperature Range: 2°C (Low) to 13°C (High)

Sky Trend: Predominantly cloudy throughout the day.

Thermal Analysis (st: accurate temperature changes): An 11°C diurnal temperature swing is observed. The transition from the 13°C peak to the 2°C trough represents a high-velocity cooling gradient, critical for systems requiring sub-mK thermal stability or active compensation.

Instructions

LLMctx（LLM Context）是基本数据对象，它有以下方法：

方法	效果
think	思考
st	强约束
bind	逻辑绑定
keyword	每次思考时回顾
purpose	思考的主题
push	压栈输出
create	生成文档
program	生成程序

我们要求LLM模拟一个ThinkIR解释器，LLM先读取ThinkIR脚本的指令，然后逐行执行并输出结果。

如果用户输入自然语言，则先充当ThinkIR翻译器，将自然语言翻译到ThinkIR脚本，然后再执行脚本。

Modes

输入 ThinkIR.txt 后，LLM 有以下工作模式：

• 命令行模式。对于任何自然语言输入，都先翻译成 ThinkIR 脚本，然后再执行该 脚本。即 Phase 1 + Phase 2。
• 执行模式。将所有输入视为 ThinkIR 脚本，只执行 Phase 2。
• 翻译模式。将所有输入视为自然语言，只执行 Phase 1。
• 静默模式。这是个特殊模式，通常仅用于调试。命令行模式的基础上，将 Phase 1 视为隐式思维链，执行 Phase 1 但是不输出 Phase 1的内容，使得输出结果只有 Phase 2。
• 常规模式。使用 // 或 /**/ 将输入注释，或者使用提示词退出 ThinkIR 模式，LLM 将输入完全理解为自然语言并产生常规输出。

默认为命令行模式，通过提示词来切换模式。 切换成执行模式的提示词：

// use execution mode

常规模式输入：

// hello

LLM 输出：

// Hello! How can I assist you with ThinkIR today?

命令行模式输入：

hello

LLM 输出：

LLM 输出：
[Phase 1: TIR Script]
C++
#include "ThinkIR.hpp"

LLMctx main() {
    LLMctx logic = LLMctx::keyword("General Assistant");
    logic.purpose("Respond to user greeting and offer assistance");
    
    id t1 = logic.think("User issued a greeting without a specific command.");
    id t2 = logic.think("Establish readiness to execute TIR scripts or natural language tasks.");
    logic.link(t1, t2);

    LLMctx pure;
    pure.push(logic.create("A polite greeting and confirmation of environment status."));
    return pure;
}
[Phase 2: Topology]
(Empty)

[Phase 2: Nodes]
node[0]: [Think]
Hello! I am currently operating in the ThinkIR environment. I am ready to translate your requirements into structured logic or execute complex reasoning tasks. How can I help you today?

Principles

• ThinkIR 是基于C++的伪代码，我们期望 ThinkIR 是合法的 C++ 代码、符合 C++ 代码规范。
• 将 ThinkIR 作为提示词输入到LLM，相较于自然语言，能更精确地控制思维链和生成结果。
• 自然语言 --> LLM生成ThinkIR -> 人工调整ThinkIR -> LLM执行ThinkIR并输出Vibe Coding结果
• 输入 ThinkIR.txt 后默认进入命令行模式，自然语言输入会先被翻译成 ThinkIR，然后再执行 ThinkIR 产生输出结果。所有自然语言输入会先被 LLM 翻译成 ThinkIR，然后再执行 ThinkIR 产生输出结果。

Compatibility

ThinkIR 的实现机理是提示词注入，改变 LLM 的工作模式和输出模式。

因此，对于不同的 LLM，有兼容性差异，ChatGPT 和 Claude 均有反提示词注入机制。

模型	兼容性
Gemini 3 Fast	非常好
Gemini 3 Thinking	非常好
Gemini 3.1 Pro	非常好
DeepSeek v4	非常好
GPT-5.3	好
Claude Sonnet 4.6	一般