让前沿语言模型写Python，它给你Python。让它写你团队自研的建模记法，它给你一个"长得像"那个记法的东西：凭空发明的关键字、猜出来的参数名、规范里从来没有过的语法结构，而且交付时信心十足。

条件反射式的补救办法是加提示词、拉长上下文、做更好的检索。但真正耐用的解法，是在模型见到你的语言之前就做好的一个设计决定——干脆别用一套它没见过的外部语法。这个决定有个名字：Typed Domain Grounding（类型化领域接地）。用你手上已有的类型系统，今天就能实现。

打开网易新闻 查看精彩图片

流畅度就是词频

模型能把Kotlin、TypeScript、Python和SQL写得好，原因只有一个主导性的：这些语言在它的训练数据里出现了几百万次。句法能力，粗略地说，就是训练数据频率的函数。这一点在代码大模型基准测试里有直接记录——按频率和流行度给语言分类，低资源语言的性能会相应下降。

语料密集的地方，生成可靠。语料稀疏的地方，生成退化成拼贴画，而语气和表面的自信程度不会有任何变化。正是这种"毫无变化"，让失败变得极难被发现。

每一门新设计的外部DSL，从模型的角度看，其确切语法的训练语料频率都是零。

RAG救得了事实，救不了记法

检索增强生成（RAG）能把事实锚定在模型的回答里，但对表达这些事实所用的记法毫无帮助。原因很直接：模型可以拥有完全准确的知识，却依然吐出一条语法上纯属虚构的DSL语句。

这是两个层面的问题。幻觉在领域特定语言上的表现，本质上是训练数据频率问题，不是知识问题。补知识解决不了补语法。

把领域塞进宿主语言的类型系统

Typed Domain Grounding 的思路是：把领域作为一门类型化的内部DSL，嵌进一门训练数据丰富的宿主语言里，并塑造它的API，让领域层面的错误以编译器类型错误的形式暴露出来，而不是变成静默失败。

换句话说，错误不再靠人去肉眼审查模型输出，而是交给编译器拦截。一个严格的、会拒绝的判定器，可能比一个宽容的判定器收敛到更可靠的输出。

五十个任务的实测结果

在一项使用 Claude Sonnet 5 的五十任务基准测试中，这个方法拿到了更高的结构保真度（Structural Fidelity）和更低的幻觉率，优于两门宽松的外部DSL——尽管它的首次编译通过率更低。

同样的模式在 GPT-4o 上也成立，但并非对每一个被测模型都成立。证据说明的是：一个严格、会拒绝的判定器可以收敛到更可靠的输出，而不是说它永远如此。

代价和边界

这套方法有真实的局限，也有真实的成本。它补上的是语法鸿沟，不是理解鸿沟。它同时交出了记法上的自由，并要求对宿主语言做出承诺。

所以对语言设计者的建议是：把它当作设计新DSL时的一个默认考虑项，而不是一道要求重写现有可用语言的强制令。