作者在尝试用AWK语言解决2024年“Advent of Code”编程挑战时，深刻体会到自己已被函数式编程“洗脑”——对代数数据类型、模式匹配、不可变性、词法作用域和函数返回数组等特性产生了强烈依赖。尽管AWK设计精巧，但其动态作用域、缺乏原生数组和函数式支持，使得实现一个函数式广度优先搜索（BFS）变得异常复杂，陷入大量“意外复杂度”中。 于是他萌生了一个想法：如果AWK能融合现代编程语言的优秀特性，会是什么样？他构想出一个“理想AWK”——支持原生数组（包括嵌套、关联和多维）、函数式编程（高阶函数、lambda表达式）、词法作用域、默认局部变量、显式全局变量，以及类似函数式语言的管道操作（pipeline）语法。 这个想法看似天马行空，但他决定不自己从头实现，而是尝试用LLM（Cursor Agent + Sonnet 4.5）来完成。他提出需求：生成一个支持这些特性的编程语言实现，附带代码示例和测试。令人惊讶的是，LLM不仅成功生成了Python版本的完整解释器，还同时提供了C、Haskell和Rust版本，全部能编译运行。 最令人震撼的是，LLM能正确处理复杂场景：如print既是语句又是表达式（支持重定向）、多维数组、多行记录、闭包和词法作用域，甚至能通过测试验证与GAWK的向后兼容性。唯一卡住的地方是实现任意精度浮点数运算，LLM尝试用泰勒级数但失败，作者建议引入mpmath库后，问题瞬间解决。 作者意识到，AI已能完成过去需要数日甚至数周的复杂系统开发任务。他称这“更新了自己对LLM能力的先验认知”。但随之而来的是隐忧：他完全不了解生成的代码，未来若需修改，将面临“黑箱”困境。这让他反思：是否应从“自己写代码”转向“审阅和理解LLM生成的代码”？他甚至考虑用LLM来实现自己多年未完成的类型系统项目Cara。 目前FAWK（Functional AWK）仍以Python实现，性能非重点，目标是用于Advent of Code这类临时脚本。作者计划亲自试用，发现并修复新语言特性与旧设计之间的“意外交互”问题。他鼓励有兴趣者在GitHub上尝试项目（Janiczek/fawk），但需自行处理Python依赖，且需承担风险。 这场“用AI造语言”的实验，不仅是一次技术探索，更是一次对编程范式、人机协作与未来开发方式的深刻思考。