背景

這場討論源於對大型語言模型（LLM）效能優化的探索，核心議題在於採用後置表達式（Postfix Notation）或串接式（Concatenative）邏輯的程式語言（如 Forth），是否能比傳統程序化語言更有效地提升 AI 的推理與數據查詢能力。發起者 rescrv 提出，這類語言的緊湊性與局部化表示法，或許能減緩上下文衰減（Context Rot）並提高 LLM 處理資訊的效率。

社群觀點

針對 LLM 是否能受益於 Forth 這類後置表達式語言，社群中存在顯著的分歧。反對者主要從模型訓練的本質出發，認為現有的 LLM 深受多範式與程序化設計的影響，對於堆疊操作、回溯等邏輯存在先天的不適應。當模型試圖理解這類語言時，往往會因為違反其吸收的邏輯慣性而導致「代幣燃燒」（Burning Tokens），在不斷自我修正中消耗資源。更有評論指出，Forth 的堆疊並非一種強健的抽象化，而更像是一種實作細節；在處理大規模任務時，開發者往往會轉向隨機存取與自創慣用語，這種高度靈活且缺乏編譯器強制邊界的特性，使得現有的 LLM 工具鏈難以有效支援，導致生成的程式碼往往需要完全重寫。

從認知負荷的角度來看，Forth 的「無點」（Point-free）風格對 LLM 構成了巨大挑戰。由於許多操作對象在文本中並未顯性出現，模型必須透過大量的猜測來建立語義理論。正如人類在閱讀後置表達式時難以分解獨立子表達式一樣，LLM 在處理隱含且全域的堆疊狀態時也容易出錯。一個關鍵的技術痛點在於，串接式語言對精確度要求極高，遺漏一個「dup」指令就會導致後續邏輯全盤崩潰，這與 LLM 擅長處理具備命名與局部約束之語言的特性背道而馳。

然而，支持者則從計算理論的角度提供了另一種視角。有觀點認為，串接式語言在矽晶片上進行通用學習時具有理想的特性，其資源佔用遠低於其他程式模型。這種「機械同理心」意味著 AI 在底層邏輯上其實更容易推理這類語言，只是目前的 LLM 受限於訓練數據不足與現有的架構偏見。對於許多愛好者而言，Forth 的魅力在於其極簡的引導（Bootstrap）過程，從組合語言建立基礎原語再擴展至使用者空間的過程，提供了一種極致的掌控感。儘管在撰寫複雜系統時會變得痛苦，但其一致性與簡潔性對於探索 AI 數據查詢的新形式仍具備研究價值。

延伸閱讀

在討論中，參與者分享了數個與 Forth 及其變體相關的實作與學習資源。針對效能與優化，有人推薦了 Muxleq 與 Subleq 等極簡指令集實作，並提供了具體的編譯與運行指南。在學習資源方面，經典著作《Starting Forth》（ANS 版本）與《Thinking Forth》被視為入門與進階的必讀教材。此外，也有開發者分享了受 Forth 啟發但融合了 Logo 與 Common Lisp 特性的現代方言 Shik，以及由 Manfred von Thun 開發、被譽為 Forth 與 Lisp 完美結合的 Joy 語言。