智能对联网页小程序的仓颉之旅

#传统楹联遇上AI智能体：我的Cangjie Magic开发纪实

引言：一场跨越千年的数字对话

"云对雨，雪对风，晚照对晴空"。昨天晚上星空璀璨，当我用仓颉语言写下第一个智能对联网页小程序的Agent DSL代码时，从未想过这门古老的文字艺术会以如此奇妙的方式在数字世界重生。基于Cangjie Magic开发的"联韵"小程序，不仅实现了传统楹联的智能创作，更通过MCP协议让用户能与历史文人"隔空对诗"。本文将完整记录这段融合传统文化与前沿AI技术的开发之旅。

一、缘起：为什么选择Cangjie Magic

1.1 邂逅仓颉语言

初次接触Cangjie Magic是在2025年3月的开源社区公告中。其三大特性深深吸引了我：

Agent DSL：用类古诗的语法结构定义智能体行为
MCP协议：实现智能体间的诗意对话
智能规划：自动优化对联平仄结构

1.2 传统楹联的数字化困境

传统对联开发面临：

平仄规则复杂（135不论，246分明）
词性对应严格（名词对名词，动词对动词）
意境协调困难（上联写景，下联抒情）

而Cangjie Magic的@constraint注解完美解决了这些难题。

二、开发实录：核心技术实现

先访问项目首页 - CangjieMagic-MCPServer - GitCode，Star之，然后在这个页面学习大牛们是如何设计程序语言的，最后在右侧测试输出功能。体验了一把在线编程的乐趣。

然后将项目克隆到本地，跟随页面教程新建工程完成项目部署即可。

2.1 技术路线全景

本项目基于Cangjie Magic平台构建智能对联网页小程序，考虑需要采用如下Agent实现技术路线：

输入处理Agent：负责分词和意境分析
规则校验Agent：专责平仄和词性检查
风格修饰Agent：调整输出符合指定时代特征

仓颉Agent DSL实现

@agent[type: "couplet"]
class CoupletAgent {@knowledge[name: "诗词库"]resource poetryDB = load("tang_song.cjdb")@constraint[name: "平仄检测"]rule toneCheck(text: String) {// 实现平仄检测算法}
}

2.2 MCP协议的诗意交互

通过协议封装传统"对对联"流程：实时交互流程包括如下内容：首先用户输入上联，由系统分解词素并分析平仄，再按照不同风格设计生成多个候选下联，最后我们通过MCP协议返回JSON结果包。

2.3 创新功能实现

2.3.1 历史文人模式

@agent[model: "李白人格"]
agent LiBai {@style[name: "盛唐气象"]func respond(input: String) -> String {this.llm.setTemperature(0.7)  // 增加创作随机性return this.llm.generate(prompt: "以李白口吻对下联：${input}")}
}

2.3.2 多人对联接龙

利用MCP的pub/sub功能实现实时互动：

MCP.subscribe(channel: "couplet_chain",callback: func(msg) {this.display(msg.author, msg.content)this.generateResponse()}
)

实现开发界面如下：

三、技术核心解析

在项目初期，重点攻克了三个核心技术难题：平仄识别、词性匹配和意境分析。以下是具体的技术实现细节：

3.1 平仄识别模块

我们基于仓颉语言实现了多层次的平仄分析系统：

// 基础平仄标注器
@processor[name: "tone_marker"]
func markTones(text: String) -> [Tone] {let chars = text.split("")return chars.map { c ->// 核心平仄判断逻辑if c in level_tones then LEVELelse if c in oblique_tones then OBLIQUEelse UNKNOWN}
}// 多音字处理
@resolver[name: "polyphone"]
func resolvePolyphone(char: Char, context: String) -> Tone {// 使用上下文消歧case char:"长" -> context.contains("相思") ? LEVEL : OBLIQUE"行" -> context.contains("行走") ? OBLIQUE : LEVEL// ...其他多音字规则
}

3.2 词性匹配系统

词性匹配采用了双重校验机制：

// 基础词性标注
@tagger[name: "pos_tagger"]
func tagPOS(text: String) -> [POS] {// 使用预训练模型进行初始标注let initialTags = nn.pos_tag(text)// 对联特化修正return initialTags.map { tag ->// 处理对联中的特殊用法case tag:"绿" -> isVerbUsage(text) ? VERB : ADJ"衣" -> isNounUsage(text) ? NOUN : VERB// ...其他特殊规则}
}// 对仗校验器
@validator[name: "couplet_match"]
func validateMatch(up: [POS], down: [POS]) -> Bool {// 严格的位置对应return up.length == down.length && up.zip(down).all { (u, d) -> u.category == d.category }
}

3.3 意境分析引擎

意境分析采用向量空间模型：

// 意境向量生成
@embedding[name: "poetic_embedding"]
func generateEmbedding(text: String) -> Vector {// 获取基础语义向量let base = bert.encode(text)// 意境特化增强return enhanceWithPoeticFeatures(base, text)
}// 意境相似度计算
@similarity[name: "poetic_sim"]
func calculateSimilarity(v1: Vector, v2: Vector) -> Float {// 加权余弦相似度let weights = load("poetic_weights.cj")return weightedCosine(v1, v2, weights)
}

3.4 系统集成架构

最终的系统采用分层架构：

// 主处理流程
@pipeline[name: "couplet_gen"]
func generateCouplet(up: String) -> [String] {// 1. 预处理let cleaned = preprocess(up)// 2. 分析上联let tones = markTones(cleaned)let posTags = tagPOS(cleaned)let embedding = generateEmbedding(cleaned)// 3. 生成候选let candidates = llm.generateCandidates(up)// 4. 筛选和排序return candidates.filter { c -> validateMatch(posTags, tagPOS(c)) }.sortBy { c -> poeticScore(embedding, c) }.take(3)
}

3.5 动态风格切换

通过注解实现不同朝代风格：

@style[name: "宋代婉约"]
songStyle: Style = {vocabulary: ["阑干","罗衣","残照"],sentencePattern: "4+3"
}@style[name: "汉代古风"]
hanStyle: Style = {vocabulary: ["苍穹","日月","苍梧"],sentencePattern: "3+3"
}

四、用户奇妙体验案例

实现图形界面对话体验如下：

五、编程感悟

5.1 传统与科技的融合之美

在开发过程中，最令我惊叹的是古典诗词格律与现代计算模型的完美契合。当我们将"一三五不论，二四六分明"的传统诗律转化为DSL约束条件时，发现这些历经千年的规则竟然天然适合形式化表达。平仄的二元性可以直接映射为布尔逻辑，而"不论"与"分明"的区分则完美对应着约束条件的严格程度。通过构建诗词向量空间模型，反而让我们更清晰地看到了古人创作中的精妙构思。

5.2 仓颉语言的设计哲学

仓颉语言以其独特的类古诗语法结构，在文化类应用开发中展现出惊人的适配性。在定义对联生成规则时，我们发现用仓颉语言写出的约束代码本身就具有诗般的韵律感，这种语言设计不仅解决了技术问题，更重要的是创造了一种文化友好的编程环境，让开发者在编写代码时自然而然地进入传统文化的思维场域，这是其他编程语言难以企及的人文温度。

5.3 AI时代的文化传承

在这个算法重构一切的时代，我们始终坚持"技术是载体而非主体"的开发理念。系统最复杂的平仄检测模块，其核心算法其实源自清代学者总结的《声律启蒙》；而意境匹配模型训练时使用的负样本，全部来自古代诗话中记载的"不佳对仗"案例。这种对传统的尊重带来了意想不到的效果——当用户看到系统拒绝"春风得意马蹄疾，腊梅吐蕊燕子飞"这样的组合时（因为"燕子飞"破坏了上联建立的仕途意象），反而更深刻地理解了什么是"隔景对"。最好的技术赋能不是将传统数字化，而是用数字技术搭建一座让现代人能够走进传统的桥梁，在严格的对仗规则中，人们反而更能体会到汉语独有的创造之美。