PromptOS: Study of Natural-Language Shells, Execution-Based Evaluation, Command-Syntax Learning, and Runtime Guardrails
Notice bibliographique
Résumé
Natural language shell interfaces represent a critical advancement toward democratizing command-line accessibility, yet existing solutions lack comprehensive safety mechanisms and robust evaluation frameworks. This paper presents PromptOS, a unified architecture for natural language to shell (NL2SH) translation that synthesizes four key research domains: semantic parsing with standardized datasets (NL2Bash), execution-based functional equivalence evaluation (NL2SH-ALFA), syntax-aware language model validation, and runtime safety guardrails (NaSh). Our proposed system addresses fundamental challenges in LLMdriven command generation through a multi-stage approach incorporating constrained decoding, template-based command synthesis, and sandboxed execution with inverse overlay mechanisms for comprehensive undo capabilities. The architecture implements a Generate-Analyze-Execute workflow that provides users with effect summaries and safety warnings before command execution, ensuring transparency and control. We establish evaluation metrics combining functional accuracy assessment through execution-based heuristics, safety validation through syntax checking, and user experience measurement across novice and expert populations. Our synthesis reveals that current approaches achieve$49-69 \%$command accuracy with significant improvements through execution-aware evaluation ($+10-20$percentage points) and constrained decoding techniques. The proposed PromptOS framework integrates inverse overlay technology for efficient rollback operations, addresses external API irreversibility through compensating transactions, and incorporates human-in-the-loop learning for continuous improvement. Key contributions include: (1) a comprehensive architectural design unifying existing NL2SH research, (2) novel integration of syntax-aware validation with runtime safety mechanisms, (3) practical implementation guidelines with Docker-based sandboxing and persistent undo stores, and (4) identification of critical open challenges including multi-command script verification and cloud operation reversibility.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».