Pipe：让 AI 操作成为语言原语的运行时

Pipe 是一个面向 AI 原生基础设施的语义管道运行时（Semantic Pipeline Runtime），最新版本为 SPR v0.7.0。它把 summarize、translate、classify 等 23 种 AI 操作设计为语言内置原语，而不是需要 import 的库调用。整个运行时被打包成约 10 MB 的静态链接二进制文件，没有 Python、依赖或 Docker 要求，可在 Linux、macOS、Windows、树莓派乃至浏览器（通过 WebAssembly）中运行。

Pipe 旨在从语言层面解决生产环境中运行 LLM 的三个核心痛点。安全方面，LLM 一旦获得文件、网络和 exec 能力就会成为风险，因此 Pipe 提供声明式的 sandbox_profile，可限制 exec、write_file 和 http_get，并通过 set_sandbox 或 with_sandbox 激活，让 ai_with_tools 驱动的智能体默认处于受控状态。性能方面，顺序 API 调用会把 1 秒的管道拖成 10 秒瓶颈，Pipe 的 >> 运算符可以让任何管道阶段在后台运行，Future 自动解析，ai_batch 则能并发处理数百段文本并内置速率限制。厂商锁定方面，从 OpenAI 切换到 DeepSeek 不再需要重写 SDK 代码，只需一行 ai_provider。

Pipe 用少量代码就能完成典型任务。日志分析只需 5 行：read_file 读取服务器日志，classify 判定严重程度，filter 过滤关键条目，summarize 汇总，translate 翻译成德语，最后 save 保存结果，全程无需中间文件或 Python 脚本。RAG 管道也无需向量数据库：embed_batch 为文档生成向量，embed 嵌入问题，nearest 找出语义最近的片段，再交给 ask 基于上下文回答。AI 智能体方面，开发者可以定义 get_weather 这样的普通函数，通过 ai_tool 注册给 LLM，再使用 ai_with_tools 让模型自主调用工具，同时受沙箱配置约束。

与 Python + LangChain 的对比中，Pipe 强调更少代码和内置安全：同一套 RAG 管道约 10 行而非 80 行；沙箱不是自定义中间件，而是一个 sandbox_profile 块；切换 AI 提供商只需 ai_provider "deepseek"；部署只需复制 pipe 二进制，而非 Docker + venv + pip；二进制体积约 10 MB，而非约 500 MB。Pipe 还提供了 91 个标准内置函数，覆盖理解、并行、嵌入搜索、工具调用、沙箱和测试等类别。

高级特性方面，Pipe 的 try_ai 能在运行时捕获错误并让 AI 自动修复表达式，例如把 "42" * 3 修复为 (to_num "42") * 3，修复失败则落入 catch。管道默认并行，3 个 LLM 调用可在约 1.5 秒内完成，而不是约 4 秒，无需 async/await 或 Promise.all。语言还包括 C 风格 for 循环、多模式 match 和 not 关键字，并编译为 40 条操作码的字节码 VM，配合自动缓存达到约 7 倍速度提升。开发体验上有 LSP 驱动的 IntelliSense（补全、悬停文档、跳转定义、诊断）、内置 test 块和断言函数，以及可在 GitHub Actions 中直接运行的官方 Action。目前项目已有 230+ 测试、约 15k 行 Go 代码、42 个示例程序、4 个 AI 提供商、9 个模块，并保持零第三方依赖。