Pipe：讓 AI 操作成為語言原語的運行時

Pipe 是一個面向 AI 原生基礎設施的語義管道運行時（Semantic Pipeline Runtime），最新版本為 SPR v0.7.0。它把 summarize、translate、classify 等 23 種 AI 操作設計為語言內置原語，而不是需要 import 的庫調用。整個運行時被打包成約 10 MB 的靜態鏈接二進制文件，沒有 Python、依賴或 Docker 要求，可在 Linux、macOS、Windows、樹莓派乃至瀏覽器（通過 WebAssembly）中運行。

Pipe 旨在從語言層面解決生產環境中運行 LLM 的三個核心痛點。安全方面，LLM 一旦獲得文件、網絡和 exec 能力就會成為風險，因此 Pipe 提供聲明式的 sandbox_profile，可限制 exec、write_file 和 http_get，並通過 set_sandbox 或 with_sandbox 激活，讓 ai_with_tools 驅動的智能體默認處於受控狀態。性能方面，順序 API 調用會把 1 秒的管道拖成 10 秒瓶頸，Pipe 的 >> 運算符可以讓任何管道階段在後台運行，Future 自動解析，ai_batch 則能併發處理數百段文本並內置速率限制。廠商鎖定方面，從 OpenAI 切換到 DeepSeek 不再需要重寫 SDK 代碼，只需一行 ai_provider。

Pipe 用少量代碼就能完成典型任務。日誌分析只需 5 行：read_file 讀取服務器日誌，classify 判定嚴重程度，filter 過濾關鍵條目，summarize 彙總，translate 翻譯成德語，最後 save 保存結果，全程無需中間文件或 Python 腳本。RAG 管道也無需向量數據庫：embed_batch 為文檔生成向量，embed 嵌入問題，nearest 找出語義最近的片段，再交給 ask 基於上下文回答。AI 智能體方面，開發者可以定義 get_weather 這樣的普通函數，通過 ai_tool 註冊給 LLM，再使用 ai_with_tools 讓模型自主調用工具，同時受沙箱配置約束。

與 Python + LangChain 的對比中，Pipe 強調更少代碼和內置安全：同一套 RAG 管道約 10 行而非 80 行；沙箱不是自定義中間件，而是一個 sandbox_profile 塊；切換 AI 提供商只需 ai_provider "deepseek"；部署只需複製 pipe 二進制，而非 Docker + venv + pip；二進制體積約 10 MB，而非約 500 MB。Pipe 還提供了 91 個標準內置函數，覆蓋理解、並行、嵌入搜索、工具調用、沙箱和測試等類別。

高級特性方面，Pipe 的 try_ai 能在運行時捕獲錯誤並讓 AI 自動修復表達式，例如把 "42" * 3 修復為 (to_num "42") * 3，修復失敗則落入 catch。管道默認並行，3 個 LLM 調用可在約 1.5 秒內完成，而不是約 4 秒，無需 async/await 或 Promise.all。語言還包括 C 風格 for 循環、多模式 match 和 not 關鍵字，並編譯為 40 條操作碼的字節碼 VM，配合自動緩存達到約 7 倍速度提升。開發體驗上有 LSP 驅動的 IntelliSense（補全、懸停文檔、跳轉定義、診斷）、內置 test 塊和斷言函數，以及可在 GitHub Actions 中直接運行的官方 Action。目前項目已有 230+ 測試、約 15k 行 Go 代碼、42 個示例程序、4 個 AI 提供商、9 個模塊，並保持零第三方依賴。