Pipe：讓 AI 操作成為語言原語的執行時

Pipe 是一個面向 AI 原生基礎設施的語義管道執行時（Semantic Pipeline Runtime），最新版本為 SPR v0.7.0。它把 summarize、translate、classify 等 23 種 AI 操作設計為語言內建原語，而不是需要 import 的庫呼叫。整個執行時被打包成約 10 MB 的靜態連結二進位制檔案，沒有 Python、依賴或 Docker 要求，可在 Linux、macOS、Windows、樹莓派乃至瀏覽器（透過 WebAssembly）中執行。

Pipe 旨在從語言層面解決生產環境中執行 LLM 的三個核心痛點。安全方面，LLM 一旦獲得檔案、網路和 exec 能力就會成為風險，因此 Pipe 提供宣告式的 sandbox_profile，可限制 exec、write_file 和 http_get，並透過 set_sandbox 或 with_sandbox 啟用，讓 ai_with_tools 驅動的智慧體預設處於受控狀態。效能方面，順序 API 呼叫會把 1 秒的管道拖成 10 秒瓶頸，Pipe 的 >> 運算子可以讓任何管道階段在後臺執行，Future 自動解析，ai_batch 則能併發處理數百段文本並內建速率限制。廠商鎖定方面，從 OpenAI 切換到 DeepSeek 不再需要重寫 SDK 程式碼，只需一行 ai_provider。

Pipe 用少量程式碼就能完成典型任務。日誌分析只需 5 行：read_file 讀取伺服器日誌，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 儲存結果，全程無需中間檔案或 Python 指令碼。RAG 管道也無需向量資料庫：embed_batch 為文件生成向量，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 智慧體方面，開發者可以定義 get_weather 這樣的普通函式，透過 ai_tool 註冊給 LLM，再使用 ai_with_tools 讓模型自主呼叫工具，同時受沙箱配置約束。

與 Python + LangChain 的對比中，Pipe 強調更少程式碼和內建安全：同一套 RAG 管道約 10 行而非 80 行；沙箱不是自定義中介軟體，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 二進位制，而非 Docker + venv + pip；二進位制體積約 10 MB，而非約 500 MB。Pipe 還提供了 91 個標準內建函式，覆蓋理解、並行、嵌入搜尋、工具呼叫、沙箱和測試等類別。

高階特性方面，Pipe 的 try_ai 能在執行時捕獲錯誤並讓 AI 自動修復表示式，例如把 "42" * 3 修復為 (to_num "42") * 3，修復失敗則落入 catch。管道預設並行，3 個 LLM 呼叫可在約 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 迴圈、多模式 match 和 not 關鍵字，並編譯為 40 條操作碼的位元組碼 VM，配合自動快取達到約 7 倍速度提升。開發體驗上有 LSP 驅動的 IntelliSense（補全、懸停文件、跳轉定義、診斷）、內建 test 塊和斷言函式，以及可在 GitHub Actions 中直接執行的官方 Action。目前專案已有 230+ 測試、約 15k 行 Go 程式碼、42 個示例程式、4 個 AI 提供商、9 個模組，並保持零第三方依賴。