Pipe – A runtime where AI operations are language primitives

Pipe, a new runtime that treats AI operations as language primitives, has been released as a single ~10 MB binary requiring no Python, dependencies, or vendor lock-in. The tool enables building, sandboxing, and deploying LLM pipelines with built-in parallelism, provider switching (OpenAI, DeepSeek, Ollama), and language-level sandboxing for safety. Pipe claims to reduce a typical RAG pipeline from ~80 lines of Python with LangChain to ~10 lines of Pipe code.

Build, sandbox, and deploy LLM pipelines with a single ~10 MB binary. No Python. No dependencies. No vendor lock-in. No install. No signup. Just type Pipe code and run. Keine Installation. Keine Anmeldung. Einfach tippen und ausführen. LLMs with file access, network, and exec are a liability. You need sandboxing at the language level — not afterthought middleware. LLMs mit Dateizugriff, Netzwerk und exec sind ein Risiko. Du brauchst Sandboxing auf Sprachebene — kein nachträgliches Middleware-Gefrickel. Sequential API calls turn a 1-second pipeline into a 10-second bottleneck. Parallelism shouldn't require asyncio.gather boilerplate. Sequentielle API-Calls machen aus einer 1-Sekunden-Pipeline einen 10-Sekunden-Flaschenhals. Parallelismus sollte kein asyncio.gather -Boilerplate brauchen. Switching from OpenAI to DeepSeek means rewriting your SDK code. Provider changes should be one line — not a refactor. Von OpenAI zu DeepSeek wechseln heißt SDK-Code umschreiben. Provider-Wechsel sollten eine Zeile sein — kein Refactor. Pipe fixes this at the language level. Pipe löst das auf Sprachebene. Read server logs, classify severity with AI, filter critical entries, summarize findings, translate to German, and save — 5 lines. No intermediate files. No Python script. Server-Logs einlesen, Schweregrad per KI klassifizieren, kritische Einträge filtern, zusammenfassen, ins Deutsche übersetzen und speichern — 5 Zeilen. Keine Zwischendateien. Kein Python-Skript. read file "/var/log/app/errors.log" split "\n" classify "critical", "warning", "info" filter fn l: l == "critical" summarize translate "de" save "incident report.txt" Vectorize your documents, embed the question, find the nearest matches by meaning — not keywords. Built-in embed , nearest , cosine sim . No vector DB setup. No Pinecone. Dokumente vektorisieren, Frage einbetten, ähnlichste Treffer nach Bedeutung finden — nicht nach Stichwörtern. Eingebaute embed , nearest , cosine sim . Keine Vektor-DB. Kein Pinecone. docs: read lines "knowledge base.txt" vectors: embed batch docs question: "How does the bytecode VM work?" q vec: embed question top: nearest q vec vectors 3 context: "" for idx in top context: context ++ at docs idx ++ "\n---\n" ask "Context:\n" ++ context ++ "\nQuestion: " ++ question print Define a tool, register it with the LLM, and let the model call it autonomously. Sandbox profiles lock down exec , write file , and network access — safe by default. The same code swaps between OpenAI, DeepSeek, and Ollama with one line. Ein Tool definieren, beim LLM registrieren und das Modell autonom aufrufen lassen. Sandbox-Profile sperren exec , write file und Netzwerkzugriff — standardmäßig sicher. Derselbe Code wechselt mit einer Zeile zwischen OpenAI, DeepSeek und Ollama. -- Declare a sandbox: temp files only, network ok, no exec sandbox profile "agent" {fs: "temp-only", network: true, exec: false, ai: true} set sandbox "agent" fn get weather city match city | "Berlin" - "22°C, sunny" | "London" - "15°C, rainy" | - city ++ ": no data" ai tool "get weather" "Get current weather for a city" {city: "City name"} get weather ai with tools "You are a weather assistant." "What's the weather in Berlin and London?" print Same job. Less code. Built-in safety. Gleicher Job. Weniger Code. Eingebaute Sicherheit. | Python + LangChain | Pipe | | |---|---|---| | RAG pipelineRAG-Pipeline | ~80 LOC~80 Zeilen | ~10 LOC~10 Zeilen | | Sandbox LLM accessLLM-Zugriff sandboxen | Custom middlewareCustom Middleware | One sandbox profile blockEin sandbox profile-Block | | Switch AI providerKI-Provider wechseln | Rewrite SDK callsSDK-Calls umschreiben | ai provider "deepseek" | | Deploy to serverAuf Server deployen | Docker + venv + pipDocker + venv + pip | scp pipe binaryscp pipe binary | | Parallel LLM callsParallele LLM-Calls | asyncio.gather boilerplateasyncio.gather -Boilerplate | operator, ai batch | | Binary size with deps Binary-Größe mit Deps | ~500 MB~500 MB | ~10 MB~10 MB | 23 AI operations are language primitives — not library calls. summarize , translate , classify work without imports, SDKs, or API wrappers. 23 KI-Operationen sind Sprach-Primitives — keine Library-Calls. summarize , translate , classify funktionieren ohne Imports, SDKs oder API-Wrapper. Declarative sandbox profiles restrict exec , write file , and http get . Essential for ai with tools — keep LLMs on a leash. Deklarative Sandbox-Profile beschränken exec , write file und http get . Essentiell für ai with tools — LLMs an die Leine nehmen. One statically-linked ~10 MB binary. No venv, no pip, no Docker. Linux, macOS, Windows, Raspberry Pi — or your browser via WebAssembly. Eine statisch gelinkte ~10 MB Binary. Kein venv, kein pip, kein Docker. Linux, macOS, Windows, Raspberry Pi — oder dein Browser per WebAssembly. starts any pipeline stage in the background. Futures auto-resolve. ai batch processes hundreds of texts concurrently with rate limiting. startet jede Pipeline-Stufe im Hintergrund. Futures lösen sich automatisch auf. ai batch verarbeitet hunderte Texte parallel mit Rate-Limiting. OpenAI, Anthropic, DeepSeek, Ollama. Switch providers with ai provider . Same code. Same pipeline. Zero rewrites. OpenAI, Anthropic, DeepSeek, Ollama. Provider wechseln mit ai provider . Gleicher Code. Gleiche Pipeline. Keine Rewrites. Zero-setup testing: test blocks with assert eq , assert error . Run via pipe -test . No framework. No config. Official GitHub Action for CI. Testen ohne Setup: test -Blöcke mit assert eq , assert error . Ausführen per pipe -test . Kein Framework. Keine Config. Offizielle GitHub Action für CI. 9 curated modules. Pin versions with @1.0.0 . pipe -search discovers, pipe -get installs. Import by name — no URLs. 9 kuratierte Module. Versionen pinnen mit @1.0.0 . pipe -search entdeckt, pipe -get installiert. Import per Name — keine URLs. LSP-powered IntelliSense: completion, hover docs, go-to-definition, diagnostics. GitHub Action runs Pipe in CI — no install, sandboxed by default. LSP-powered IntelliSense: Completion, Hover-Docs, Go-to-Definition, Diagnostics. GitHub Action führt Pipe in CI aus — keine Installation, standardmäßig sandboxed. Compile to 40 opcodes, execute on a stack machine with automatic caching. Tree-walker for development, VM for production. Kompilieren in 40 Opcodes, Ausführung auf einer Stack-Machine mit automatischem Caching. Tree-Walker für Entwicklung, VM für Produktion. | summarize | Text summarization | | translate | Translation | | classify | Classification | | extract | Data extraction JSON | | ask | Question answering | | generate | Free-text generation | | ai stream | Real-time token streaming | | ai batch | Auto-parallel batch | | ai parallel | Concurrency control | | ai rate limit | Rate limiting | | ai chat | Low-level chat | | ai chat json | Chat → structured JSON | | embed | Text → vector | | embed batch | Batch embeddings | | cosine sim | Semantic similarity | | dot product | Dot product | | nearest | Top-K nearest | | ai tool | Register function as tool | | ai with tools | Chat with tool access | | ai provider | Select AI provider | | ai model | Select model | | ai timeout | Set timeout | | sandbox profile | Define a sandbox profile | | set sandbox | Activate a profile | | with sandbox | Temp profile override | | test | Grouped test block | | assert | Truthy check | | assert eq | Equality check | | assert lt | Less-than check | | assert gt | Greater-than check | | assert error | Expect an error | Write and run Pipe code instantly. No install. No signup. Full syntax highlighting. Pipe-Code sofort schreiben und ausführen. Keine Installation. Kein Login. Volles Syntax-Highlighting. git clone + make build . One binary. Set your API key. Done. git clone + make build . Eine Binary. API-Key setzen. Fertig. Run Pipe in GitHub Actions. Sandboxed by default. No installation. AI-enabled on demand. Pipe in GitHub Actions ausführen. Standardmäßig sandboxed. Keine Installation. KI bei Bedarf aktivierbar. try ai catches runtime errors and uses AI to automatically fix the broken expression — type mismatches, division by zero, index errors. If the AI can't fix it, execution falls to catch . No other language has this. try ai fängt Laufzeitfehler und nutzt KI um den Ausdruck automatisch zu reparieren — Typ-Fehler, Division durch Null, Index-Fehler. Wenn die KI nicht fixen kann, fällt es ins catch . Keine andere Sprache kann das. try ai "42" 3 -- E002: STRING INTEGER catch e 0 -- fallback if AI fix fails -- AI auto-fix: to num "42" 3 → 126 ✓ starts any pipeline stage in the background — returning a Future that auto-resolves when needed. ai batch handles hundreds of texts concurrently with built-in rate limiting. No async/await. No Promise.all. startet jede Pipeline-Stufe im Hintergrund — und gibt einen Future zurück, der sich automatisch auflöst. ai batch verarbeitet hunderte Texte parallel mit eingebautem Rate-Limiting. Kein async/await. Kein Promise.all. -- 3 AI calls — ~1.5s instead of ~4s a: "Capital of France?" ask b: "Capital of Germany?" ask c: "Capital of Italy?" ask print a ++ " | " ++ b ++ " | " ++ c C-style for loops, multi-pattern match , and a not keyword keep everyday scripting painless. All compiled to bytecode with proper continue/break support. C-Style- for -Schleifen, Multi-Pattern- match und ein not -Keyword machen alltägliches Scripting angenehm. Alles in Bytecode kompiliert mit voller continue/break-Unterstützung. php for i: 0; i < 5; i: i + 1 print i match 6 | 2 | 4 | 6 - print "even" | 1 | 3 | 5 - print "odd" if not 2 3 print "clearly true" The Pipe syntax is AI-friendly by design. Its heart is the pipeline: data flows top to bottom through , step by step — the same way AI models reason about a task. Here's why models understand and learn Pipe so quickly. Die Pipe-Syntax ist von Haus aus KI-freundlich. Ihr Herzstück ist die Pipeline: Daten fließen von oben nach unten durch , Schritt für Schritt — genauso, wie KI-Modelle über eine Aufgabe nachdenken. Deshalb verstehen und erlernen Modelle Pipe so schnell. An AI task is a sequence of steps: read → clean → classify → summarize → deliver . Pipe writes that sequence literally — every is one transformation, top to bottom. A model doesn't have to reverse-engineer control flow or hunt for side effects; the code is a straight line from input to result, exactly the shape of a reasoning chain. Eine KI-Aufgabe ist eine Folge von Schritten: lesen → bereinigen → klassifizieren → zusammenfassen → liefern . Pipe schreibt diese Folge wörtlich — jedes ist eine Transformation, von oben nach unten. Ein Modell muss keinen Kontrollfluss rekonstruieren und keine Seiteneffekte suchen; der Code ist eine gerade Linie vom Input zum Ergebnis — exakt die Form einer Denkkette. -- one step per line, top to bottom — like a reasoning chain read file "tickets.txt" split "\n" classify "bug", "feature", "question" summarize save "report.md" Around 20 keywords, 66 token types, 33 AST node types. No classes, no generics, no decorators, no async model to absorb. The whole language fits on a page — so a model memorizes it in one glance and stays inside the grammar instead of drifting out of it. Rund 20 Keywords, 66 Token-Typen, 33 AST-Nodes. Keine Klassen, keine Generics, keine Dekoratoren, kein async -Modell zum Aufnehmen. Die ganze Sprache passt auf eine Seite — ein Modell erfasst sie auf einen Blick und bleibt innerhalb der Grammatik, statt herauszudriften. -- ~20 keywords · no classes · no types · no braces fn classify ticket t match t | "refund" - "billing" | "crash" - "bug" | - "other" -- implicit calls: no parentheses, no commas print classify ticket "crash" Pipe uses the structures LLMs are already best at: indentation-based blocks like Python, and implicit space-separated calls instead of parentheses and commas. No braces to balance, no semicolons, no delimiter bookkeeping — the most common source of codegen bugs is simply not there. Pipe nutzt die Strukturen, in denen LLMs ohnehin am besten sind: einrückungsbasierte Blöcke wie in Python und implizite, leerzeichengetrennte Aufrufe statt Klammern und Kommas. Keine geschweiften Klammern, keine Semikolons, keine Klammern-Buchhaltung — die häufigste Codegen-Fehlerquelle existiert schlicht nicht. -- Python: , , :, , — four kinds of bookkeeping if len items 3 and items 0 = nil: ... -- Pipe: indentation blocks, space-separated calls if len items 3 && at items 0 = nil print "many items" summarize , translate , classify , ask , embed , nearest — the verb is the operation. No client objects, no messages dicts, no model IDs, no API-key plumbing to remember. Code sits one step from natural language, so a model maps your task to the syntax without ceremony. summarize , translate , classify , ask , embed , nearest — das Verb ist die Operation. Keine Client-Objekte, keine messages -Dicts, keine Modell-IDs, keine API-Key-Klempnerei, die man sich merken müsste. Code liegt einen Schritt von natürlicher Sprache entfernt, sodass ein Modell deine Aufgabe ohne Zeremonie in Syntax übersetzt. -- the verbs ARE the operation ticket: read file "ticket.txt" summary: summarize ticket reply: translate summary "de" print reply Every is one reasoning step. The pipeline is the plan — models read intent directly from the shape. Jedes ist ein Denkschritt. Die Pipeline ist der Plan — Modelle lesen die Absicht direkt aus der Form. No control-flow maze, no mutable state to track. The whole program stays in context. Kein Kontrollfluss-Labyrinth, kein veränderlicher Zustand zu verfolgen. Das ganze Programm bleibt im Kontext. Indentation like Python, implicit calls instead of brackets — structures models already handle best. Einrückung wie in Python, implizite Aufrufe statt Klammern — Strukturen, die Modelle ohnehin am besten beherrschen. The whole language fits on a page — learnable in one glance, easy to stay inside. Die ganze Sprache passt auf eine Seite — auf einen Blick lernbar, leicht darin zu bleiben. Self-describing AI verbs read like instructions — no SDKs or API schemas to memorize. Selbstbeschreibende KI-Verben lesen sich wie Anweisungen — keine SDKs oder API-Schemas zum Merken. 5 lines replace ~80. Fewer tokens to generate, less room for the model to drift. 5 Zeilen statt ~80. Weniger Tokens zu generieren, weniger Raum für Drift.