Pipe — The runtime for AI-native infrastructure

SPR v0.7.0 · Semantic Pipeline Runtime

The runtime for<br>AI-native infrastructure

Build, sandbox, and deploy LLM pipelines with a single ~10 MB binary. No Python. No dependencies. No vendor lock-in.

23AI Builtins

230+Tests

~10 MBBinary Size

4Providers

9Modules

▶ Try in Browser<br>Read the Docs →

Try Pipe in your browser

Probier Pipe im Browser

No install. No signup. Just type Pipe code and run.

Keine Installation. Keine Anmeldung. Einfach tippen und ausführen.

pipe playground

▶ Run

Loading WASM...

Running AI in production is harder than it should be

KI in Produktion ist schwieriger als nötig

🔒

Security

Sicherheit

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.

🐌

Performance

Performance

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.

🔗

Vendor Lock-in

Vendor-Lock-in

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.<br>Pipe löst das auf Sprachebene.

From log files to AI agents — in a few lines

Von Logdateien bis KI-Agenten — in wenigen Zeilen

Log Analysis → Incident Report

Log-Analyse → Incident-Report

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"<br>> split "\n"<br>> classify ["critical", "warning", "info"]<br>> filter (fn l: l == "critical")<br>> summarize<br>> translate "de"<br>> save "incident_report.txt"

RAG Pipeline — Semantic Search

RAG-Pipeline — Semantische Suche

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"<br>vectors: embed_batch docs

question: "How does the bytecode VM work?"<br>q_vec: embed question<br>top: nearest q_vec vectors 3

context: ""<br>for idx in top<br>context: context ++ (at docs idx) ++ "\n---\n"

ask ("Context:\n" ++ context ++ "\nQuestion: " ++ question)<br>> print

AI Agents — Sandboxed & Parallel

KI-Agenten — Sandboxed & Parallel

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<br>sandbox_profile "agent" {fs: "temp-only", network: true, exec: false, ai: true}<br>set_sandbox "agent"

fn get_weather city<br>match city<br>| "Berlin" -> "22°C, sunny"<br>| "London" -> "15°C, rainy"<br>| _ -> 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."<br>"What's the weather in Berlin and London?"<br>> print

Pipe vs. Python + LangChain

Pipe vs. Python + LangChain

Same job. Less code. Built-in safety.

Gleicher Job. Weniger Code. Eingebaute Sicherheit.

Python + LangChainPipe<br>RAG pipelineRAG-Pipeline~80 LOC~80 Zeilen~10 LOC~10 Zeilen<br>Sandbox LLM accessLLM-Zugriff sandboxenCustom middlewareCustom MiddlewareOne sandbox_profile blockEin sandbox_profile-Block<br>Switch AI providerKI-Provider wechselnRewrite SDK callsSDK-Calls umschreibenai_provider "deepseek"<br>Deploy to serverAuf Server deployenDocker + venv + pipDocker + venv + pipscp pipe binaryscp pipe binary<br>Parallel LLM callsParallele LLM-Callsasyncio.gather() boilerplateasyncio.gather()-Boilerplate>> operator, ai_batch<br>Binary size (with deps)Binary-Größe (mit Deps)~500 MB~500 MB~10 MB~10 MB

What you get with Pipe

Was du mit Pipe bekommst

Ship AI pipelines 10× faster

KI-Pipelines 10× schneller bauen

23 AI operations are language primitives — not library calls....