Pipelex

这是什么？

Pipelex 是声明式 AI Workflow DSL（领域特定语言）+ Python 运行时，定位为「AI Workflows 的 Dockerfile/SQL」。你用 DSL 声明步骤和接口，运行时自动填充模型和提供者。核心创新是 Agent-first 设计——每步携带自然语言上下文（目的、输入输出含语义），LLM 可审计和优化。MIT 开源，附带 n8n 节点、VS Code 扩展、Python 库、FastAPI + Docker 部署。

适合人群：需要构建可复用 AI 工作流的开发者、n8n 用户、希望用 DSL 管理 AI 管道的团队。

准备工作

• Python 3.10+
• LLM API Key（OpenAI / Anthropic / DeepSeek 等）
• 可选：Docker（用于部署）
• 可选：n8n 实例（用于集成）

快速上手

安装

pip install pipelex

创建第一个 Pipe

创建一个 my-first.pipelex 文件：

name: article-summarizer
description: 输入文章 URL，输出结构化摘要
version: "1.0"

inputs:
  - name: url
    type: string
    description: 文章 URL

steps:
  - name: fetch
    description: 获取文章内容
    model: gpt-4o-mini
    tool: web_fetch
    input: "{{inputs.url}}"
    output: raw_content

  - name: summarize
    description: 生成结构化摘要
    model: claude-sonnet-4-6
    prompt: |
      请对以下文章生成结构化摘要：
      - 核心观点（1-2 句）
      - 关键论据（3-5 点）
      - 结论
      文章内容：{{steps.fetch.raw_content}}
    output: summary

outputs:
  - name: summary
    type: object
    description: 结构化摘要

运行 Pipe

# 从自然语言生成 Pipe（可选）
pipelex build pipe "创建一个文章摘要生成器，输入 URL，输出结构化摘要"

# 运行 Pipe
pipelex run my-first.pipelex --url "https://example.com/article"

MCP 服务器模式

# 启动 MCP 服务器，让 AI Agent 可以调用 Pipe
pipelex serve --mcp

常见踩坑

1. Pipe 语法学习曲线：DSL 语法需要学习，建议从 pipelex build 自然语言生成开始
2. 模型选择：不同步骤适合不同模型——简单任务用 gpt-4o-mini，复杂推理用 Claude Opus
3. 嵌套 Pipe 调试：嵌套调用时错误排查困难，建议先单独测试每个子 Pipe
4. 依赖管理：Pipe 之间如果有依赖关系，确保前置 Pipe 的输出格式与后置 Pipe 的输入匹配
5. 社区 Pipe 质量：社区共享的 Pipe 质量不一，使用前建议审查代码

常见问题 FAQ

Q1: Pipelex 和 LangChain 有什么区别？

A: LangChain 是 Python 框架，需要写代码。Pipelex 是声明式 DSL + 自然语言，非程序员也能定义工作流。Pipelex 更轻量，Go 实现，性能更好。

Q2: 能和 n8n 一起用吗？

A: 可以。Pipelex 提供了 n8n 节点，可以在 n8n 工作流中调用 Pipelex Pipe。

Q3: 支持本地模型吗？

A: 支持。通过 Ollama 集成可以使用本地模型：model: ollama/llama3。

Q4: Pipe 可以分享给团队吗？

A: 可以。Pipe 文件是纯文本，可以 Git 版本管理，通过社区仓库分享。

Q5: 如何部署到生产环境？

A: 使用 Docker 部署：docker run -p 8080:8080 pipelex/pipelex serve --port 8080

参考链接

• GitHub 仓库
• Pipelex 文档
• n8n 集成文档