BaseAI

BaseAI 已归档，现推荐使用 Langbase AI Primitives。在开发 BaseAI 的过程中，我们越发意识到框架在 AI 工程领域并非最优解。AI 领域发展极其迅速，框架往往会成为开发的阻碍。相反，你应该使用像 memory, pipes, agents 这样的 AI 原语（Primitives），它们可以作为 API 在任何编程语言中使用，同时也提供了 TypeScript 和 Python 的 SDK。你可以使用任何编码助手（如 CommandCode）利用这些 AI 原语构建属于你自己的 AI 框架。BaseAI 是一个极佳的实践案例。

BaseAI 是用于构建具备记忆和工具支持的 Serverless 可组合 AI 智能体的 AI 框架。它允许你在本地机器上开发 AI 智能体管道（Pipes），并集成智能体工具和记忆（RAG）。访问 BaseAI.dev/learn 教程开始使用 BaseAI。

文档（推荐）

请查阅 BaseAI.dev/docs 和 BaseAI.dev/learn 以获取完整文档并开始使用。

1. 初始化一个新的 BaseAI 项目

BaseAI 是一个以 TypeScript 为先的框架。要在你的项目中创建新的 BaseAI 项目，请执行以下命令：

npx baseai@latest init

此命令将在你的项目中创建一个 baseai 目录。目录结构如下所示：

ROOT (of your app)
├── baseai
|  ├── baseai.config.ts
|  ├── memory
|  ├── pipes
|  └── tools
├── .env (your env file)
└── package.json

2. 添加 API Key

在你的 .env 文件中复制以下内容，并添加相应的 LLM API Key：

# !! 仅限服务端 !!
# 请妥善保管你的所有 API Key — 仅在服务端使用。

# TODO: 添加：在生产环境和本地环境变量文件中都要添加。
# 用于你的用户或组织账号的 Langbase API Key。
# 如何获取此 API Key: https://langbase.com/docs/api-reference/api-keys
LANGBASE_API_KEY=

# TODO: 添加：仅限本地。仅添加到本地环境变量文件中。
# 以下 Key 是本地运行 Pipe 所必需的，取决于你使用的提供商。
# 对于 Langbase，请将 Key 添加到你的 LLM Keysets 中。
# 阅读更多: Langbase LLM Keysets https://langbase.com/docs/features/keysets
OPENAI_API_KEY=
ANTHROPIC_API_KEY=
COHERE_API_KEY=
FIREWORKS_API_KEY=
GOOGLE_API_KEY=
GROQ_API_KEY=
MISTRAL_API_KEY=
PERPLEXITY_API_KEY=
TOGETHER_API_KEY=
XAI_API_KEY=

3. 创建一个新的 AI 智能体

Pipe 是你作为 API 自定义的 AI 智能体。这是发布 AI 功能/应用最快的方式。让我们创建一个新的 Pipe：

npx baseai@latest pipe

它会逐步询问你 Pipe 的名称、描述以及其他详细信息。完成后，系统会在 /baseai/pipes 目录下创建一个 Pipe。现在你可以编辑系统提示词（System Prompt）、更改模型参数等。Pipe 的代码如下所示：

import { PipeI } from '@baseai/core';

const pipeSummary = (): PipeI => ({
	// Replace with your API key https://langbase.com/docs/api-reference/api-keys
	apiKey: process.env.LANGBASE_API_KEY!,
	name: 'summary',
	description: 'AI Summary agent',
	status: 'public',
	model: 'openai:gpt-4o-mini',
	stream: true,
	json: false,
	store: true,
	moderate: true,
	top_p: 1,
	max_tokens: 1000,
	temperature: 0.7,
	presence_penalty: 1,
	frequency_penalty: 1,
	stop: [],
	tool_choice: 'auto',
	parallel_tool_calls: true,
	messages: [
		{
			role: 'system',
			content: `You are a helpful AI agent. Make everything Less wordy.`
		}
	],
	variables: [],
	memory: [],
	tools: []
});

export default pipeSummary;

4. 在你的应用中集成 Pipe

让我们在项目根目录下创建一个新的 index.ts 文件。现在我们需要执行以下步骤：

1. 导入我们创建的 Pipe 配置。
2. 使用 Pipe 配置创建一个新的 Pipe 实例。
3. 使用用户消息运行 Pipe。
4. 监听流（stream）事件。

代码如下所示：

import { Pipe, getRunner } from '@baseai/core';
import pipeSummarizer from './baseai/pipes/summary';

const pipe = new Pipe(pipeSummarizer());

const userMsg = `
Langbase studio is your playground to build, collaborate, and deploy AI. It allows you to experiment with your pipes in real-time, with real data, store messages, version your prompts, and truly helps you take your idea from building prototypes to deployed in production with LLMOps on usage, cost, and quality.
A complete AI developers platform.
- Collaborate: Invite all team members to collaborate on the pipe. Build AI together.
- Developers & Stakeholders: All your R&D team, engineering, product, GTM (marketing and sales), literally invlove every stakeholder can collaborate on the same pipe. It's like a powerful version of GitHub x Google Docs for AI. A complete AI developers platform.
`;

async function main() {
	const { stream } = await pipe.run({
		messages: [{ role: 'user', content: userMsg }],
		stream: true,
	});

	const runner = getRunner(stream);

	// Method 1: Using event listeners
	runner.on('connect', () => {
		console.log('Stream started.');