BAML快速入门:5个步骤从零开始创建你的第一个AI函数
BAML是一个用于构建强类型LLM函数的编程语言,专为AI工作流和智能体设计。它通过将提示工程转变为模式工程,让开发者能够更可靠地构建AI应用。在本指南中,我将带你通过5个简单步骤创建你的第一个AI函数。
🚀 什么是BAML?
BAML全称"Basically a Made-up Language",是一种简单但强大的提示语言,专注于构建可靠的AI工作流和智能体。BAML让提示工程变得简单,通过将重点放在提示模型上,从而获得更可靠的输出。
核心优势:
- 强类型系统确保AI函数输出可靠
- 支持多种LLM模型(OpenAI、Anthropic、Gemini等)
- 内置测试和可观察性功能
- 完全开源,支持离线使用
📋 准备工作
在开始之前,确保你的开发环境已经就绪:
- 安装BAML CLI
- 选择目标编程语言(Python、TypeScript、Ruby、Go等)
- 配置API密钥(如OpenAI API密钥)
🛠️ 步骤1:创建BAML项目
首先创建一个新的BAML项目:
# 创建项目目录
mkdir my-baml-project
cd my-baml-project
# 初始化项目
baml init
这个命令会生成项目基础结构,包括配置文件和一些示例文件。
📝 步骤2:编写你的第一个AI函数
在项目中创建.baml文件,定义你的AI函数:
function ExtractResumeInfo(resume_text: string) -> ResumeInfo {
client "openai/gpt-4o-mini"
prompt #"
分析以下简历文本,提取关键信息。
简历内容:
{{ resume_text }}
请按照要求格式输出信息。
"#
}
class ResumeInfo {
name string
email string
skills string[]
experience_years int
}
⚙️ 步骤3:生成客户端代码
使用BAML编译器生成目标语言的客户端代码:
baml generate
这个命令会根据你的.baml文件生成对应的客户端库,让你可以在Python、TypeScript等语言中调用这些AI函数。
🔧 步骤4:在代码中调用AI函数
现在你可以在你的应用程序中调用刚刚定义的AI函数了:
Python示例:
from baml_client import b
# 调用AI函数
resume_info = b.ExtractResumeInfo("张三,5年软件开发经验...")
print(f"姓名: {resume_info.name}")
print(f"技能: {', '.join(resume_info.skills)}")
🧪 步骤5:测试和迭代
BAML提供了强大的测试工具,让你能够快速测试和迭代你的AI函数:
- 使用VS Code扩展进行可视化测试
- 并行运行测试以提高迭代速度
- 实时查看提示效果和API请求
🎯 BAML的核心特性
强类型系统
BAML提供完整的类型安全,确保AI函数的输入和输出都符合预期。
多模型支持
轻松在数百个模型之间切换,只需修改几行代码:
function Extract() -> ResumeInfo {
client openai/o3-mini // 只需修改这一行
// ... 其他代码保持不变
}
流式处理
BAML支持流式响应,让你能够构建实时的AI应用:
# 流式调用
stream = b.stream.ExtractResumeInfo(resume_text)
for partial_result in stream:
# 处理部分结果
update_ui(partial_result)
📊 实际应用场景
BAML适用于多种AI应用场景:
- 智能客服聊天机器人
- 文档分析和信息提取
- 代码生成和辅助编程
- 数据清洗和格式化
🔍 常见问题解答
Q: 我需要在BAML中编写整个应用程序吗? A: 不需要!你只需要在BAML中编写提示部分,其他业务逻辑仍然使用你熟悉的编程语言。
Q: BAML支持哪些编程语言? A: 目前支持Python、TypeScript、Ruby、Go等主流语言。
Q: BAML是免费的吗? A: 是的,BAML是完全开源的,采用Apache 2许可证。
🏆 总结
通过这5个简单步骤,你已经成功创建了第一个BAML AI函数。BAML的强大之处在于它简化了AI应用的开发流程,让你能够专注于业务逻辑而不是复杂的提示工程。
记住,BAML的核心思想是"LLM提示就是函数" - 每个提示都是一个接受参数并返回类型的函数。这种抽象让你能够像调用普通函数一样调用AI能力,大大提高了开发效率。
现在就开始你的BAML之旅吧!🚀
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00