微软发布了一个新的 GenAI 脚本语言！

GenAIScript 是一种结合了生成式人工智能（Generative AI，简称 GenAI）和脚本编写能力的新型脚本语言：

1. 集成 LLMs ： GenAIScript 无缝集成了大型语言模型，使得脚本能够直接调用强大的生成式 AI 能力，简化复杂的自然语言处理任务。
2. 简化 JavaScript 语法 ：结合标准的 JavaScript 语法，使开发者无需学习新的编程语言，降低了上手难度。
3. 高效的自动化能力 ：通过脚本自动化各种任务，如数据处理、内容生成和执行 API 请求等，能够高效完成。

$`Analyze ${env.files} and report errors. Use gitmojis.`

通过简化的 JavaScript 语法，它将大型语言模型（LLMs）引入到脚本编写过程中，使开发者能够更加灵活快捷地创建自动化任务和智能应用。

// define the context
def("FILE", env.files, { endsWith: ".pdf" })
// structure the data
const schema = defSchema("DATA", { type: "array", items: { type: "string" } })
// assign the task
$`Analyze FILE and extract data to JSON.`
// save results to file
defFileOutput("*.pdf.txt", "Extracted data", { schema })
// tools
defTool("weather", "live weather", { city: "Paris" }, /* schema */
    async ({ city }) => { ... "sunny" }) /* callback */
// agents!
defAgent("git", "answer git questions", "You are a git expert.", { tools: ["git"] })
...

支持 JavaScript 和 TypeScript

GenAIScript 支持使用 JavaScript 和 TypeScript 来构建 prompts ，使得开发过程更加灵活和方便。脚本文件以 .genai.mjs 或 .genai.mts 扩展名命名，分别表示 JavaScript 或 TypeScript 文件，并设计用于通过 LLM 构建提示。

• ** .genai.mjs **：模块化 JavaScript 语法，支持导入其他模块。
• ** .genai.js **：非模块化 JavaScript 文件，通过 eval 执行，不支持模块导入。
• ** .genai.mts **：模块化 TypeScript 文件，支持导入其他 TypeScript 模块，包括动态导入。
• ** system.*.genai.mjs **：系统提示模板，默认情况下未列出。

GenAIScript 将自动检测工作区中任何匹配 *.genai.mjs 、 *.genai.js 或 *.genai.mts 的文件。虽然脚本文件可以放置在工作区的任何位置，但扩展会默认将它们放置在 genaisrc 文件夹中。

以下是一个名为 shorten.genai.mjs 的示例文件，演示了如何创建一个缩短文本的提示脚本：

script({
    title




    
: "Shorten", // 在UI和 Copilot聊天中显示
    description: "A prompt that shrinks the size of text without losing meaning", // 也显示但灰色显示
})

const file = def("FILE", env.files) // 定义文件变量

// 将文本附加到提示中
$`Shorten ${file}. Limit changes to minimum.`

安装与配置

GenAIScript 需要 Node.js 才能运行。我们推荐安装 Node.js 的长期支持版 ( LTS )。

不到 2 年拿下 73K Star 的前端开源项目！

VSCode 扩展

然后安装 Visual Studio Code 扩展

1. 在 Visual Studio Code Marketplace 中搜索 GenAIScript ，安装最新的稳定版本扩展。
2. 安装 Visual Studio Code。这是一个轻量且强大的源代码编辑器，支持 Windows、macOS 和 Linux。
3. 在 Visual Studio Code 中打开你的项目文件夹。
4. 点击左侧活动栏中的扩展视图图标
5. 搜索 GenAIScript 并点击 安装 。安装成功后，你将看到扩展视图中的图标
6. （可选）点击扩展页面上的 ⚙️ 齿轮图标，并选择 添加到工作区推荐 。

如果你需要安装特定版本的扩展，建议将 genaiscript.vsix 存储在你的仓库中并使用手动安装。步骤如下：

1. 打开 GitHub 最新发布页面，下载 genaiscript.vsix 到你的项目根目录。
2. 在 Visual Studio Code 中打开你的项目。
3. 右键点击 .vsix 文件，选择 Install Extension VSIX… 进行安装。

命令行工具

GenAIScript 命令行工具允许你从任何终端运行脚本。

使用 npx 运行脚本

npx genaiscript run my-script some/path/*.pdf

npx 将自动安装并缓存CLI。你也可以将它作为 devDependency 添加到你的项目中：

安装 genaiscript 为开发依赖

npm install -D genaiscript

GenAIScript 会在默认的终端中启动一个 node 服务器。如果默认终端未配置或不支持 Node.js ，你可能需要在用户/工作区设置中更新它。

1. 打开命令面板 Ctrl+Shift+P ，搜索 Terminal: Select Default Profile 。
2. 选择一个终端配置文件，比如 Git Bash 。

这样配置好之后，你便可以方便地在 Visual Studio Code 或命令行中进行 GenAIScript 的开发工作了。

运行模型

通过 GitHub Models 或 GitHub Copilot 运行模型：

script({ ..., model: "github:gpt-4o" })

支持 Ollama 、 LocalAI 等开源模型在本地运行：

script({ ..., model: "ollama:phi3" })

数据架构

在 GenAIScript 中，我们可以强制 LLM 生成符合特定架构的数据。这种方法效果相当不错，并且 GenAIScript 还会提供自动验证功能。 GenAIScript 支持的架构比完整的 JSON 架构规范要简单，建议使用简单的架构以避免混淆 LLM，然后再将其导入到你的应用特定的数据格式中。

你可以使用 defSchema 来定义提示输出的 JSON/YAML 架构。例如，下面定义了一个城市列表的架构：

const schema = defSchema("CITY_SCHEMA", {
    type: "array",
    description: "A list of cities with population and elevation information.",
    items: {
        type: "object",
        description: "A city with population and elevation information.",
        properties: {
            name: { type: "string", description: "The name of the city." },
            population: { type: "number", description: "The population of the city." },
            url: { type: "string", description: "The URL of the city's Wikipedia page." }
        },
        required: ["name", "population", "url"]
    }
})

$`Generate data using JSON compliant with ${schema}.`

根据 TypeChat 的 “All You Need Is Types” 方法，架构会在插入 LLM 提示前转换成 TypeScript 类型。例如，上面的 CITY_SCHEMA 类型如下：

// A list of cities with population and elevation information.




    

type CITY_SCHEMA = Array<{
    // The name of the city.
    name: string,
    // The population of the city.
    population: number,
    // The URL of the city's Wikipedia page.
    url: string,
}>

一旦定义了架构，你可以告诉 LLM 根据这个架构生成数据。你可以通过以下方式生成符合 CITY_SCHEMA 的 JSON 数据：

const schema = defSchema("CITY_SCHEMA", {
    type: "array",
    description: "A list of cities with population and elevation information.",
    items: {
        type: "object",
        description: "A city with population and elevation information.",
        properties: {
            name: { type: "string", description: "The name of the city." },
            population: { type: "number", description: "The population of the city." },
            url: { type: "string", description: "The URL of the city's Wikipedia page." }
        },
        required: ["name", "population", "url"]
    }
})
$`Generate data using JSON compliant with ${schema}.`

生成的数据示例：

[
  {
    "name": "New York",
    "population": 8398748,
    "url": "https://en.wikipedia.org/wiki/New_York_City"
  },
  {
    "name": "Los Angeles",
    "population": 3990456,
    "url": "https://en.wikipedia.org/wiki/Los_Angeles"
  },
  {
    "name": "Chicago",
    "population": 2705994,
    "url": "https://en.wikipedia.org/wiki/Chicago"
  }
]

当生成的 JSON/YAML 内容带有架构标识符时， GenAIScript 会自动验证其是否符合定义的架构。你可以在脚本运行时使用 parsers.validateJSON 来验证 JSON 数据：

const validation = parsers.validateJSON(schema, json)

特性和功能

文本文件处理

GenAIScript 支持从 PDF 、 DOCX 等文件中提取文本内容，比如处理和解析 PDF 文件：

def("PDF", env.files, { endsWith: ".pdf" })
const { pages } = await parsers.PDF(env.files[0])

def 函数将自动解析 PDF 文件并从中提取文本，parsers.PDF 函数会读取 PDF 文件并尝试将其干净地转换为适合 LLM 的文本格式。

表格数据处理

可以从 CSV 、 XLSX 等表格文件中提取数据并进行处理。

def("DATA", env.files, { endsWith: ".csv", sliceHead: 100 })
const rows = await parsers.CSV(env.files[0])
defData("ROWS", rows, { sliceHead: 100 })

文件操作

GenAIScript 提供了对工作区文件系统以及在用户界面中选定文件的访问权限。

env.files 变量包含了通过用户界面或命令行选中的文件数组，你可以直接在 def 函数中传递并添加额外过滤条件。

def("PDFS", env.files, { endsWith: ".pdf" })

使用 defFileOutput 指定允许输出的文件路径及其用途描述。

defFileOutput("src/*.md", "Product documentation in markdown format")

使用 glob 模式在工作区中查找文件：

const mds = await workspace.findFiles("**/*.md")
def("DOCS", mds)

使用 grep 方法在工作区中搜索含有特定模式的文件内容：

const { files } = await workspace.grep("example", "**/*.md")
def("FILE", files)

读取 JSON 文件内容：

const data = await workspace.readJSON("data.json")

将文本内容写入文件：

await workspace.writeText("output.txt", "Hello, world!")

LLM 工具

你可以注册 JavaScript 函数作为工具来使用。

defTool(
    "weather",
    "query a weather web api",
    { location: "string" },
    async (args) =>
        await fetch(`https://weather.api.api/?location=${args.location}`)
)

注册 JavaScript 函数作为工具并结合 prompt 成为代理。

defAgent(
    "git",
    "Query a repository using Git to accomplish tasks.",
    `Your are a helpful LLM agent that can use the git tools to query the current repository.
    Answer the question in QUERY.
    - The current repository is the same as github repository.`,
    { model, system: ["system.github_info"], tools: ["git"] }
)
then use it as a tool

script({ tools: "agent" })

$`Do a statistical analysis of the last commits`

内置 RAG

支持矢量搜索功能。

const { files } = await retrieval.vectorSearch("cats", "**/*.md")

运行代码

LLM 可以在沙箱环境下运行代码。

script({ tools: ["python_code_interpreter"] })

也可以在 Docker 容器中运行代码。

const c = await host.container({ image: "python:alpine" })
const res = await c.exec("python --version")

还可以运行 Prompty 文件。

---
name: poem
---

Write me a poem

应用示例