⚡ 3 LLM Calls in 1.5s, Not 4s — Parallel by Default
The >> operator starts pipeline stages in the background. Futures auto-resolve when you use them — no asyncio.gather() boilerplate.
> Part of the *Pipe in 30 Lines* series: RAG without a vector DB · Self-healing code · Your first MCP server
Sequential LLM calls add up: three questions, one after another, each waiting its turn. Pipe's >> operator runs each stage concurrently — the future resolves automatically the moment you touch the value.
ai_provider "deepseek"
a: "Löse 7*8+4 und antworte nur mit der Zahl."
>> ask
b: "Löse 12*12 und antworte nur mit der Zahl."
>> ask
c: "Löse 100/4 und antworte nur mit der Zahl."
>> ask
t: now
print ("Frage 1: " ++ a)
print ("Frage 2: " ++ b)
print ("Frage 3: " ++ c)
print ("Fertig nach " ++ (to_str ((now) - t)) ++ "s")What happens here:
>>replaces>and starts the stage in the background — all threeaskcalls leave immediately.- The values
a,b,care *futures*; they auto-resolve when printed or used. No.await(), no thread management. - Timing is real: on a local run all three answers land in ~2 seconds instead of three round trips.
In Python this is asyncio.gather() plus an async client setup, event loops, and call-site discipline. In Pipe, parallelism is the default shape of the pipeline, not an import.
For batched workloads, ai_batch goes further — it fans out hundreds of texts with built-in rate limiting. The full comparison lives in examples/parallel_ai_demo.pipe; the minimal version above runs with export DEEPSEEK_API_KEY=... && pipe -vm -q examples/blog_parallel.pipe.
⚡ 3 LLM-Calls in 1,5s statt 4s — Parallel als Standard
Der >>-Operator startet Pipeline-Stufen im Hintergrund. Futures lösen sich beim Benutzen automatisch auf — kein asyncio.gather()-Boilerplate.
> Teil der Serie *Pipe in 30 Lines*: RAG ohne Vektor-DB · Selbstheilender Code · Dein erster MCP-Server
Sequentielle LLM-Calls summieren sich: drei Fragen, eine nach der anderen, jede wartet auf ihren Turn. Pipes >>-Operator startet jede Stufe parallel — das Future löst sich automatisch auf, sobald du den Wert anfasst.
ai_provider "deepseek"
a: "Löse 7*8+4 und antworte nur mit der Zahl."
>> ask
b: "Löse 12*12 und antworte nur mit der Zahl."
>> ask
c: "Löse 100/4 und antworte nur mit der Zahl."
>> ask
t: now
print ("Frage 1: " ++ a)
print ("Frage 2: " ++ b)
print ("Frage 3: " ++ c)
print ("Fertig nach " ++ (to_str ((now) - t)) ++ "s")Was hier passiert:
>>ersetzt>und startet die Stufe im Hintergrund — alle dreiask-Calls laufen sofort los.- Die Werte
a,b,csind *Futures*; sie lösen sich automatisch auf, sobald sie gedruckt oder benutzt werden. Kein.await(), kein Thread-Management. - Das Timing ist real: lokal landen alle drei Antworten in ~2 Sekunden statt drei Roundtrips.
In Python heißt das asyncio.gather() plus Async-Client-Setup, Event-Loops und Disziplin an jeder Call-Stelle. In Pipe ist Parallelität die Standardform der Pipeline, kein Import.
Für Batch-Workloads geht ai_batch weiter: hunderte Texte mit eingebautem Rate-Limiting. Der komplette Vergleich lebt in examples/parallel_ai_demo.pipe; die Minimalversion oben startest du mit export DEEPSEEK_API_KEY=... && pipe -vm -q examples/blog_parallel.pipe.