BAML 发明了一种新的语言，来构建可以作为 building block 使用的 LLM 函数。一开始我以为这是个 agent framework, 但仔细阅读后发现，它更适合作为一个「编配 prompt + 发起向 LLM 的请求 + 结构化解析 LLM 返回数据」的组件，来帮助你更好地构建 AI 应用。BAML 解决的是 LLM I/O 的工程化问题，使上层业务可以专注于 workflow、RAG、agent 等应用层逻辑的维护，减少重复代码，增加与 LLM 交互的鲁棒性。

https://github.com/boundaryml/baml

之前看过一个 Python 库 guidance 有着类似的想法，也是将 LLM 调用函数化，但我觉得 BAML 更让人信服，它背后的公司 Boundary 对 LLM 的结构化输出有很多自己的理解和研究，他们提出了一个理念叫 Schema Aligned Parsing, 来代替目前主流的 JSON schema 方案。这两篇文章解释了 SAP 的原理以及为什么要这么做：

- https://www.boundaryml.com/blog/schema-aligned-parsing
- https://www.boundaryml.com/blog/type-definition-prompting-baml

这篇文章用数据说明了 BAML 的 SAP 方案在准确性和成本控制上超越 OpenAI 的 function calling: https://www.boundaryml.com/blog/sota-function-calling

关于为什么发明一种新的语言，BAML 的开发者们认为，就像我们从 inline javascript 进化到 JSX, 新的语法是从新的想法和需求中应运而生的，而且维护几百个 f-string 让人恶心。这点我特别赞同，不得不 quote 一下原文：

…the idea of maintaining hundreds of f-strings for prompts kind of disgusts us 🤮. Strings are bad for maintainable codebases. We prefer structured strings.

另外，BAML 还有一个可以在线运行的 playground，能非常直观地理解它到底是什么、可以怎么用:

https://www.promptfiddle.com/