AI智能体编码 skeptic 的 Rust 性能优化实战

你可能见过很多关于AI智能体编码的博客文章，作者们谈论着智能体现在能做的各种美妙事情，以及它们将如何导致编程技能退化等等。这篇帖子不是其中之一。

去年五月，我曾写过一篇题为《作为经验丰富的LLM用户，我其实并不常用生成式LLM》的文章，作为对当时智能体编码热潮的回应。当时我认为，虽然LLM并非无用，但智能体仍难以让人信服：它们不可预测、成本高昂，且炒作远超实际效果。然而，我当时的结论是开放的：如果LLM改进到足以解决我所有的顾虑，智能体变得更加可靠，我愿意重新考虑。

从那时起，我在继续数据科学家本职工作的同时，也密切关注着最新LLM的发展。一系列实验让我逐渐改变了看法，尤其是在某机构发布Opus 4.5之后。

在深入测试之前，我发现一个至关重要的文件：。这个文件放在项目根目录，可以控制智能体的特定行为，如代码格式、规范等，相当于LLM调用的系统提示词。

我让Opus 4.5为我创建了一个面向Python的、极其详细的文件，并添加了许多个人偏好，例如：

这个文件成为了我之后所有智能体项目成功的基础。每当遇到不喜欢的智能体行为，我就添加一条规则到中，效果显著。

带着精心配置的，我开始测试Opus 4.5。我选择了一个自己熟悉但代码质量不佳的旧项目：使用YouTube Data API抓取频道视频元数据并存入SQLite数据库。我编写了一个详细的提示词文件，要求实现以下功能：

生成的脚本首次运行就成功抓取了多达20,000个视频（API上限）。代码质量非常高，完全遵循了中的规则。虽然存在一个小问题（日志中泄露了API key），但这很快通过添加新规则得到解决。

随后，我让Opus 4.5创建一个使用进行探索性数据分析的Jupyter Notebook，它生成了一个极其详尽的分析报告，甚至能推断出需要进行时间序列分析（如每月视频上传总量），尽管提示词中并未明确要求。

接着，我又让它基于FastAPI、Pico CSS和HTMX构建一个展示每月热门视频的小型Web应用。它生成的代码不仅逻辑清晰、集成了HTMX路由和局部更新，还创造性地实现了点击缩略图加载嵌入式视频播放器的功能，完整代码已开源。

这些测试结果远超我之前的糟糕体验，让我开始对智能体编码重拾信心。

Rust语言以其高性能和内存安全著称，但学习曲线陡峭。历史上，LLM在生成Rust代码方面表现不佳。然而，Opus 4.5的表现让我大吃一惊。

项目1：icon-to-image – Rust + Python 绑定的图标渲染器

我想创建一个能从图标字体文件（如Font Awesome）中渲染出任意分辨率图像的Rust/Python混合包，并通过提供Python绑定。Opus 4.5完成了一次性交付，实现了所有指定的功能约束，包括：

虽然最初选择的 crate在高分辨率下渲染图标曲线有问题，但在我指出后，Opus 4.5迅速调研并改用完美解决了问题。

最终生成的包已开源，其速度比我的旧Python方法快一个数量级，渲染质量也更好。更重要的是，通过智能体辅助，我还得到了一个自动化构建所有目标OS的Python wheels的GitHub Workflow。

项目2：ballin – 终端物理模拟器

在一个灵光一闪的夜晚，我让Opus 4.5创建一个基于 2D物理引擎的终端物理模拟器，并使用Braille unicode字符实现高细节ASCII艺术渲染。它一次性完成了任务，生成的Rust代码库可以轻松处理超过10,000个物理球体的实时模拟！我还让它添加了彩色效果，使模拟更加生动有趣。

项目3：机器学习算法的极致优化

作为数据科学家，我注意到近年来缺乏有影响力的新Python数据科学工具，且现有工具对Apple Silicon GPU（Metal API）的支持不佳。我决定让智能体挑战更高难度：将UMAP（一种降维算法）用Rust重新实现，并通过**提供Python绑定，同时最大化其性能。

我设计了一个8步的优化流程，并让两个顶尖模型（某机构的Codex和Opus）协同工作：

这套流程被应用于多个算法（UMAP、HDBSCAN、GBDT等），并在每个步骤中通过链式调用不同模型（如先用Codex优化速度，再用Opus在保证准确性的前提下进一步提升速度）获得了惊人的结果。

在我的MacBook Agent 智能体 Pro上，与现有的、久经考验的实现相比：

为了证明这不是个例，我同期发布了另一个小型Rust-with-Python项目 （一个内存向量存储，用于快速最近邻检索）。经过几轮优化，即使在单次查询场景下，它的速度也能与重度依赖BLAS库的持平甚至超出（最高5倍），尽管已经是高度优化的数学库。

基于这些成功，我目前正在开发 （暂定名），一个旨在用Rust实现标准机器学习算法（逻辑回归、k-means等）并超越 性能的库，同时提供Python绑定。

Opus 4.5及后续模型（如Codex 5.3）在编码能力上的提升是革命性的。它们不再是简单的代码片段生成器，而是能够理解复杂需求、遵循严格规范、并能通过多模型协同进行深度优化的智能体。

如果你在去年11月之前对智能体有过糟糕的体验，我强烈建议你给现代智能体（如Opus 4.5/Codex 5.3）一个机会，并从一个精心定制的文件开始。FINISHED