大家好,我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。
Codex 为什么使用 Rust,Rust 为什么适合 Vibe Coding?
很多人第一反应是:Rust 不是以难学著称吗?生命周期、所有权、借用检查器,连有经验的工程师都可能被卡住,为什么反而适合让 AI 来写?答案不是 AI 特别擅长 Rust,也不是 Rust 的语法更简单。
真正的原因是:
Vibe Coding 最需要的不是“代码生成得快”,而是“生成之后能够快速、明确、持续地被验证”。
Rust 的类型系统、所有权模型、编译器错误信息和 Cargo 工具链,恰好把大量隐含问题提前暴露出来。它不一定让第一版代码更快出现,但有机会让代码更快进入一个可检查、可修复、可交付的状态。
当然,Rust 不是所有 AI Coding 项目的最佳选择,编译通过也不等于设计正确。真正值得讨论的,不是“Rust 要不要替代 Python 或 TypeScript”,而是:
在什么类型的 Agent 工作流里,Rust 的约束能够变成优势?
思维导图

Vibe Coding 真正依赖什么
“Vibe Coding”容易被理解成凭感觉写代码:想到一个功能,就让 AI 直接生成,能运行就继续往下推进。
如果只是做一次性的页面原型,这种方式确实很有效。
比如,我们让 AI 生成一个简单的待办事项页面,要求支持添加、删除和筛选。AI 很快就能给出一版可以运行的代码。即使里面有一些重复逻辑,只要页面能展示,用户也能继续调整。
但当任务从“生成一个页面”变成下面这种工作流,问题就会迅速变复杂:
- 读取一批本地文件;
- 解析配置和元数据;
- 调用远程模型接口;
- 根据结果生成结构化内容;
- 处理超时、重试和失败恢复;
- 把结果写回磁盘;
- 记录日志,并且不能破坏已有数据。
这类任务不是代码多,而是边界多:文件是否存在,网络失败会不会重复提交,写文件中断后如何恢复,多个任务是否会同时修改状态,配置缺失时应该退出还是降级。
Vibe Coding 真正依赖的,至少有三件事。
第一,反馈要足够快。AI 生成一批代码后,最好马上知道哪里不对,而不是运行半小时后才发现结果有问题。
第二,约束要足够明确。错误不能只表现为“程序好像不对”,而要尽可能落到类型、接口、状态和边界上。
第三,修改要足够可逆。每一次自动修改都应该能被审查、测试和回滚,而不是让 Agent 在一个越来越混乱的工作区里不断叠加补丁。
从这个角度看,Vibe Coding 不是减少工程,而是把一部分工程判断交给工具链来提前暴露。
Rust 给 AI 的不是生成能力,而是硬约束
AI 生成代码时,最麻烦的通常不是语法错误,而是那些“看起来合理,运行时才出问题”的错误:
- 一个字段在某些分支下没有初始化;
- 某个异常被静默忽略;
- 一个共享状态在并发环境下被不安全地修改;
- 文件句柄、连接或临时资源没有正确释放;
- 一个函数返回了模糊的空值,调用方无法区分不同失败原因;
- 修改一个模块时,悄悄破坏了另一个模块的假设。
动态语言让我们很快得到一版可运行代码,但很多约束只能依赖测试覆盖率、代码审查和运行时监控。
Rust 的不同之处在于,它会把大量问题前置到编译阶段。
假设我们让 Agent 写一个命令行工具:读取配置文件,扫描目录中的 Markdown 文件,生成处理结果,并把结果写入新的文件。
如果配置对象的字段类型不一致,编译器会指出来。
如果某个分支遗漏了返回值,编译器会指出来。
如果一个变量的所有权已经被移动,后面的代码还试图继续使用它,编译器会指出来。
如果多个线程试图以不安全的方式共享可变状态,编译器通常也不会让代码直接通过。
这对 AI 编程尤其重要,因为 Agent 需要一种明确的反馈信号。
“这个结果不太对”对人来说已经不够具体,对 Agent 更是如此。
而“这里需要 Result,但实际返回的是普通值”“这个变量已经被移动”“该类型不满足线程安全约束”,则更像一组可以继续处理的任务描述。
所以,Rust 的编译器在 Vibe Coding 里扮演的角色,不只是传统意义上的编译器,也像一个非常严格的自动审查器。
它未必能告诉你业务逻辑是否正确,但至少能持续阻止一部分不完整、不一致和不安全的代码进入下一阶段。
所有权模型为什么适合 Agent 工作流
AI 很擅长快速生成代码,但它有一个明显倾向:优先让局部代码看起来能工作。
当一个状态需要在多个函数之间传递时,Agent 可能会复制一份。
当多个模块都需要访问同一份数据时,Agent 可能会把它放进一个全局对象。
当并发问题出现时,Agent 可能会不断增加共享指针、锁和克隆操作,直到编译器不再报错。
这类代码有时可以运行,但它的真实结构并不清晰。
Rust 的所有权和借用模型,会强迫开发者回答一个问题:
这份数据到底由谁拥有?谁可以读取?谁可以修改?它应该活多久?
以一个任务队列为例。
如果一个 Agent 服务接收任务,放进队列,再由后台线程处理,那么任务的生命周期至少包含三个阶段:进入队列、等待处理、处理完成或失败。
在很多语言里,我们可以先把对象丢进一个共享容器,后面遇到问题再处理。
这里可以直接和 Java 对比。Java 有 GC:堆对象失去可达引用后,通常由 JVM 在运行时统一回收,开发者不需要手动释放内存。这降低了业务开发门槛,也让 Agent 生成的代码更容易先跑起来。但 GC 解决的是内存回收,不等于资源归属已经清楚。文件、Socket、数据库连接仍然需要 try-with-resources 或显式关闭,GC 的触发时机也不能作为业务流程的一部分精确控制。
Rust 没有 GC。它把内存和资源生命周期交给所有权、借用与作用域:所有者离开作用域时,值会被确定性释放。简单说,Java 更倾向于把不可达对象的回收交给运行时,Rust 则把“谁拥有、什么时候释放”提前变成编译期约束。
这不是谁绝对优于谁。业务变化快、依赖成熟框架生态的企业应用,Java 仍然很合适;而本地执行器、长期驻留服务、文件和并发密集工具,更可能受益于 Rust 没有 GC、释放时机更可预测的特性。对 Agent 来说,后者还意味着更多生命周期问题会更早变成可修复的编译器反馈。
在 Rust 里,数据从一个线程移动到另一个线程时,所有权关系必须更清楚。某个对象能不能跨线程传递、能不能被多个地方同时引用、是否允许修改,都会受到类型系统的约束。
这会增加前期思考,却能减少一种常见问题:代码作者以为某个状态属于自己,实际上另一个模块也在悄悄修改它。对 Agent 来说,价值就在于把隐含设计显式化,迫使它在资源和状态关系上做出选择。
不过,这里也有一个风险。
如果我们只把“编译通过”作为目标,Agent 很可能使用最粗暴的办法解决所有权问题,比如到处复制数据、扩大锁的范围,或者把所有状态包进 Arc<Mutex<...>>。
代码可能通过编译,但性能、可读性和并发行为都可能变差。
因此,我不会把 Rust 的所有权检查理解成“编译器替我们完成设计”。更准确的说法是:
所有权模型能够逼着 Agent 暴露设计问题,但最终的架构取舍仍然需要人来判断。
编译器可以阻止一部分错误,却不能替我们决定一个锁是否应该存在,也不能判断某个任务是否应该异步执行。
Cargo 让 Agent 的搜索空间更小
AI Coding 还有一个容易被低估的问题:同一件事往往有很多写法。
配置怎么读取,可以有很多库。
HTTP 请求怎么发,可以有很多库。
错误怎么处理,可以简单返回字符串,也可以定义一套错误类型。
项目怎么组织,也可以按照个人习惯自由发挥。
自由度越高,Agent 越容易在不同实现之间来回摇摆:第一次使用一种依赖,第二次修复换一种风格,第三次又引入新的抽象。最后项目虽然能跑,却很难判断哪些是核心设计,哪些只是临时补丁。
Rust 的 Cargo 生态在一定程度上减少了这种混乱。
一个 Rust 项目通常有比较明确的入口、依赖声明、构建命令、测试命令和格式化方式。cargo check、cargo test、cargo fmt、cargo clippy 这些命令,也给 Agent 提供了相对标准的反馈路径。
Cargo 不会自动解决项目设计问题,但它让“下一步该怎么验证”更明确了。
例如,一个 Agent 完成一次修改后,可以先运行 cargo check 检查类型和借用关系,再运行测试验证行为,最后用格式化和静态检查清理代码风格。
这种顺序对 Agent 很友好,因为每一步都对应一个相对清晰的问题:
- 代码结构是否成立?
- 功能行为是否符合预期?
- 风格和潜在问题是否需要处理?
如果项目还配合锁定依赖版本、固定构建环境和持续集成,那么同一个任务在不同机器上的结果也更容易复现。
但依赖管理仍然是成本。
Rust 的第三方库非常丰富,Agent 也可能为了一个小功能引入体积很大的依赖。依赖树、版本兼容性、编译时间和安全审计,都不能因为“代码是 AI 写的”就跳过。
我的做法会更保守一些:小工具优先选择成熟、边界清晰的依赖;涉及网络、序列化、认证和文件写入的部分,先确认库的维护状态和错误处理方式,再让 Agent 继续扩展。
编译器错误可以变成 Agent 的对话协议
Agent 工作流和传统的代码补全不同:它不是生成一次就结束,而是生成、执行、观察、修复的循环。这个循环能否稳定运行,很大程度上取决于反馈是否结构化。
以一个普通的运行时错误为例。
程序启动后提示“解析失败”,但没有文件名、行号、字段名和原始原因。人需要重新打开代码、加日志、重复运行,才能判断问题在哪里。
如果错误信息包含具体的输入文件、解析位置、期待类型和实际内容,修复成本就会明显下降。
Rust 提倡使用明确的错误类型和 Result 传播错误,这使得失败路径更容易被看见。对于一个需要连续修复代码的 Agent 来说,错误信息不是附属输出,而是下一轮决策的重要输入。
这也是 Rust 在某些 Vibe Coding 场景中的关键优势:
它让“代码没有完成”这件事更容易被机器说清楚。
当然,错误信息越多不代表越好。
Rust 的编译错误有时非常长,尤其涉及泛型、生命周期和异步代码时,Agent 可能把大量上下文都塞进下一轮请求。这样会增加 Token 消耗,也会让修复过程变慢。
这和语言本身的成本有关,也和项目写法有关。
如果代码大量使用复杂泛型、层层封装和难以理解的 Trait 约束,那么编译器给出的反馈可能会变成另一种噪音。Agent 可能不断尝试局部修复,却始终没有理解真正的抽象边界。
因此,Rust 项目是否适合 AI Coding,不只看语言特性,还要看工程团队是否愿意保持简单的模块边界、清楚的命名和可测试的函数。
放到 Agent 工具里,Rust 的优势更明显
我在设计 Agent 工作流时,常见的一类任务不是训练模型,而是围绕模型搭建可靠的外围能力。
比如:
- 监听一个目录中的新文件;
- 读取并验证文章信息;
- 调用模型生成结构化结果;
- 检查结果是否符合约定;
- 写入新文件;
- 失败时保留原始内容;
- 记录每次处理的状态;
- 支持重新执行和断点恢复。
模型负责理解和生成,外围程序负责边界和执行。
这类工具通常输入输出明确、运行时间较长,需要操作文件或网络,失败后还要能够恢复,最好能在个人电脑或轻量服务器上稳定运行。
Rust 在这里的价值,不是把模型调用变得更智能,而是把外围执行层做得更可控。
例如,写文件时可以先写入临时文件,校验成功后再替换目标文件,避免进程中断导致原文件只写了一半。
调用接口时,可以把超时、重试、认证失败和返回内容异常区分开,而不是统一处理成一个错误字符串。
处理多个任务时,可以把任务状态分成“待处理、执行中、成功、失败、需要人工确认”等明确阶段,避免用几个布尔值互相组合出无法理解的状态。
这些都不是 Rust 独有的能力,Python 和 TypeScript 一样可以实现;Rust 的价值在于让状态是否完整、错误是否处理、数据能否跨线程移动等问题更早暴露。
不过,Agent 工具还有模型特有的风险,这些风险不是 Rust 能解决的。
模型可能生成格式正确但事实错误的内容。
模型可能把用户输入中的恶意指令当成工作要求。
模型可能在重试时重复执行有副作用的操作。
模型可能因为上下文过长,忽略真正重要的约束。
因此,Rust 只能守住执行层的一部分边界。权限隔离、人工确认、幂等设计、日志审计和结果复核仍然必须单独建设。
Rust 并不适合所有 Vibe Coding
如果一个项目只是快速验证想法,Rust 可能不是最省力的选择。一次性的网页原型、临时数据清洗和简单的 API 验证,使用 Python 或 TypeScript 往往更快,Agent 也更容易在几轮对话里完成初版。
Rust 的优势通常出现在“代码会留下来”的地方。
如果这个工具未来要长期运行、交给别人使用、部署到多台机器,或者需要处理大量并发、文件和网络资源,那么前期投入可能更值得。
但以下四类项目,我会谨慎交给 Agent:
- 复杂异步系统:异步运行时、生命周期、任务取消、锁和消息通道叠加后,Agent 可能为了通过编译不断增加抽象,让结构越来越难懂。
- 大量使用
unsafe、底层 FFI 或不安全内存操作的项目:这里需要人工理解外部库、内存布局和调用约定,不能只依赖生成接口代码。 - 业务规则还不稳定的项目:数据模型频繁变化时,Rust 的严格约束可能增加每次调整的修改成本。
- 团队没有 Rust 维护能力的项目:代码生成只是开始,后续的依赖升级、编译排查和性能优化都需要有人接手。
所以,“适合 Vibe Coding”不能理解成“适合让 AI 随便写”。更准确的判断是:
当需求边界相对明确、输入输出可以测试、程序需要长期运行,并且团队愿意维护工程约束时,Rust 更容易把 Vibe Coding 变成可控的迭代过程。
我更推荐混合使用,而不是二选一
在真实的 AI 应用里,我很少认为所有部分都应该使用同一种语言。
一个 Agent 产品可能同时包含:
- 负责模型编排和实验的 Python;
- 负责 Web 接口和前端交互的 TypeScript;
- 负责高可靠本地执行、文件处理或并发任务的 Rust;
- 负责数据存储和检索的数据库;
- 负责部署、日志和监控的基础设施。
这几部分的变化速度和可靠性要求并不一样。
模型提示词、工作流编排和实验逻辑变化很快,使用 Python 通常更灵活。
文件处理、任务调度、长期驻留的本地服务,对资源控制和稳定性要求更高,可以考虑 Rust。
前端交互和管理后台,与 TypeScript 生态结合通常更自然。
这种组合的核心不是追求技术栈高级,而是让不同语言承担自己擅长的边界。
我会把 Rust 更倾向于放在以下位置:
- 本地命令行工具;
- Agent 的执行器和任务调度组件;
- 文件扫描、解析和转换工具;
- 需要低资源运行的常驻服务;
- 对并发和失败恢复要求较高的基础组件;
- 需要发布成单一可执行文件的工具。
而不是一开始就用 Rust 重写整个 AI 应用。
如果只是为了证明“Rust 可以做 Agent”,最后可能得到一个学习项目;如果是为了让 Agent 工作流更稳定,应该先找到那个真正需要强约束的边界。
不要把“编译通过”误认为“工程完成”
Rust 的编译器很强,但它不是产品经理、架构师和测试工程师的集合。
一段代码通过编译,只能说明它满足了一部分语言约束。
它不代表:
- 业务结果一定正确;
- 权限边界没有问题;
- 日志足够排查故障;
- 重试不会造成重复副作用;
- 性能满足真实负载;
- 用户能够理解错误信息;
- 依赖没有带来新的安全风险。
比如,一个 Agent 生成的任务调度器可能拥有正确的类型和线程安全保证,但如果失败任务永远不会重新入队,或者重试会重复扣费,那么它依然是不合格的系统。
所以我会把验证分成三层。
第一层是语言和构建验证,确认代码结构、类型、所有权和依赖关系成立。
第二层是行为验证,用测试、样例和故障注入确认正常路径与异常路径。
第三层是业务验证,确认程序在真实工作流里没有破坏数据、权限和用户预期。
AI 可以帮助我们完成前两层的大量工作,但第三层必须由熟悉业务的人负责。
这也是 Vibe Coding 和传统开发最大的共同点:代码写得更快之后,判断并没有消失,只是更集中地出现在验收和边界设计上。
总结
语言没有绝对的先进与落后,只有它是否适合当前问题的边界。
Rust 之所以被认为适合 Vibe Coding,不是因为它让工程变得不重要,而是因为它把一部分工程约束变成了 AI 能够持续接收和处理的反馈。
而真正成熟的 Vibe Coding,也不是“让 AI 写完就算”,而是:
让人负责目标和取舍,让 Agent 负责实现和迭代,让编译器、测试和运行环境共同负责验证。
我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。