AI智能体编码 skeptic 的 Rust 性能优化实战

引言：从怀疑到实践

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。

智能体配置文件：AGENTS.md 的关键作用

在深入测试之前，我发现一个至关重要的文件：AGENTS.md。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AGENTS.md文件，并添加了许多个人偏好，例如：

• 使用 uv 和 .venv 而不是基础Python安装
• 数据处理使用 polars 而非 pandas
• 密钥和密码只存储在 .env 文件中，并确保 .env 已加入 .gitignore
• 绝不使用表情符号或模拟表情符号的unicode字符
• 必须避免包含冗余的代码注释

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AGENTS.md中，效果显著。

Opus 4.5 初体验：Python项目一蹴而就

带着精心配置的AGENTS.md，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：

• 使用REST API（httpx库）而非Google Client SDK
• 包含有意义的聚合指标（如视频评论数）
• 数据库schema中包含 channel_id 和 retrieved_at

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AGENTS.md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polars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 项目实战：从怀疑到折服

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pyo3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：

• 支持Solid、Brands和Regular字体文件
• 输出PNG和WEBP格式，默认分辨率1024x1024
• 支持2倍超采样抗锯齿
• 使用 fontdue 作为文本渲染引擎
• 支持图标颜色、背景色（HEX/RGB）、透明背景、图标尺寸/画布尺寸分别指定、锚点位置和像素偏移

虽然最初选择的fontdue 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ab_glyph完美解决了问题。

最终生成的icon-to-image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rapier 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**pyo3**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：

1. 实现与基准测试：根据功能需求实现包，并创建代表典型使用场景的基准测试。
2. 代码清理与初步优化：第二轮清理代码并做初步优化。
3. 算法弱点分析：扫描crate，找出极端情况下的算法弱点，并量化问题、提出解决方案。
4. 针对性优化：利用发现的问题进行优化，目标是让所有基准测试运行时间缩短60%以上（即速度提升1.4倍以上），反复进行直至性能收敛，但要避免过拟合基准输入。
5. 性能调优：利用输入数据的固有特性、CPU线程饱和/调度/并行化，创建自定义调优配置，再次追求60%以上的速度提升（可使用flamegraph crate辅助分析）。
6. 添加Python绑定：使用pyo3和maturin添加Python绑定，并确保兼容性。
7. Python基准对比：创建相应的Python基准测试，并编写与现有Python包的对比脚本。
8. 准确性验证：质疑模型可能在优化过程中“作弊”（例如牺牲算法准确性来换取速度），要求它在保证与已知良好实现输出结果高度相似的前提下进行优化（例如，对于回归任务，最小化预测值的平均绝对误差）。

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 Pro上，与现有的、久经考验的实现相比：

• UMAP: 比Rust的 fast-umap 快 2-10倍，比Python的 umap 快 9-30倍。
• HDBSCAN: 比Rust的 hdbscan crate 快 23-100倍，比Python的 hdbscan 快 3-10倍。
• GBDT: 拟合/预测速度比Rust的 treeboost crate 快 1.1-1.5倍，比Python的 xgboost 拟合速度快 24-42倍，预测速度快 1-5倍。

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 nndex（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numpy持平甚至超出（最高5倍），尽管numpy已经是高度优化的数学库。

基于这些成功，我目前正在开发 rustlearn（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 scikit-learn 性能的库，同时提供Python绑定。

结论与反思

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。

• 智能体的价值：它们让我能够实现那些“我确切地知道想要什么，但不一定知道如何实现”的创意项目。从终端MIDI合成器到高性能机器学习库，智能体极大地扩展了我的能力边界。
• AGENTS.md**是成功关键**：一份详尽、针对特定领域的智能体配置文件，是获得高质量、符合预期结果的基石。
• 对技能的影响：与许多人担心的相反，与智能体协同工作反而加深了我对技术栈（如Rust生态系统）的理解，并促使我养成每天花一小时编码和学习新想法的习惯。
• 对未来的展望：智能体生成的代码能超越现有的、手写的成熟库，这挑战了我们对“AI生成代码质量低下”的固有认知。尽管围绕AI的讨论依然喧嚣，但其带来的实际效用是不可否认的。

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AGENTS.md文件开始。FINISHED