AI 辅助 Rust 代码生成:Copilot 写出的代码能上生产吗?

Rust的LLM政策:AI辅助编程如何纳入开源项目治理 大型语言模型(LLM)正在重塑软件开发的协作方式,但AI生成的代码也带来责任归属、许可证合规与审查成本等新挑战。在开源项目中,维护者需要明确模型输入输出的边界,并通过政策将模糊的协作规范转化为可执行流程。以Rust-lang/rust为例,其LLM政策草案聚焦于输入侧的信息泄露风险、输出侧的声明留痕以及自动化侧的兜底机制,最终目标是保障长期可维护性。这类治理框架不仅适用于编译器项目,也为其他团队提供了参考:通过三级风险分级、PR模板声明和CI辅助检查,可以在鼓励AI辅助效率的同时守住质量底线。理解LLM政策 阅读详情

AI 辅助 Rust 代码生成:Copilot 写出的代码能上生产吗?

cover

一、AI 写 Rust:编译器是最后一道防线

用 AI 辅助写代码已经不是新鲜事。GitHub Copilot、Cursor、Codeium 这些工具在日常开发中越来越常见。但用 AI 写 Rust,体验和写 Python 完全不一样。Python 是动态类型,AI 生成的代码能跑就算成功。Rust 有严格的类型系统和所有权规则,AI 生成的代码十有八九编译不过。

这反而是 Rust 的优势。编译器是 AI 代码的守门员,类型错误、生命周期问题、trait bound 缺失——这些在 Python 里会变成运行时 bug 的问题,在 Rust 里直接编译失败。AI 可以生成不安全的代码,但编译器不会让它通过。这意味着 AI 辅助 Rust 开发的安全底线比动态语言高得多。

但编译通过不等于代码正确。AI 生成的 Rust 代码可能通过了编译,但存在逻辑错误、性能问题或不符合 Rust 惯用模式。比如 AI 可能生成不必要的 clone(),或者用 unwrap() 处理本该优雅传播的错误。这些问题编译器不会报错,但会在生产环境中暴露。

二、AI Rust 代码生成的工作流与质量瓶颈

AI 代码生成在 Rust 开发中的有效工作流,不是"让 AI 写完直接用",而是"AI 生成初稿 + 人工审查 + 编译器验证"的迭代循环。

graph TD
    A[描述需求 Prompt] --> B[AI 生成代码初稿]
    B --> C[编译器检查]
    C -->|编译失败| D[分析错误信息]
    D --> E[修正 Prompt 或手动修复]
    E --> B
    C -->|编译通过| F[人工审查]
    F --> G{代码质量达标?}
    G -->|否| H[标记问题区域]
    H --> E
    G -->|是| I[编写测试]
    I --> J[测试通过]
    J --> K[合入代码库]

AI 生成 Rust 代码的质量瓶颈主要在三个方面:

所有权与生命周期:AI 经常生成违反所有权规则的代码,比如返回局部变量的引用、在同一作用域内多次可变借用。这些错误编译器会捕获,但修复过程需要理解所有权语义,AI 目前做不到自动修复。

trait bound 推导:泛型函数的 trait bound 有时很复杂,AI 可能遗漏必要的约束。编译器报错后,AI 的修复往往是"加一个 Clone bound",而不是分析真正需要哪个 trait。

异步代码:Rust 的异步模型(Pin、Send、Sync、'static)对 AI 来说是高难度区域。AI 生成的异步代码经常缺少必要的 Send bound,或者错误地使用了 spawn 而不是 spawn_local。

三、AI 辅助 Rust 开发的实用策略与代码审查要点

以下是一个 AI 辅助 Rust 开发的实际案例,展示如何审查和改进 AI 生成的代码。

假设我们需要一个带过期时间的缓存结构,给 AI 的 prompt 是:"写一个 Rust 缓存结构,支持 key-value 存取和 TTL 过期"。

AI 可能生成类似这样的代码(常见问题版本):

use std::collections::HashMap;
use std::time::{Duration, Instant};

// AI 生成的初版:存在多个问题
pub struct Cache<V> {
    store: HashMap<String, (V, Instant)>,
    ttl: Duration,
}

impl<V> Cache<V> {
    pub fn new(ttl: Duration) -> Self {
        Self {
            store: HashMap::new(),
            ttl,
        }
    }

    // 问题1:没有处理过期逻辑
    pub fn get(&self, key: &str) -> Option<&V> {
        self.store.get(key).map(|(v, _)| v)
    }

    // 问题2:没有清理过期条目
    pub fn insert(&mut self, key: String, value: V) {
        self.store.insert(key, (value, Instant::now()));
    }
}

审查后改进的生产级版本:

use std::collections::HashMap;
use std::hash::Hash;
use std::time::{Duration, Instant};

/// 带过期时间的缓存,支持惰性清理
pub struct TtlCache<K, V> {
    /// 存储键值对及插入时间
    store: HashMap<K, (V, Instant)>,
    /// 默认过期时间
    default_ttl: Duration,
}

impl<K, V> TtlCache<K, V>
where
    K: Eq + Hash,
{
    /// 创建指定 TTL 的缓存
    pub fn new(default_ttl: Duration) -> Self {
        Self {
            store: HashMap::new(),
            default_ttl,
        }
    }

    /// 获取缓存值,如果过期则返回 None 并移除条目
    pub fn get(&mut self, key: &K) -> Option<&V> {
        let expired = self.store.get(key)
            .map(|(_, inserted)| inserted.elapsed() > self.default_ttl)
            .unwrap_or(false);

        if expired {
            self.store.remove(key);
            return None;
        }

        self.store.get(key).map(|(v, _)| v)
    }

    /// 插入键值对,使用默认 TTL
    pub fn insert(&mut self, key: K, value: V) {
        self.insert_with_ttl(key, value, self.default_ttl);
    }

    /// 插入键值对,指定自定义 TTL
    pub fn insert_with_ttl(&mut self, key: K, value: V, ttl: Duration) {
        // 插入前清理过期条目,防止内存无限增长
        self.evict_expired();
        self.store.insert(key, (value, Instant::now() + ttl - self.default_ttl + self.default_ttl));
    }

    /// 主动清理所有过期条目
    pub fn evict_expired(&mut self) {
        let now = Instant::now();
        self.store.retain(|_, (_, expires_at)| now < *expires_at);
    }

    /// 返回缓存中的有效条目数
    pub fn len(&self) -> usize {
        self.store.len()
    }
}

审查 AI 生成的 Rust 代码时,重点关注以下清单:

  1. 所有权:是否有不必要的 clone()?引用的生命周期是否合理?
  2. 错误处理:是否用了 unwrap()?是否应该用 Result 传播错误?
  3. 泛型约束:trait bound 是否最小化?是否遗漏了必要的约束?
  4. 并发安全:如果涉及多线程,是否正确使用了 Arc、Mutex、Send、Sync?
  5. 性能:是否有不必要的内存分配?算法复杂度是否合理?

四、AI 代码生成的能力边界与风险控制

AI 生成 Rust 代码的可靠性高度依赖上下文。当 prompt 提供了足够的类型签名、trait 定义和模块结构时,AI 的生成质量显著提升。当 prompt 只有一句模糊描述时,AI 的输出基本不可用。

有效的 Prompt 策略:先写好 trait 定义和类型签名,让 AI 填充实现。类型签名本身就是最精确的需求描述,AI 在这个约束下生成的代码质量最高。比如"为以下 trait 写实现"比"写一个缓存"效果好得多。

风险控制:AI 生成的代码必须经过与手写代码同等标准的审查。在 CI 中加入 clippy 检查,配置 deny(warnings),让 lint 规则成为额外的防线。对于安全敏感的代码(加密、认证、权限),AI 生成的代码应该被更严格地审查,甚至禁止使用 AI 生成。

一个常被忽略的风险:AI 可能生成看似正确但存在微妙 bug 的 unsafe 代码。比如错误的指针偏移、未对齐的内存访问、缺少的边界检查。这些 bug 在测试中可能不会触发,但在生产环境中可能导致内存安全漏洞。建议在项目中配置 #![deny(unsafe_code)],除非显式允许,否则禁止 unsafe 块。

五、总结

AI 辅助 Rust 代码生成的安全底线由编译器保障,类型系统和所有权规则会拦截大部分错误。但编译通过不等于代码正确,AI 生成的代码仍需人工审查。审查重点包括所有权合理性、错误处理方式、泛型约束最小化和并发安全性。有效的使用策略是先写好类型签名和 trait 定义,再让 AI 填充实现。AI 生成代码的风险控制依赖 clippy、deny(warnings) 和 unsafe 代码审计。AI 是加速器,不是替代品,Rust 的编译器才是最终的守门员。

VSCode Rust 插件 2024 配置:rust-analyzer 与 6 款辅助插件实测对比 本文深入评测了2024年VSCode Rust开发环境中rust-analyzer核心插件与6款必备辅助插件的协同效果,包括Crates、Better TOML、Rust Test Lens等,帮助开发者构建高效的Rust开发环境。重点关注插件配置优化、功能对比及实际工作流,提升Rust编程效率。 阅读详情

相关推荐

GitHub Copilot实战指南:如何真正用好AI结对编程

AI结对编程是当前开发者提效的核心范式,其本质是基于上下文感知的代码生成技术,依托大模型对海量开源代码的理解能力,实现从语法补全到意图驱动开发的跃迁。相比传统代码补全工具,它强调实时内联交互、跨文件上下文理解与可验证输出,技术价值在于将工程师从重复编码中解放,聚焦架构设计与问题建模。典型应用场景包括Python/Django快速原型开发、React Hooks逻辑补全、Terraform模块化配置生成等。本文深入解析GitHub Copilot的运行原理、提示词工程技巧及企业级落地要点,帮助开发者建立可持续

windshg的专栏 679

AI 辅助 Rust 代码生成:Copilot 写出的代码能上生产吗?TaoToken 统一 Key 接入与配置验证

用 Copilot 生成 Rust 代码后,先跑 cargo clippy -- -D warnings 拦截 unwrap 与多余 clone,再走编译、测试三步验证。TaoToken 统一 Key 接入 Cline 与 Claude Code,配置见官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end ,让 AI 辅助代码安全进入生产。

ThunderstormFalcon78的博客 218

4篇5章3节:认识 Visual Studio Code 与 AI 编程助手 GitHub Copilot

随着人工智能技术的飞速发展,软件开发正在经历前所未有的变革。AI 生成代码正逐步成为主流,能够显著提高开发效率,降低入门门槛,同时为人类开发者腾出更多精力专注于设计、优化和复杂逻辑实现。集成开发环境(IDE)如 Visual Studio Code 与 AI 编程助手 GitHub Copilot 的结合,为开发者提供了稳定、智能、高效的编程平台。本文探讨了人工智能在软件开发中的应用趋势、技术优势及现实局限,并分析了现代 IDE 如何支撑 AI 辅助编程的发展,为未来软件开发模式提供参考。

MD Code 1052

AI 辅助 Rust 编程:工具选型、方法论与踩坑实录

AI 辅助 Rust 编程的核心价值在于加速编译错误的理解和代码骨架的生成,而非替代对语言机制的深入理解。有效的使用方法是编译错误驱动的对话、渐进式代码生成和测试先行的实现策略。AI 生成代码需要重点审查三个问题:过度 clone、异步线程安全和错误处理惯用法。认知层面,AI 辅助的最大风险是产生"理解了"的错觉——编译通过不等于逻辑正确。建议在 Rust 学习初期减少 AI 依赖,先建立所有权直觉,再逐步引入 AI 辅助提升效率。

no1coder的博客 5482

UMD与KMD的协同交响曲:揭秘图形渲染背后的驱动架构设计

本文深入解析了图形渲染中用户态驱动(UMD)与内核态驱动(KMD)的协同架构设计,揭秘了从API调用到像素渲染的完整流水线。通过分析UMD的API转换、着色器编译等核心职责,以及KMD的内存管理、任务调度等关键功能,帮助开发者优化图形应用性能,提升渲染效率。

cc789的博客 726

电脑版微信多开,最详细教程没有之一

首先桌面任意的位置右键新建文本文档输入如下代码: TASKKILL /F/IM WECHAT.EXE start " " "D:\Program Files (x86)\Tencent\WeChat\WeChat.exe" start " " "D:\Program Files (x86)\Tencent\WeChat\WeChat.exe" ...

大超子 4393

GitHub Copilot:Python开发者的AI助手

GitHub Copilot作为AI编程助手,通过GPT模型在Python开发中展现出强大功能:自动生成函数、类定义和循环结构,提供智能代码补全和优化建议。它能显著提升开发效率(减少30%编码时间)、辅助学习新库和最佳实践,同时保持代码质量(符合PEP8规范)。但存在生成错误代码、依赖上下文和潜在版权问题等局限。有效使用需提供明确上下文、验证生成代码并适应其工作模式。案例显示在FastAPI和Pandas项目中可提升效率20-40%。对于非科班开发者,Copilot是加速学习Python和Rust的实用工具

no1coder的博客 1万+

别再手动调参了!用BERTopic分析500篇论文摘要,我总结了这份超全参数调优指南

本文详细介绍了如何通过BERTopic参数调优从500篇论文摘要中挖掘高质量主题。从文档嵌入、降维到聚类,每个环节的关键参数设置都直接影响主题分析效果。文章提供了学术文本特有的调优技巧,包括预处理、主题多样性与专注度的平衡,以及评估指标与迭代优化方法,帮助研究者高效完成NLP主题分析任务。

weixin_31235909的博客 217

AI 生成 Rust 代码质量:实测 Copilot 与 Claude 的代码能力边界

AI 生成 Rust 代码的质量在提升,但仍有明显短板。编译通过率约 50-70%,测试通过率更低。最常见的问题是借用检查错误和 unwrap 滥用。AI 擅长生成模式固定的代码(结构体、IO、HTTP),不擅长需要深层理解的代码(生命周期、并发、错误设计)。正确的使用方式是把 AI 当作代码骨架生成器,人工补充错误处理、边界条件和安全性检查。不要直接复制粘贴 AI 生成的 Rust 代码到生产环境——编译通过不等于正确,正确不等于安全。

no1coder的博客 4784

ESP32蓝牙广播数据自定义指南:让你的设备更容易被手机发现

本文详细介绍了如何通过自定义ESP32蓝牙广播数据提升设备在手机端的可发现性。从广播数据结构、扫描响应优化到跨平台兼容性设置,提供了全面的技术指南和实战代码示例,帮助开发者解决智能硬件开发中的蓝牙连接难题。

weixin_29172201的博客 273

从零理解Brep:用Python玩转3D建模的边界表示法(附OpenCASCADE示例)

本文深入解析了边界表示法(Brep)在3D建模中的应用,通过Python和OpenCASCADE的实战示例,详细介绍了Brep的核心数据结构、布尔运算、网格转换及3D打印优化技巧。适合CAD设计、3D打印和计算机图形学领域的开发者学习与实践。

n4o5p6q7r的博客 434

GitHub Copilot SDK Rust系统级集成:安全高效的AI代理实现

GitHub Copilot SDK为开发者提供了一个多平台解决方案,将GitHub Copilot Agent智能代理运行时无缝集成到应用程序和服务中。作为这个生态系统中的关键组成部分,**GitHub Copilot SDK Rust**版本为系统级应用提供了安全、高效的原生集成方案。本文将深入探讨如何利用Rust SDK构建安全可靠的AI代理系统,实现企业级AI应用的无缝集成。 ## Ru

gitblog_00198的博客 926

RH850系列芯片深度剖析 1.5-链接(ld)文件解析

基础编译过程分为四个阶段:预处理(Preprocessing)、编译(Compilation)、汇编(Assembly)、链接(Linking)。执行这四个阶段的程序(预处理器、编译器、汇编器、和链接器)一起构成了编译系统。CONSTANTS接下来的内存空间定义部分会使用这些常量来定义内存空间的范围,理论上来说不定义常量也没有影响,直接用魔鬼数字代替,定义常量的主要目的就是方便理解以及方便修改;从示例中可以看出,常量的值可以为16进制或者10十进制,而且10进制支持数量级单位(k级,M级);

本博客专注于嵌入式软件领域技术分享。 1430

AI 辅助编程学习:从 Copilot 到自主调试的方法论与工具链

AI 辅助编程学习的核心原则是"AI 辅助理解,不替代实践"。本文的关键实践为:用 AI 解释编译错误和概念对比、代码自己写编译错误自己读、用测试驱动学习(先写测试再写实现)、用学习进度追踪保持动力。AI 是学习加速器,不是学习替代品——理解每一行代码比快速写出代码更重要。从"让 AI 写代码"到"让 AI 帮我理解代码",是我学 Rust 过程中最重要的一次认知转变。

no1coder的博客 3679

如何卸载Gazebo与重装

gazebo是一款关于车辆和无人机的仿真软件,本文大致介绍它是何物,以及他的安装和卸载方法,对于ROS开发者,本文有一定参考意义。

gongdiwudu的专栏 1万+

将 AMDP Function Implementations 讲透:从 SAP CDS View 表函数到 AMDP 方法的完整实战与最佳实践

AMDP函数实现:连接ABAP与HANA的高效桥梁 本文面向ABAP开发者,详细解析AMDP函数实现技术,帮助在SAP HANA环境中充分发挥数据库算力。核心内容包括: 技术价值:解决复杂计算场景(窗口函数、跨表聚合等)中Open SQL和CDS的局限性 两种实现类型:内部复用函数与CDS表函数实现,对比其声明规则和用途差异 关键语法要点:FOR TABLE FUNCTION绑定、只读约束、参数与返回类型自动生成机制 实战应用:以采购订单聚合为例,展示AMDP在实时报表中的性能优势 完整示例:提供基于航线数

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 392

Rust 与 LLM 政策:AI 辅助代码的责任规范与工程实践

在开源协作日益普及的今天,Rust 官方围绕 LLM(大语言模型)的贡献政策讨论成为热点。随着 AI 辅助编码成为常态,来自模型生成或辅助的代码大量涌入仓库,给代码审查与责任归属带来新挑战。开源项目的本质是“人负责代码”,而非“模型负责”,因此如何确保 AI 生成内容的质量、可追溯性与版权合规成为社区必须回答的问题。从概念上看,AI 生成代码往往编译通过但语义存疑,尤其涉及 unsafe 区域时风险更高。技术价值在于,通过显式声明 AI 使用范围、引入 Git 钩子与 CI 检查,可以让贡献者在提交前就完成

weixin_33863087的博客 323

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Rust构建PHP虚拟机:AI辅助的编译原理与系统编程实践

编译原理是计算机科学的核心基础,涉及将高级语言转换为可执行代码的完整技术链。其核心流程包括词法分析、语法解析、中间表示生成和代码执行等阶段,这些技术构成了现代编程语言运行时的基石。从技术价值看,深入理解编译原理不仅能提升对语言特性的掌控力,还能为性能优化、安全加固和语言设计提供底层支撑。在应用场景上,编译原理技术广泛应用于数据库查询优化、模板引擎设计、领域特定语言开发等工程实践。本文以PHP虚拟机开发为具体载体,通过Rust语言实现从词法分析到字节码执行的全流程,并重点探讨了AI辅助在代码生成、测试用例编写

weixin_30920853的博客 356

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

把AI编程过程变成可追溯文档:利用copilot-orchestra的plans目录构建完整审计链

AI 编程越来越快,但“过程黑箱”问题也随之而来:代码提交了,却不知道 AI 为什么这样改、改了哪些文件、测试过没有。[copilot-orchestra](https://link.gitcode.com/i/697e9cd00527786a58f1a5427a69e7aa) 是一个面向 GitHub Copilot 的多智能体工作流框架,它通过 **plans 目录**把规划、实现、评审、提交

gitblog_00498的博客 565

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

彻底放弃TypeScript,微软用Copilot+Rust重构Copilot

原来43万行TS代码,AI生成出80万行Rust生产代码,整个项目14.5周,人工只投入了一个工程师大约3周的审核时间,光AI Token就烧掉12万美元,一共提交128个PR,增量分批上线,没有一刀切大换血。第三,内存安全,对多工具、多会话的Agent场景更友好,还能对外提供稳定C ABI,方便多语言SDK调用。但别被AI重写代码的神话忽悠住。我特别注意到AI几乎已每天1个pr的稳定速度完成开发,3个月总的完成才花了128个pr,如果换成一个团队的话,这样的开发量至少要往半年以上来计算了。

weixin_44058951的博客 355

GitHub Copilot SDK模式处理器:自定义AI行为的扩展点

GitHub Copilot SDK是一个跨平台软件开发工具包,专为将GitHub Copilot Agent集成到各类应用和服务中而设计。模式处理器作为其中的核心扩展点,允许开发者通过自定义逻辑来控制AI助手的行为,实现从简单指令到复杂业务流程的深度定制。 ## 什么是模式处理器? 模式处理器(Mode Handlers)是GitHub Copilot SDK中用于定义AI交互模式的核心组件

gitblog_00559的博客 453

Rust官方仓库推行LLM使用政策:AI生成代码如何合规贡献?

在开源协作与AI辅助编程深度交融的今天,AI生成代码正加速进入基础设施级项目。然而,代码的许可证合规、版权归属与审查责任也随之成为治理难题。Rust作为系统编程语言,其官方仓库rust-lang/rust近期正在推进LLM使用政策,旨在为贡献者使用ChatGPT、Copilot等工具生成代码时建立明确的声明义务与质量红线。该政策并不阻碍AI辅助开发,而是要求贡献者标注AI生成内容、确保授权链条兼容、并保留人工复核高风险代码。此举不仅影响Rust编译器与基础库的PR流程,也为整个开源生态提供了可参考的AI治理

weixin_33850015的博客 413

Pixel Language Portal 代码生成与理解:媲美 GitHub Copilot 的智能编程体验

本文介绍了如何在星图GPU平台上自动化部署🎮 像素语言 · 跨维传送门 (Pixel Language Portal)镜像,实现智能代码生成与理解功能。该工具支持多种编程语言的代码补全、函数生成和漏洞检测,特别适用于快速原型开发和学习新技术,为开发者提供媲美GitHub Copilot的编程体验。

weixin_30653091的博客 320

用Rust重写PHP虚拟机:从Zend Engine原理到AI辅助实现

虚拟机作为现代编程语言的核心执行引擎,负责将高级语言代码转换为底层机器可执行的指令序列。其工作原理通常涉及词法分析、语法解析、中间代码生成和指令执行等关键环节,通过模拟计算机的寄存器、栈和内存管理模型来实现跨平台运行。在系统级编程领域,Rust语言凭借其所有权模型和零成本抽象特性,为构建高性能、内存安全的系统软件提供了新的技术方案。将Rust应用于虚拟机开发,不仅能提升执行效率,还能从根本上避免内存泄漏和数据竞争等常见问题。这一技术组合特别适用于需要高并发和高可靠性的应用场景,例如Web服务器、实时数据处理

weixin_34075268的博客 376

AI编程实战:从代码生成到调试,5大场景提升开发效率

在软件工程领域,自动化工具和智能辅助系统正深刻改变开发范式。其核心原理在于利用大规模代码库训练的语言模型,理解自然语言指令并生成、分析或转换代码。这一技术的核心价值在于将开发者从重复性、查找性的劳动中解放,使其更专注于架构设计和复杂问题求解。典型的应用场景包括快速集成陌生API、重构遗留代码、搭建项目脚手架、智能调试排错以及跨语言脚本编写。本文聚焦于AI作为“超级副驾驶”在真实开发流程中的实践,通过具体案例展示其如何将学习成本从小时级降至分钟级,并扮演代码审查员与调试助手角色,全面提升工程效率。

weixin_30402343的博客 334

Rust 和 TypeScript 前景最好,AI 辅助编程使用率大幅提高,中国和印度最难找到工作...

在我们平时的工作中,真正写代码的时间其实并不是花费最多的。大多数受访者计划采用 Go 和 Rust 作为自己的编程语言,Rust 是非常有前景的语言,受欢迎程度在不断提高,有望凭借其严格的安全性和内存所有权机制取代 C++。无论在哪个国家,打工人在职场都会遇到各种问题,JetBrains 的调查涵盖了我们遇到过的多数问题,因为,我们应该以平常心来看待,因为这些问题哪里都有。调查显示,就业市场最宽松的四个国家是德国、法国、日本和阿根廷,综合正面得分分别为 60%、58%、54% 和 51%。

m0_46995061的博客 851
上一篇: Rust 泛型:从单态化到 trait bound,编译器帮你写了多少代码?
下一篇: Python 装饰器进阶:从函数包装到类装饰器,元编程的正确姿势
第一程序员
博客等级 码龄1年 1万+粉丝 1822原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值