Rust 写 AI CLI:先把流式输出和错误处理做好

Rust重写AI编程工具:Claw Code的工程实践与性能突破 AI编程辅助工具正从Python原型阶段迈向生产级落地,其核心挑战在于运行时性能、内存安全与可部署性。Rust凭借零成本抽象、所有权模型和异步生态,成为重构CLI类AI工具的理想选择。本文围绕Claw Code这一典型社区实践,解析其如何通过强类型CLI(clap)、无锁流式HTTP(tokio+reqwest)、内存映射上下文管理(memmap2)及编译时模板校验(tera),系统性规避Python在启动延迟、GIL阻塞、运行时字符串错误和内存泄漏等方面的固有缺陷。案例实测显示,Rust实现相较Pytho 阅读详情

Rust 写 AI CLI:先把流式输出和错误处理做好

一、AI CLI 的第一版不要贪多

用 Rust 写 AI 命令行工具时,很容易一上来就想做会话管理、插件系统、文件索引和 Agent 自动执行。实际写下来会发现,第一版最重要的是两个基础能力:请求模型并稳定输出结果,以及在失败时给用户清楚的错误信息。没有这两个能力,功能再多也只是脆弱的壳。

CLI 和网页不同。用户在终端里更关注反馈是否及时、参数是否清楚、错误是否可修复。AI 接口如果一次性等完整响应返回,长回答会让终端像卡住一样。流式输出能明显改善体验。Rust 在这类工具上很合适,因为类型系统会逼着我们把网络错误、解析错误和配置错误分清楚。

二、最小链路:参数、请求、流式输出、退出码

flowchart TD
    A[命令行参数] --> B[读取配置]
    B --> C[构造模型请求]
    C --> D[HTTP 流式响应]
    D --> E[逐块输出到终端]
    D --> F[错误分类]
    F --> G[退出码]

第一版可以只支持一个子命令,例如 ask "解释这段报错"。参数解析用 clap,HTTP 请求用 reqwest,错误封装用 thiserror。不要急着做交互式 REPL,因为 REPL 会引入历史记录、中断、上下文长度和终端兼容问题。先让一次性命令可靠,再往上加。

配置也要简单。API Key 可以从环境变量读取,模型名和超时时间可以放在配置文件。不要把密钥写进命令历史里,也不要在调试日志里打印完整请求。AI 工具再小,也要从第一天尊重凭据安全。

三、代码片段:用枚举表达失败类型

下面是一个简化的错误定义。它的意义不是优雅,而是让调用方知道失败来自哪里。

use thiserror::Error;

#[derive(Debug, Error)]
pub enum CliError {
    #[error("missing api key, please set AI_API_KEY")]
    MissingApiKey,
    #[error("http request failed: {0}")]
    Http(#[from] reqwest::Error),
    #[error("invalid response format: {0}")]
    InvalidResponse(String),
    #[error("io error: {0}")]
    Io(#[from] std::io::Error),
}

如果全部用 anyhow::Result 也能写,但学习阶段我更建议先写清楚错误枚举。这样会被迫思考哪些错误用户能修,哪些错误需要重试,哪些错误应该打印调试信息。CLI 工具的用户体验,很大一部分来自错误信息。

流式输出时,还要记得及时 flush stdout。否则模型已经返回了 token,终端却没有马上显示。小细节会影响工具手感。

四、工程边界:超时、重试和取消

AI 接口一定要设置超时。网络请求没有超时,就等于把终端交给不确定性。可以设置连接超时和总请求超时,用户按 Ctrl+C 时也要能退出。后面接入 Tokio 后,可以用异步任务和取消信号管理长请求。

重试要谨慎。网络抖动可以重试,认证失败不能重试,参数错误不能重试,模型限流可以指数退避。不要把所有错误都包成“再试一次”。重试如果没有边界,会浪费 token,也会让用户等更久。

日志也要分级。默认输出只展示用户需要看的内容;调试模式再打印请求 ID、耗时和错误细节。终端工具不能把日志刷得比回答还多。这个道理我也是写了几版才意识到。

记得第一版上线后,有用户反馈"点了 ask 就卡住了"。排查发现是模型服务偶尔应答十秒以上,而我没有设超时。如果当时先加一个 30 秒全局超时,用户就不会觉得工具死掉了。终端工具给用户的第一印象,很多时候不来自功能有多强大,而是失败时有交代。

还有一次,reqwest 的连接池在 keep-alive 下偶发 Broken Pipe,加上 retry 逻辑后成功率从 95% 提到 99.7%。

五、总结

Rust 写 AI CLI 的第一版应聚焦最小闭环:参数解析、配置读取、模型请求、流式输出和错误分类。先把基础体验做稳,再扩展会话、插件和 Agent。终端工具不怕功能少,怕的是失败时用户不知道该怎么办。

《Rust 实战指南》实战项目 A:极速猎豹——构建 GB 级日志分析 CLI 工具 这一章是全书从理论走向生产级应用的第一战。我们选择了一个极具代表性的场景:日志分析。这是 Python 脚本的传统领地,但随着数据量增长,Python 的速度往往成为瓶颈。本章将展示如何用 Rust 构建一个比 Python 快 50 倍的 CLI 工具,同时保持代码的优雅和可维护性。 阅读详情

相关推荐

Rust CLI 工具开发实战:从模块化设计到系统集成

本文详细介绍了使用Rust开发CLI工具的实战经验,从模块化设计到系统集成。Rust凭借其内存安全性、高性能和跨平台支持,成为CLI开发的理想选择。文章涵盖了项目结构设计、错误处理、命令行接口开发(使用clap库)、系统集成与分发,以及高级性能优化技巧,帮助开发者构建高效、可靠的Rust CLI工具。

weixin_27960253的博客 157

Rust AI CLI 工具开发:从零构建一个智能命令行助手

用 Rust 开发 AI CLI 工具的核心收益是分发简单(单文件二进制)和性能好(冷启动快、并发强)。核心成本是开发速度慢和 AI 生态弱。我的建议是:如果工具需要分发给其他人用,Rust 值得投入;如果只是自己用,Python 更快。流式输出是体验的关键,SSE 解析和逐 Token 打印的实现并不复杂,但 flush 和错误处理容易踩坑。重试机制用指数退避,API Key 用环境变量,这两点是安全性和可靠性的底线。

no1coder的博客 5465

Nettrace 源码分析

文章介绍:本文将围绕腾讯开源项目nettrace工具中数据采集,数据处理,数据分析三个模块深入源码分析其实现细节

abobob的博客 990

当AI学会了自己写代码:深入拆解OpenAI Codex CLI的Rust架构设计与工程哲学

OpenAI CodexCLI:一个基于Rust的安全AI编程代理 摘要: OpenAI推出的CodexCLI是一个开源的本地AI编程代理,能够理解自然语言指令并自主执行代码修改、命令运行等开发任务。该项目采用Rust构建,包含100+个精心设计的crate,实现了多层安全架构: 核心特性: 支持交互式TUI、无头执行等多种使用模式 内置完整的沙箱系统(Linux/macOS/Windows平台原生隔离) 集成Model Context Protocol(MCP)实现工具生态扩展 技术亮点: 使用Rust实

许泽宇的技术分享 1万+

英飞凌TC377的Flash管理、UCB配置与HSM安全机制解析

本文深入解析了英飞凌TC377微控制器的Flash存储结构、UCB配置机制与HSM安全模块。详细阐述了带Cache与不带Cache的PFlash地址访问差异、利用SOTA与AB Swap实现无感OTA更新的原理,以及如何通过UCB安全配置启动流程与写保护。重点剖析了HSM硬件安全模块在密钥管理、安全启动与安全OTA中的核心作用,为开发高可靠性嵌入式系统提供实战指南。

weixin_29170327的博客 527

emir分析RC corner如何选择

power analysis阶段 RC corner的选择

weixin_61954252的博客 3596

Rust AI CLI 工具链实战:把模型调用、文件操作和日志熔断串起来

本文围绕 Rust AI CLI 工具开发中"模型调用、文件操作、日志熔断如何串联"这一实际问题,给出了一套基于tokioreqwesttracing的工程方案。核心设计:以熔断器(Circuit Breaker)为三条 IO 线的统一守门员,对 API 调用施加重试与退避策略,对文件写入采用临时文件 + 显式 flush 的安全模式,对日志系统引入独立的熔断保护,避免日志故障扩散到业务链路。技术要点熔断器状态机包含闭合、打开、半开三种状态,半开时限制探测请求数以避免雪崩恢复。

no1coder的博客 5043

SystemVue 链路预算、仿真分析步骤

使用SystemVue进行链路预算、频谱分析等,相对ADS更全面。

BeCourageable的博客 3837

Rust CLI开发清单:Command-Line Rust项目中的10个关键要点

Command-Line Rust项目是学习Rust命令行工具开发的绝佳实践,它通过14个渐进式案例展示了如何用Rust构建功能完善的CLI应用。本清单将揭示该项目中最核心的10个开发要点,帮助你快速掌握Rust CLI开发的精髓。 [![Rust命令行开发](https://raw.gitcode.com/gh_mirrors/co/command-line-rust/raw/10d983f6

gitblog_00460的博客 723

winform自定义控件(gdi+)(1)———设置透明背景色

本文详细讲解了如何在winform中设置控件的背景色为透明色

qq_34059233的博客 3688

【006】深入了解C++中的进制转换:二进制、八进制、十进制、十六进制

二进制:0~1,以0b开头,bitset< 8 >输出。八进制:0~7,以0开头,oct输出。十进制:0~9,以数字开头,cout默认输出十进制。十六进制:0 ~ 9和A ~ F,以0x开头,hex输出,不区分正负。n进制:0~n-1。C++ 中常见的数字进制有十进制、二进制、八进制、十六进制。从十进制转换到其他进制:二进制:使用除以 2 取余数的方法,将得到的余数倒序排列即为二进制。八进制:使用除以 8 取余数的方法,将得到的余数倒序排列即为八进制。

Lion_Long的博客 2614

GitCode CLI:从Python到Rust的重构之旅

本文介绍了将GitCode CLI工具从Python迁移到Rust的重构过程。Python版本虽开发快速但存在性能瓶颈,Rust版本则利用其内存安全、零成本抽象等特性实现了显著改进。重构中采用了Clap、Tokio等Rust生态工具,重新设计了异步架构,解决了内存管理、异步编程等技术挑战。测试结果显示Rust版本在启动速度、内存占用和文件传输效率上均有大幅提升,且部署更简单。未来计划扩展批量操作等功能,验证Rust作为CLI开发语言的优越性。

自律即自由 1483

《YOLOv8:从入门到实战》专栏介绍 & 专栏目录

本专栏涵盖了丰富的YOLOv8算法从入门到实战系列教程,专为学习YOLOv8的同学而设计,堪称全网最详细的教程!🌈🌈🌈

小哥谈 6491

7 月 AI CLI 工具开发总结:从 idea 到可用的 31 天全记录与关键决策

31 天把一个 idea 变成一个能用的 AI CLI 工具,对一个来说,最大的收获不是这个工具本身,而是学到了怎么在混乱中建立秩序。先做小闭环,再做广度。让一个功能稳定工作,比三个功能"勉强能跑"更有价值。trait 抽象是 Rust 项目的脊柱。做对了 trait 设计,后续扩展是加法;做错了,后续重构是乘法。编译速度不是虚指标。2 秒和 20 秒的区别,是你能不能保持心流的关键差异。下个月不打算加新功能了——先把测试补全,然后真正"用"这个工具一个月,让实际使用中的痛点告诉我下一步该做什么。

no1coder的博客 4913

已解决“TimeouEror [WinEror 10060由于连接方在一段时间后没有正确答复 或连接的主机没有反应,连接尝试失败“,亲测有效!!!

已解决"TimeouEror [WinEror 10060由于连接方在一段时间后没有正确答复 或连接的主机没有反应,连接尝试失败",亲测有效!!!

wbajsjhhhhh的博客 1万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Rust AI CLI 开发复盘:两周踩过的 7 个坑和对应的防范模式

A["外部输入"] --> B{"编码假设检查"}B -->|已知编码| C["按预期处理"]B -->|未知编码| D["自动检测 + 降级"]E["网络调用"] --> F{"超时设置"}F -->|已设置| G["正常请求"]F -->|未设置| H["阻断:必须设置超时"]I["资源使用"] --> J{"有上界吗?"}J -->|有| K["安全"]J -->|无| L["加限制:pre-allocate / buffer-cap"]所有外部输入均做编码检测。

no1coder的博客 4663

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

AI 驱动的 CLI 工具开发:用 Rust 构建智能命令行 Agent

用 Rust 构建智能 CLI Agent 的核心思路是"双通道输入":保留传统 CLI 的精确性,增加 NLU 的便利性。本文的关键实践为:用 clap 处理结构化命令、用大模型 API 解析自然语言意图、用 Rust 类型系统区分读写操作保证安全、用缓存和降级策略控制延迟和成本。这不是一个"成熟方案",而是一个学习过程中的记录——NLU 的延迟和安全沙箱是当前最大的挑战,后续会尝试本地模型和更严格的权限控制。

no1coder的博客 4598

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Teleport 嵌套 Access Lists(Nested Access Lists)设计与实现深度解析

Access Lists(访问列表)是 Teleport 中面向长期权限授予与定期审计的核心资源。本文围绕 RFD 0170([rfd/0170-nested-accesslists.md](https://link.gitcode.com/i/0f3b3672e8beda5250dfb162c660816a))展开,系统讲解 Teleport 如何让一个 Access List 把另一个 Acc

gitblog_00995的博客 617

用Rust快速构建CLI工具原型

如果你也想尝试用Rust开发工具,建议从一个具体的小功能开始,逐步扩展。Rust的编译器虽然严格,但确实能避免很多低级错误。特别是结合平台提供的AI辅助,遇到问题时能快速得到解决方案,不用在各种文档里翻来翻去。最近在做一个文件处理的小工具,正好用Rust练练手。不得不说,Rust的生态和工具链确实很适合快速开发CLI工具原型,配合。虽然这是个简单的CLI工具,但完整走完开发流程后,对Rust的实用性和开发效率有了新的认识。这样的工具,让原型开发变得特别顺畅,不用操心环境配置,可以专注在代码逻辑上。

BlackStone33的博客 263

写给Rust 新人的一封信:AI 时代,你的学习方法可以完全不同

7 月 31 日,310 篇文章,40 万字。这是我人生中最高产的一个月。不是因为我很厉害,而是因为我选对了方向——AI CLI 工具开发——这个方向恰好同时需要 AI 理解能力、Rust 系统编程能力和工程化思维。三者的交汇处就是我现在站的位置。回头看看那个 2024 年 1 月 3 日凌晨两点还在对着一台发烫的 Mac 和 47 行编译错误发呆的自己,我想说:那些错误不是障碍,是台阶。每一个编译不过的夜晚,都在为以后的生产力在存款。你可以的。

no1coder的博客 5813

终极 Rust 交互式提示库 inquire:10 个实用技巧快速提升 CLI 体验

inquire 是一个强大的 Rust 库,专为构建交互式命令行提示而设计。无论是简单的文本输入还是复杂的表单交互,inquire 都能帮助开发者轻松创建流畅直观的 CLI 体验。本文将分享 10 个实用技巧,帮助你快速掌握 inquire 的核心功能,提升命令行应用的用户体验。 ## 1. 快速创建选择菜单:Select 组件基础用法 选择菜单是 CLI 应用中最常见的交互形式之一。inqu

gitblog_00671的博客 854

【Rust日报】Rust中的错误处理为什么在嵌入式中很舒服

使用 Rust 构建跨平台 Hacker News 阅读器作者首先介绍了命令行界面(CLI)、文本用户界面(TUI)和图形用户界面(GUI)等不同类型的界面。然后作者解释了为什么选择使用 Rust 语言,列举了使用 Rust 的优势,如性能、安全性和并发能力。接下来,作者详细介绍了使用 Rust 构建 TUI 应用程序的过程。他使用了 ratatui 和 reqwest 这两个 Rust 库,分别...

Rust语言学习交流 1068

Rust实战:猜数字小游戏

你不仅能做出可运行的小游戏,还能系统性掌握输入输出、错误处理、循环控制、外部依赖与随机数、模式匹配等 Rust 基础知识。玩家要在 1 到 100 之间猜出程序随机生成的整数,程序会在每次猜测后提示“太大了”“太小了”或“恭喜你,猜对了!约定俗成:Rust 可执行项目的入口文件为 src/main.rs,库项目的入口文件为 src/lib.rs。注意:此处用 expect 处理解析失败会直接崩溃,后续我们会改成更友好的“提示并重新输入”。这些资料可以帮助你从“会写”向“写得优雅、可维护、可扩展”迈进。

小淼淼的博客 5391

Rust 错误处理的 7 月总结:从 panic 到优雅降级的完整进化路径回顾

/ 等级四:用 thiserror 派生宏自动生成样板代码// 只需定义错误变体和错误消息,Display/Error/From 全部自动实现/// IO 操作失败#[error("IO 错误:{0}")]/// JSON 解析失败#[error("JSON 解析错误:{0}")]/// HTTP 请求错误#[error("HTTP 请求失败:{0}")]/// 业务逻辑错误#[error("业务错误 [{code}]:{message}")]Business {},/// 用。

no1coder的博客 4480

Rust AI 命令行工具:从参数解析到模型调用的最小闭环

Rust AI 命令行工具可以从参数解析、配置读取、模型调用和输出格式化的最小闭环开始。把类型、错误和安全边界打好,后续再扩展 Agent、插件和多模型能力会稳很多。

no1coder的博客 5852

Rust Result 组合:错误处理别急着 unwrap

RustResult组合要用?传播错误,用错误类型表达原因,在 CLI 层给用户可行动提示。错误处理别急着unwrap。失败能被理解,程序才算成熟。

no1coder的博客 1546
上一篇: AI 辅助:Cargo 工作区管理:从单包项目到系统级工具链
下一篇: 系统工具日志设计:默认安静,出问题时足够详细
第一程序员
博客等级 码龄1年 1万+粉丝 1822原创
评论 1
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