Rust AI CLI 的网络层优化:连接池、HTTP/2 和请求合并的关键技术

Codex CLI命令行工具:TOML配置驱动的多模型AI统一接入方案 CLI(命令行接口)是现代DevOps与AI工程化集成的核心载体,其本质是将复杂服务抽象为可脚本化、可管道化、可版本化的原子操作。基于OpenAI兼容协议的CLI工具,通过标准化请求构造、流式响应解析与Provider路由机制,显著降低多模型调用的认知负荷与运维成本。TOML格式因其人类可读性、无缩进敏感、支持注释等特性,成为AI配置中枢的理想选择,支撑密钥注入、模型协商、上下文控制等关键能力。在CI/CD、Git钩子、自动化文档生成等真实场景中,CLI形态展现出远超GUI/Web的低延迟(P95<800m 阅读详情

Rust AI CLI 的网络层优化:连接池、HTTP/2 和请求合并的关键技术

一、连接池:别再每次都重新握手了

最开始我的代码长这样——每次请求都创建一个新的 reqwest::Client:

// ❌ 每次请求都新建 Client,每次都要做 TLS 握手
async fn call_api_naive(prompt: &str) -> Result<String, reqwest::Error> {
    // 创建一个全新的 HTTP 客户端 —— 这会导致每次请求都重新建立连接
    let client = reqwest::Client::new();
    let resp = client
        .post("https://api.openai.com/v1/chat/completions")
        .json(&build_body(prompt))
        .send()
        .await?;
    Ok(resp.text().await?)
}

这么写的问题很明显:每次调用都要完整地走一遍 TCP 三次握手 + TLS 四次握手,光握手就要几十毫秒。如果你的 CLI 工具需要连续发多个请求(比如先做代码分析,再做代码生成),这个延迟就叠加起来了。

正确的做法是用连接池复用连接。reqwest 的 Client 本身就是带连接池的,关键是全局只创建一个实例:

use once_cell::sync::Lazy;
use reqwest::Client;

// ✅ 全局单例 Client,内部维护连接池,复用 TCP 连接
static HTTP_CLIENT: Lazy<Client> = Lazy::new(|| {
    Client::builder()
        // 连接池中最大空闲连接数(每个 host)
        .pool_max_idle_per_host(20)
        // 空闲连接的最长存活时间(秒)
        .pool_idle_timeout(Some(Duration::from_secs(90)))
        // HTTP/2 默认开启,这里显式确认
        .http2_prior_knowledge()
        .build()
        .expect("Failed to build HTTP client")
});

async fn call_api_optimized(prompt: &str) -> Result<String, reqwest::Error> {
    // 复用全局 Client,底层自动从连接池获取连接
    let resp = HTTP_CLIENT
        .post("https://api.openai.com/v1/chat/completions")
        .json(&build_body(prompt))
        .send()
        .await?;
    Ok(resp.text().await?)
}

这里有几个关键参数:

  • pool_max_idle_per_host(20):每个目标 host 最多保留 20 个空闲连接。如果并发量大,可以适当调高。
  • pool_idle_timeout:空闲连接超过 90 秒就关闭,避免占用服务端资源。
  • http2_prior_knowledge():强制使用 HTTP/2,下一节详细讲。

二、HTTP/2 多路复用:一个连接跑多路请求

HTTP/1.1 虽然支持 Keep-Alive,但请求是串行的——同一个连接上,上一个请求没完成,下一个就得等着(队头阻塞)。HTTP/2 通过多路复用解决了这个问题:

在 Rust 里启用 HTTP/2 很简单,reqwest 默认就会优先尝试 HTTP/2(通过 ALPN 协商)。如果想强制使用:

let client = Client::builder()
    .http2_prior_knowledge()  // 跳过 HTTP/1.1 协商,直接用 HTTP/2
    .build()
    .unwrap();

但要注意:http2_prior_knowledge() 只有在确认服务器支持 HTTP/2 的情况下才使用,否则连接会失败。更稳妥的方式是不加这一行,让客户端和服务端自动协商。

三、请求合并:相同问题别重复发

在 AI CLI 场景里,有时候用户会连续问类似的问题(比如"这段代码还有问题吗"紧接着"能再详细解释下吗"),或者我们的工具内部需要并发查询多个 AI 接口。这时候请求合并就很有用。

思路是:用一个请求队列,把短时间内(比如 50ms 内)对同一个 endpoint 的请求合并成一次批量调用:

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

/// 请求合并器:将短时间内的多个请求合并为一次批量调用
struct RequestBatcher<T: Clone> {
    // 待合并的请求缓冲区:key → (内容, 回调发送端, 过期时间)
    buffer: Mutex<HashMap<String, (T, tokio::sync::oneshot::Sender<String>, Instant)>>,
    // 合并窗口:多长时间内的请求会被合并
    batch_window: Duration,
}

impl<T: Clone + std::fmt::Debug> RequestBatcher<T> {
    fn new(batch_window: Duration) -> Self {
        Self {
            buffer: Mutex::new(HashMap::new()),
            batch_window,
        }
    }

    /// 将请求加入合并队列,返回一个接收响应的 channel
    async fn submit(&self, key: String, payload: T) -> String {
        let (tx, rx) = tokio::sync::oneshot::channel();
        let mut buffer = self.buffer.lock().await;
        buffer.insert(key, (payload, tx, Instant::now()));
        drop(buffer); // 释放锁

        // 等待批量处理的结果
        rx.await.unwrap_or_else(|_| "请求合并失败".to_string())
    }
}

// 后台任务:定时检查缓冲区,批量处理过期或满额的请求
async fn batch_processor<T: Clone + std::fmt::Debug>(batcher: std::sync::Arc<RequestBatcher<T>>) {
    let mut interval = tokio::time::interval(Duration::from_millis(50));
    loop {
        interval.tick().await;
        let mut buffer = batcher.buffer.lock().await;
        let now = Instant::now();

        // 收集所有到期的请求
        let expired: Vec<String> = buffer
            .iter()
            .filter(|(_, (_, _, deadline))| now.duration_since(*deadline) >= batcher.batch_window)
            .map(|(k, _)| k.clone())
            .collect();

        for key in expired {
            if let Some((payload, tx, _)) = buffer.remove(&key) {
                // 模拟批量处理的 API 调用
                let result = format!("处理完成: {:?}", payload);
                let _ = tx.send(result); // 发送结果给等待者
            }
        }
    }
}

核心思想就是:用 oneshot channel 让多个调用者等待同一个批量结果,后台定时器每隔 50ms 把积压的请求一起处理掉。

四、实战:一个优化前后的完整对比

我把上面三个优化整合进了一个简单的 AI CLI 工具里,对比优化前后的性能:

use std::time::Instant;
use reqwest::Client;
use once_cell::sync::Lazy;

// 全局 HTTP 客户端(连接池 + HTTP/2)
static CLIENT: Lazy<Client> = Lazy::new(|| {
    Client::builder()
        .pool_max_idle_per_host(10)
        .pool_idle_timeout(Some(Duration::from_secs(60)))
        .build()
        .unwrap()
});

async fn optimized_call(prompt: &str) -> String {
    // 1. 复用连接池(一次握手,多次请求)
    // 2. HTTP/2 自动多路复用
    let start = Instant::now();
    let resp = CLIENT
        .post("https://api.example.com/v1/chat")
        .json(&serde_json::json!({"prompt": prompt}))
        .send()
        .await
        .unwrap();
    let text = resp.text().await.unwrap();
    let elapsed = start.elapsed();
    println!("请求耗时: {}ms", elapsed.as_millis());
    text
}

// 对比:连续发 5 个请求
async fn benchmark() {
    let prompts = vec![
        "分析这段代码的复杂度",
        "给出优化建议",
        "生成单元测试",
        "检查安全问题",
        "写注释文档",
    ];

    // 并发发送 5 个请求 —— 得益于 HTTP/2 和连接池,速度远超串行
    let start = Instant::now();
    let tasks: Vec<_> = prompts
        .iter()
        .map(|p| optimized_call(p))
        .collect();
    let results = futures::future::join_all(tasks).await;
    println!("5 个请求总耗时: {}ms", start.elapsed().as_millis());
}

实测下来,5 个串行请求在优化前要大约 3-4 秒(每次都要 TLS 握手),优化后用连接池 + HTTP/2 多路复用,总耗时降到 600-800ms,基本等于最慢的那个请求的时间。

实际项目里我还观察到一个更隐蔽的现象:连接池的 pool_max_idle_per_host 设太大(比如 50),在调用多个不同的 API 域名时,TCP 连接总数超过了 Linux 的 net.ipv4.ip_local_port_range 上限,触发"无法分配本地端口"的奇怪错误。排查了半天才发现不是 Rust 代码的问题,而是内核参数。后续把 pool_max_idle_per_host 调到 5,并监控 TIME_WAIT 连接数,问题消失。

五、总结

  1. 连接池——全局一个 Client,别每次都 new,让底层自动管理 TCP 连接。
  2. HTTP/2 多路复用——一个连接上并行发多个请求,避免 HTTP/1.1 的队头阻塞。
  3. 请求合并——用 channel 和定时器把短时间内的重复请求合并成一次批量调用。

这些优化说起来都不复杂,但真正落地到自己写的工具里,体验提升是实打实的。作为一个转行的程序员,我的学习方式就是遇到问题 → 查文档 → 写 demo → 做对比实验,把每个点都吃透。网络层优化还有很多东西要学(QUIC、零拷贝、自定义 DNS 解析等),慢慢来吧。

Codex配置指南:如何正确接入DeepSeek、Claude等第三方AI API Codex并非独立可安装的AI工具,而是指代一类基于大模型API封装的命令行或桌面客户端。其核心原理是通过配置层(如TOML文件)将用户指令路由至OpenAI、Anthropic、DeepSeek等厂商的远程推理服务,依赖HTTP协议适配与环境变量注入实现模型切换。技术价值在于统一交互界面下的多后端灵活调度,支持离线Ollama、云端Claude及国产DeepSeek-Coder等异构模型接入。典型应用场景包括IDE集成、本地开发提效、私有化代码生成等。本文聚焦可配置封装工具的三层架构解析与生产级confi 阅读详情

相关推荐

OpenClaw:TypeScript原生AI Agent编排框架解析

AI Agent并非仅关乎大模型调用,其工程化核心在于可编排、可调试、可灰度发布的函数化能力。OpenClaw以TypeScript为唯一语言,将LLM能力抽象为带Zod类型校验的Skill模块,实现输入/输出契约统一、跨环境复用与运行时安全。它不替代模型推理,而是构建在API与工具之上的轻量Serverless编排层,天然适配CI/CD、可观测性与多实例部署。面向企业级AI落地场景,OpenClaw解决了Agent‘上线即飘、压测即崩、改prompt全链路失效’等典型工程痛点,是当前少有的真正生产就绪的A

dht91597的博客 567

CC Switch架构解析:构建AI开发工具统一管理引擎的技术方案

在AI驱动的软件开发时代,开发人员面临着前所未有的工具碎片化挑战。Claude Code、Codex、Gemini CLI、OpenCode和OpenClaw等主流AI编程工具各自为政,每个工具都有独特的配置格式、API接口和管理界面。这种分散的管理模式不仅增加了运维复杂性,还限制了团队协作效率和资源利用率。CC Switch应运而生,作为基于Tauri 2和Rust技术栈构建的跨平台桌面应用,它

gitblog_00962的博客 797

大模型推理服务中请求排队层的归零实践

在大模型推理服务架构中,请求排队层是导致端到端延迟飙升、P99响应不可控的核心瓶颈。其本质是传统‘资源复用优先’范式下为提升GPU利用率而引入的隐式调度队列,却严重牺牲了用户体验的确定性。随着低延迟、无状态弹性成为实时AI应用(如智能客服、高频交易、医疗报告生成)的刚性需求,业界正转向‘请求-实例绑定’的新范式——通过轻量沙箱、ZSTD流式权重加载、显存碎片动态治理与特征驱动路由,实现排队层的物理归零。本文基于Anthropic最新实践与开源可复现方案,详解如何在Kubernetes+KubeRay环境中落

weixin_30684743的博客 381

AI编程Agent终端实战:Tabby/Cursor/Continue等五工具选型与MCP集成指南

AI编程Agent是将自然语言意图转化为可执行代码的智能终端协作者,其核心在于上下文感知、技能编排与模型-工具协同。MCP(Model Communication Protocol)作为标准化通信契约,支撑Shell、Git、Figma等Skills在安全沙箱中按需调用。相比通用大模型,终端级Agent更强调进程级上下文捕获、本地化推理适配与企业级可观测性——如Tabby通过LD_PRELOAD实现命令流实时解析,Cursor依赖Figma MCP Token完成设计稿到TypeScript组件的端到端生成

weixin_34293911的博客 427

DeepSeek-Coder-V2本地代码审查实战:Ollama+量化部署指南

代码审查是保障软件质量的核心环节,传统静态分析工具受限于规则匹配与语法层面,难以识别语义级缺陷,如并发竞态、浮点精度陷阱、隐式业务约束违规等。大语言模型凭借对海量代码的模式学习,具备上下文感知与AST结构理解能力,可实现更深层的逻辑合理性判断。DeepSeek-Coder-V2专为代码任务优化,支持超长上下文(128K tokens)与量化部署,结合Ollama的GGUF内存映射与动态批处理机制,可在本地CPU环境实现毫秒级响应。本文聚焦‘本地化’与‘工程可用性’两大关键价值,详解如何通过量化选择(q4_k

627

国产大模型零门槛接入Claude Code实操指南

AI编程助手的核心价值在于将大语言模型的推理能力无缝融入开发者日常工作流。理解其本质需从‘代码生成模型’与‘IDE集成协议’两个基础概念切入:前者提供函数补全、错误诊断等能力,后者定义请求格式、流式响应、上下文管理等交互规范。技术价值体现在降低认知负荷、保持操作一致性、规避网络代理依赖;典型应用场景包括Python/Rust跨语言重构、SQL查询优化、React竞态调试等工程任务。本文聚焦国产双引擎——GLM-4.7(长上下文理解)与MiniMax M2.1(低延迟补全)——如何通过协议对齐与配置适配,在不

391

多模型路由四层架构:从工具侧到智能路由的演进路径

多模型路由是现代AI工程中实现模型服务化、流量可控化与成本最优化的关键能力。其本质并非简单选择大模型,而是构建类Kubernetes Ingress的AI流量调度中枢,涵盖协议适配、策略编排、熔断降级与用量治理等核心能力。随着开源推理成本下降和托管平台成熟,企业正从硬编码路由走向可观测、可治理、可学习的路由体系。LiteLLM等自托管网关已支持YAML策略引擎与动态fallback,而OpenRouter等托管平台则以产品化封装降低使用门槛。当前技术分层关键在于控制权归属与策略闭环能力——工具侧路由适合原型

weixin_34242819的博客 193

Qdrant 深度拆解:35K Star 的 Rust 向量数据库,是如何把 HNSW、Payload 过滤和量化压缩揉成一台机器

Qdrant 是基于 Rust 构建的向量数据库,以高效协同稠密向量(HNSW)、Payload 过滤与量化索引著称。其核心优势在于三者在查询中同步生效,兼顾召回率与性能。适用于 RAG、语义搜索、推荐系统及多租户场景,但不擅长事务或精确检索。架构分层清晰,写入经 WAL 保障一致性,检索通过分片与段并行加速。关键技术包括过滤感知 HNSW、ACORN 跨跳搜索、八类 Payload 索引、四档量化(如 TurboQuant、Product)及灵活多租户策略。最新版本 v1.20.1 强化了嵌套索引与重打分

yinghan2005的专栏 342

Codex不是代码补全工具,而是软件工程语义中枢

Codex本质上是一个面向软件工程全生命周期的语义理解与生成模型,其核心能力在于对程序逻辑、接口契约、状态机等抽象概念的深度建模,而非简单字符串生成。它基于大规模代码语料训练,具备跨语言推理、逆向工程、上下文感知生成等能力,技术价值体现在提升需求到实现的转化效率、降低人工返工率、支撑遗留系统现代化。典型应用场景包括API自动实现、活化技术文档、微服务拆分建议、跨团队语义对齐等。作为可本地部署、可诊断、可定制的智能代理,Codex正从开发辅助工具演进为组织级工程知识操作系统。

weixin_30357231的博客 323

【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营06

13 | 司法诉讼 | 原告律师 | 争取和解优势 | 证据披露的序贯博弈 | 策略性证据释放 | 持有证据集E = {强证据e_s, 中证据e_m, 弱证据e_w}。设公众原有认知人格向量为 Pold​​=(p1​,p2​,...,pk​), 其中p_i为负面特质(如“不敬业”)。危机后, 通过行为序列 {At​}和宣传, 将公众认知向新向量 Pnew​​引导, 使得在关键维度上, Pnew​​与 Pold​​的余弦相似度降低, 并与一个正面的、可接受的“原型”(如“浪子回头”、“慈父”)对齐。

weixin_49199313的博客 1489

【实用运维脚本】Windows 批量 TCP 端口检测(tcping 一键巡检)

摘要:本文介绍一款高效的Windows批量TCP端口检测脚本,适配tcpingv0.39工具,实现多服务器一键巡检。脚本具有进度可视化、双日志输出、自动容错等优势,支持注释行过滤和UTF-8编码。 使用仅需三步: 1)下载tcping工具 2)编辑目标列表 3)运行脚本即可自动检测并生成带编号的检测报告。 该方案解决了手动检测效率低、易遗漏的问题,特别适合日常运维中的端口连通性检查,实测稳定可靠,开箱即用。

蕲士|D365 & 服务器运维,心有东坡,行稳致远。 805

组网第63课:安全域划分——Trust/Untrust/DMZ、区域模型、与 VLAN 的关系

一组接口 + 一组策略 + 一条默认拒绝。一组接口:这个域包含哪些物理口、VLAN、子接口;一组策略:这个域到别的域放行什么、拒绝什么;一条默认拒绝:没写进策略的,一律不通。第三条最关键。没有默认拒绝,前面划的域全是装饰。

qq_36765170的博客 572

LibTV本地部署:AI漫剧创作完整解决方案与实战指南

如果你正在关注AI漫剧创作这个赛道,可能会发现一个有趣的现象:市面上的AI视频工具要么功能单一,要么云端服务昂贵且存在内容审核风险。而今天要介绍的LibTV本地部署方案,或许能为你打开一扇新的大门。 这个方案的核心是Seedance2.0与豆包AI的本地化集成,它真正解决的是创作者对内容自主权、成本控制和创作效率的三重需求。与红果、抖音等平台提供的标准化AI工具相比,本地部署意味着你可以完全掌控生成过程,不受平台规则限制,更重要的是——所有数据都在本地,不存在内容泄露风险。 1. 这篇文章真正要解决的问题

weixin_28745309的博客 531

rust: Fan-out/Fan-in Pattern

本项目基于Rust实现珠宝行业全流程的扇出/扇入模式,采用DDD六层架构。通过ProcessRequestDto与ProcessResponseDto传输数据,将采购、设计、生产等12个业务阶段抽象为可并行执行的FanoutTask子任务。核心由JewelryFanoutFanin实现并行调度:先扇出至12个线程并发执行,再统一扇入汇总结果。系统集成日志(文件+控制台)、重试熔断、内存仓储及依赖注入容器,支持顺序与并发两种调度方式,确保高并发下任务可靠执行与可观测性。

Geovin Du Dream Park 163

昆仑通态屏幕制作(连载1)---接触篇

写在开始 背景:最近出了做QT、LORA和4G,还做了一个屏幕。以前做了一个迪文的串口屏幕,发现网上的教程很多,所以连载就不更新了,并且迪文屏幕的设置什么的比较简单,应该从网上都能找到对应的教程。而现在用的昆仑通态的屏幕属于嵌入式屏幕,至于为啥叫嵌入式,也不是很明白,反正就是需要用这个屏幕,嵌入式不嵌入式不重要了。重要的是能用,并且能实现串口屏幕不能实现的功能。所以选定昆仑通态的一款屏幕。 文章语言:我比较习惯用比较糙的语言介绍做的东西,有时候不太准备,但是为了方便理解,还请大家谅解。用...

weixin_45426095的博客 6739

SpringBoot+VUE3实战:如何用WebSocket搞定网页端语音通话(避坑指南)

本文详细介绍了如何使用SpringBoot和VUE3结合WebSocket技术实现网页端语音通话功能。从环境配置、WebSocket服务端实现到前端音频处理,提供了完整的开发指南和避坑建议,帮助开发者快速构建稳定高效的实时语音通信系统。

weixin_29021195的博客 221

Rust组织管理(AI回答)

你想做的事JS / Python 做法Rust 做法把一个文件纳入工程新建文件即可新建 xxx.rs 后,必须在入口写mod xxx;挂载对外暴露函数/结构体export(Python 默认全公开)默认全私有,必须显式加pub引入别处的函数use crate::模块名::函数名;找路径的基准词./ 或 ../(从 src 根出发)、(上一级 ../)、(当前级 ./)日常写项目:不要用 #[path],直接遵守默认规则——

yaoct的博客 153

基于FPGA的AGC自适应增益控制系统开发

自动增益控制(AGC)是一种在接收信号过程中自动调整放大器增益的技术,以确保输出信号的幅度保持在一个恒定的水平。基于FPGA实现AGC系统具有高性能、低延迟和高度可配置的特点,广泛应用于无线通信、音频处理和雷达等领域。FPGA上的AGC系统提供了一种高效且灵活的方法来处理变化的信号环境。在实际应用中,通过合理的设计和优化,可以显著提高信号处理系统的鲁棒性和可靠性。

走向CTO的路上... 1698

自建 RustDesk 服务端后,做一个“装完就能连“的客户端

如果有云服务的话,可以基于 RustDesk 的 hbbs / hbbr 自己部署一套,不过会碰到一个问题:每台电脑装完客户端,都得手动去设置里填三样东西——ID 服务器、中继服务器、Key。填错一个就连不上,还得远程指导同事操作。这篇记录两种解决办法,以及云端编译的完整流程。内容基于 RustDesk 1.5.3 的源码。

风声的专栏 632

8、Windows 部署ollama

一个本地运行大模型的集成框架,目前主要针对主流的LLaMA架构的开源大模型设计,通过将模型权重、配置文件和必要数据封装进由Modelfile定义的包中,从而实现大模型的下载、启动和本地运行的自动化部署及推理流程。此外,Ollama内置了一系列针对大模型运行和推理的优化策略,目前作为一个非常热门的大模型托管平台,已被包括LangChain、Taskweaver等在内的多个热门项目高度集成。

Andy_shenzl的博客 1135

C#【必备技能篇】Winform实现多语言切换(.resx文件的应用)

在实际的项目开发中,软件需要实现多语言切换。本文通过一个实际的例子,可以让你学习到这个技能。

星Yeah 的博客 1万+

Rust LeetCode443 算法题解

LeetCode 443 字符串压缩:原地行程编码,用 start 标记组起点、next 扫描组边界、i 原地写出;长度 1 不写计数使编码不膨胀,写指针不越过读指针。时间 O(n),额外空间 O(1)。

weixin_43379230的博客 182

车载以太网:PHY(物理层)介绍

本文以TJA1101芯片为实例介绍了车载以太网PHY(物理层)组成。

kevin1499的博客 6231

GitHub 热榜项目:日榜(2026-11-10)

本期共 11 个热门开源项目,合计新增 13,136 stars。榜单前三分别是 Anthropic 的 Agent Skills 仓库、Meta 开源的 React 设计系统 Astryx(+3,278)和用户名检索工具 sherlock(+4,267,本期涨星最多)。其余项目覆盖 DeepMind 的物理引擎 MuJoCo、Claude 官方示例集、自托管智能体记忆系统 GBrain、用 Rust 写的浏览器自动化 CLI、基于 WiFi 信号的人体感知平台 RuView、多市场股票分析工具,以及 Ho

u130130的博客 447

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

GitHub 今日推荐|HGhubX:Tauri 2 跨平台短剧客户端实战

Tauri 2 + Rust + React 构建的跨平台短剧观看客户端,实现 HLS 代理、AES 封面解密、多线路探测与会话隔离,覆盖桌面与移动全平台。

wfly blog 430

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

ARTCRAFT系列软件简单试用手记1

AI辅助开发推动开源重构热潮,ARTCRAFT系列以Rust重写经典软件,性能媲美C/C++。其Launcher支持多平台、多架构,可快速部署开源版Excel(GridCraft)与Word(WordCraft),启动速度远超Office 2016。界面类Office 2016,但暂不完善汉字字号与红头嵌套编辑。项目持续更新,主打“CraftAnything”理念——理解软件原理,自创版本,未来可期。

olegja3d的博客 213

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

上一篇: Cargo 与 Bazel:两种构建系统在 Rust 大型项目中的取舍分析
下一篇: Rust AI 工具发布为单二进制:静态链接把一切装进一个文件的技术要点
第一程序员
博客等级 码龄1年 1万+粉丝 1827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