跳转到内容

Python 与 Rust、Go 怎么选,AI 写代码之后的语言选择对比

AIGoCode发布于 更新于

Python 与 Rust、Go 怎么选,AI 写代码之后的语言选择对比 封面

过去十年,团队选 Python 的理由很一致:写得快、生态全、好招人。Rust 和 Go 跑得更快,但学习曲线陡、开发慢,很多项目就先用 Python 顶上,说好以后再优化性能,然后一直没有以后。

2026 年,一篇题为 If AI Writes Your Code, Why Use Python? 的文章在 Hacker News 上引发了大量讨论。作者的判断是:当代码主要由 AI 来写,“写得快”就不再是 Python 独有的优势,Python 与 Rust 怎么选、Python 与 Go 怎么选,答案要重新算一遍。

这篇文章适合正在给新项目定技术栈、或者在用 Claude Code、Codex 写代码的开发者。下面按原文的论据整理:AI 为什么更擅长“难语言”、过去一年里有哪些真实案例、Python 生态底层发生了什么变化,最后给出一张按场景选语言的对比表。

AI 写代码时代的语言选择 原文配图 1

核心论点:对人难的语言,对 AI 反而更顺手

原文最核心的观点是:强类型、编译检查严格的语言,恰好适合 AI 迭代。

有一条评论把这个逻辑说得很直接:Rust 在 2026 年最强的论据不是内存安全或性能,而是 AI 写 Rust 比写 C++ 更好。编译器的反馈循环足够紧,模型每次编译都会拿到明确的错误信息,可以立刻自我纠正。

同样的逻辑也适用于 Go 和 Swift:强类型系统加上快速编译,形成了最紧的“写代码 → 报错 → 修正”循环。对人来说门槛最高的那部分(类型、所有权、编译错误),对 AI 来说反而是现成的检查器。

这和用 AI 写代码时“要不要看代码”的讨论是同一个问题的两面:编译器和测试替你兜住的越多,你需要逐行审查的就越少。关于这条边界,可以参考 Vibe Coding 能走多远?从 Proof 上线崩溃看 AI 写代码的边界。

过去一年里已经发生的四个案例

原文强调这不是理论推演,下面这些都是公开可查的项目。

AI 辅助移植与新语言案例 原文配图 2

TypeScript 编译器移植到 Go

微软在 2026 年 4 月发布 TypeScript 7.0 Beta,7 月正式发布 TypeScript 7。新版本把原来用 TypeScript 写的编译器整体移植到 Go,类型检查逻辑与 6.0 保持结构一致,官方给出的完整构建提速通常在 8 到 12 倍之间。

一家以 JavaScript/TypeScript 为核心的公司,给自己的旗舰工具选了 Go,原因是用更低的工程成本拿到大部分性能收益。

16 个 Claude 并行写出 10 万行 Rust 的 C 编译器

Anthropic 研究员 Nicholas Carlini 让 16 个 Claude 实例在同一个代码库上并行工作,从零写了一个 Rust 实现的 C 编译器。按 Anthropic 官方文章的数据:约 2000 个 Claude Code 会话、API 费用不到 2 万美元,产出约 10 万行代码,能在 x86、ARM、RISC-V 上构建可启动的 Linux 6.9,还能编译 QEMU、FFmpeg、SQLite、PostgreSQL、Redis,并运行 Doom。

官方也写明了它的限制:16 位 x86 部分仍要调用 GCC,自带的汇编器和链接器还不稳定,生成代码的效率不如 GCC。

Ladybird 浏览器的 JS 引擎从 C++ 移植到 Rust

Ladybird 创始人 Andreas Kling 用 Claude Code 和 Codex,把 LibJS 的词法分析器、解析器、AST 和字节码生成器从 C++ 翻译成 Rust,约 2.5 万行,耗时约两周。他强调这是人主导的翻译:移植什么、按什么顺序、Rust 代码长什么样都由他决定,过程是几百个小 prompt。

结果要求与 C++ 版本逐字节一致,在 52,898 个 test262 测试和 12,461 个 Ladybird 回归测试上零回归。他估计同样的工作手动做要好几个月。

Steve Klabnik 用 Claude 写新语言 Rue

《The Rust Programming Language》的作者之一 Steve Klabnik 有 13 年 Rust 经验。他重新启动了一门叫 Rue 的系统语言,由他负责架构和设计、Claude 负责大部分实现代码,大约两周写到了 7 万行左右的 Rust。

Python 生态的底层,越来越多是 Rust

对“Python 的优势在生态”这个反驳,原文的回应是:翻开热门库的底层看看。

Python 生态底层的 Rust 组件 原文配图 3

  • Pydantic 的核心校验引擎 pydantic-core:Rust
  • Polars(pandas 的替代方案):Rust
  • Hugging Face tokenizers:Rust
  • orjson:Rust
  • Astral 的 ruff、uv、ty:Rust

(图中把 FastAPI 也放进了这一排,FastAPI 本身是 Python 写的,它的性能很大一部分来自底层依赖的 Pydantic。)

JetBrains 的 Python 开发者调查显示,用 Rust 编写 Python 二进制扩展的比例从 2024 年的 27% 升到 2025 年的 33%。作者的说法是:Python 生态越来越像“戴着 Python 帽子的 Rust 生态”。

AI 公司也在买这类基础设施:Anthropic 在 2025 年底收购了 Bun;OpenAI 在 2026 年 3 月宣布收购 Astral,交易完成后团队并入 Codex 团队。

修补丁不如直接移植?开源协作方式在变

过去的开源正循环是:用 Python 写项目,发现依赖库有 bug,提 PR 修复,生态越来越健康。PyPI 和 npm 的繁荣很大程度靠这个循环。

原文认为 AI 正在改变贡献的单位:从“修一个补丁”变成“移植一整个库”。Flask 作者 Armin Ronacher 用 Agent 把自己的 Rust 模板引擎 MiniJinja 移植到 Go:Agent 跑了约 10 小时(3 小时有人看着,7 小时无人值守),他实际投入约 45 分钟,API 费用约 60 美元。移植能做成,关键是复用了原项目的快照测试作为验收标准。

Ronacher 的结论是:价值正在从代码本身转向测试和文档,一套好的测试可能比代码更值钱。

如果跨语言移植的成本降到这个程度,“给别人的库提 PR”就不再是唯一选项,直接 fork 并用自己想要的语言重写也变得可行。这对依赖协作修补的包生态来说是个值得关注的变化。

Python 与 Rust、Go 怎么选:按场景对比

原文的结论不是“别用 Python”,而是:以前选 Python 是因为写得快,现在 AI 写什么语言都快,剩下的选择标准要单独比较。

维度PythonGoRust
运行性能弱,依赖底层扩展强最强
类型安全可选类型标注静态类型静态类型 + 所有权检查
AI 迭代反馈多数错误到运行时才暴露编译快、报错明确编译器反馈最丰富
现有生态AI/ML、数据科学最成熟云原生、后端服务系统工具、性能敏感组件
适合场景模型训练与推理、数据分析、快速原型Web 服务、CLI、基础设施编译器、引擎、底层库

简单说:

  • AI/ML、数据科学、快速验证想法:Python 仍然是最成熟的选择,PyTorch、Transformers 这类生态短期没有替代品。
  • Web 服务、CLI 工具、基础设施:“为什么不用更快的语言”会越来越难回答,Go 是迁移成本较低的选项。
  • 性能敏感的底层组件:Rust 的编译器反馈对 AI 最友好,配合完善的测试,可以让 Agent 承担大部分实现工作。

不管选哪种语言,上面几个案例有一个共同点:都先有一套可靠的测试或逐字节对比的验收方式,AI 才能放心地跑。如果你在 Claude Code 和 Codex 之间犹豫用哪个来做这类工作,可以看 Claude Code 与 Codex 怎么选,定价、编码能力与适用场景对比。

总结

这个问题已经不是“该不该学 Python”,而是“下一个项目用什么语言”。2024 年默认选 Python 的理由,到 2026 年要重新评估:Python 在 AI/ML 和原型阶段依然最稳,Web 服务和基础设施可以认真考虑 Go,底层组件可以交给 Rust 加 AI,前提是先把测试写好。

想在 Claude Code 或 Codex 里试试让 AI 写 Go 或 Rust,可以直接在 AIGoCode 上接入使用。

参考链接