又快又硬：LLM如何改变程序员的语言选择

推特上流传着一句调侃：“编程这事儿，现在都搞定了。”我不敢说它到底解决了多少，但有一点很清楚：熟悉一门编程语言的过程已经不再那么重要了，而那些曾经困扰人类的种种障碍，对智能体来说也已无关紧要。

因此，大语言模型让语言选择的后果远不如从前那般沉重。如果你不喜欢某种语言，似乎可以把它“翻译”成另一种；甚至还能让模型选用一种你作为程序员完全陌生的语言。

这也意味着，人们在选语言时，更多地依据其市场宣传了。作为一名长期使用 Rust 的开发者，我颇为惊讶地看到，过去未必会选择 Rust 的人如今也开始用它来交付代码。

至少有一部分原因，要归于近来发生的两大观念转变：一是关于追求高性能软件的讨论愈发热烈，二是人们普遍认为大语言模型在优化代码的同时还能保持行为不变，表现尤为出色。

像 Mitchell Hashimoto、Charlie Marsh、Jarred Sumner、Daniel Lemire 等一众技术极客，向来对高效、高性能的软件抱有近乎执念，而且他们也都乐于接受由智能体代写代码。

或许正因如此，也可能另有原因，如今越来越多的人加入了这一行列。因为借助诸如 AutoResearch 这样的工具，你甚至不必精通各种优化技巧——只需把一个智能体“丢”上去即可；当然，扎实的知识储备依然大有裨益！

放眼望去，有不少项目都在追求极致的性能与体积，它们也越来越倾向于选择那些“硬核”的编程语言。受益的并不只有 Rust。就连 Zig——尽管其创始人及核心社区中的部分成员对 AI 抱持相当负面的态度——也同样搭上了这班车。

例如，Cloudflare 的全新 文物 服务就采用纯 Zig 编写的 Git 协议引擎，并将其编译为一个约 100 KB 的 WebAssembly 模块；Vercel 也推出了 特效，一款主打轻量与高效的 Zig 编码智能体。

据我所知，这些项目大多都得到了大语言模型的深度辅助。

不过，变化不仅体现在开发者开始青睐小众语言，还表现在他们正越来越多地涉足那些“更难”的技术领域。一时间，我目睹了不少令人瞩目的实践：有人玩转 DWARF 调试信息、eBPF、自定义网络驱动、定制化密码学，乃至那些年代久远的计算硬件。

而这些原本对许多开发者而言都是禁区；在某些场景下（比如密码学），甚至还会被业内人士刻意“封锁”，以防外人染指。

所以，也许这个世界会多一些“糙活”，但也可能涌现出更多渴望让系统既快又小的开发者。