新闻详情

新闻详情

首页 / 资讯中心 / 详情

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

发布时间:2026/11/17 20:18:57来源:尧图网络
彻底放弃TypeScript,微软用Copilot+Rust重构Copilot
平时摸鱼我总喜欢刷微软的技术博客前几天刷到一条新闻直接看乐了GitHub团队居然拿Copilot Agent把Copilot自己的运行时从TypeScript迁移到Rust。先划个重点不是大模型换成Rust大模型的语言仍然是python只是负责会话调度、工具调用、文件读写的Agent运行时底座模型推理依旧跑云端。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。性能提升相当炸裂。旧版Node.js版本每秒只能处理7.55次会话Rust版本直接冲到120次速度提升接近16倍内存更是从1383MB砍到126MB内存占用下降90%。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但别被AI重写代码的神话忽悠住。就算Rust代码全部编译通过上线之后依然冒出几十个业务逻辑回归bug。编译器只能保证语法没问题业务的时序、隐性异常AI很难完整理解人工测试审核一步都省不掉。聊完热闹看看官方权衡思考这才是最值得琢磨的部分。选择Rust的优势很明确第一可以进程内直接嵌入运行时不用额外拉起Node子进程减少进程通信开销第二内存占用低服务器单机可以扛更多并发直接降低云服务成本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。据说这次的AI开发微软花费了12万美元的token来完成换成人民币也接近100万了。说实话这么高的成本可能也只有微软这些大厂玩得起。但是对于微软来说因为使用了rust反而节约了更多的服务器成本和人力成本带来的收益仍然是很可观的。但微软并没有鼓吹大家把所有TS项目全部重写成Rust。官方明确表态TypeScript开发迭代速度快业务快速扩张阶段它依然是绝佳选择。只有当组件要大规模嵌入多产品、高并发部署内存和启动延迟成为瓶颈的时候Rust重构才划算。重写不是银弹要权衡迁移成本、人力、业务收益不能看见Rust性能好就盲目跟风重构老项目。这件事也抛出一个现实问题以后大型项目语言迁移AI到底是主力还是辅助的问题已经不言而喻。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉