100K Líneas de Rust con IA: Contratos, Desarrollo Guiado por Especificaciones y Rendimiento

Cheng Huang dedicó aproximadamente 6 semanas a construir un motor de consenso multi-Paxos en Rust diseñado para modernizar la Biblioteca de Estado Replicado (RSL) de Azure. El proyecto involucró más de 130 mil líneas de código Rust (~100 mil escritas en 4 semanas por agentes de IA, más 3 semanas de optimización) y logró un salto en el rendimiento de 23 mil a 300 mil operaciones por segundo.

Huang utilizó múltiples agentes de codificación de IA: GitHub Copilot, Claude Code, Codex CLI, Augment Code, Kiro y Trae. Su configuración principal ahora es Claude Code + Codex CLI desde la terminal, usando VS Code solo para diferencias y ediciones menores. Mantiene dos suscripciones a ChatGPT para manejar límites de tasa (una de lunes a miércoles, otra de jueves a domingo).

Contratos de código — escritos por IA

La estrategia central de corrección: contratos de código generados por IA que especifican precondiciones, postcondiciones e invariantes para funciones críticas, convertidos en aserciones en tiempo de ejecución durante las pruebas. Huang encontró que GPT-5 High escribe excelentes contratos; Opus 4.1 es bueno pero requiere más revisión. Por ejemplo, el método process_2a (que maneja mensajes de fase 2a de Paxos) tiene 16 contratos. Luego, los contratos se usan para generar casos de prueba específicos y pruebas basadas en propiedades que exploran entradas aleatorias: un contrato detectó una sutil violación de seguridad en Paxos que podría haber causado problemas de consistencia en la replicación.

Desarrollo ligero guiado por especificaciones

Huang inicialmente probó un enfoque rígido guiado por especificaciones: markdown de requisitos → markdown de diseño → markdown de lista de tareas. Lo encontró demasiado inflexible para cambios iterativos. Ahora usa una versión más ligera: comenzar con una especificación concisa, dejar que la IA genere código, luego refinar contratos y pruebas de forma iterativa. El sistema completo incluye más de 1300 pruebas que abarcan pruebas unitarias, de integración y de inyección de fallos en múltiples réplicas.

Optimización del rendimiento

La fase de optimización (3 semanas) aumentó el rendimiento de 23 mil a 300 mil operaciones por segundo. Cambios arquitectónicos clave: adición de pipelining (las solicitudes ya no esperan por votos en curso), soporte para memoria no volátil (NVM) para reducir el tiempo de confirmación, y conocimiento de RDMA para hardware moderno de centros de datos de Azure.

Próximos pasos

Huang desea un mejor soporte de IA para la generación de pruebas basadas en propiedades a partir de contratos y un manejo más fluido de cambios disruptivos en bases de código de más de 100 mil líneas.