ИИ написал 100 тысяч строк на Rust: контракты, спецификация и производительность
Чэн Хуан потратил около 6 недель на создание движка консенсуса Multi-Paxos на Rust, предназначенного для модернизации библиотеки реплицированных состояний Azure (RSL). Проект включал более 130 000 строк кода на Rust (около 100 000 написано за 4 недели AI-агентами, плюс 3 недели оптимизации) и позволил увеличить пропускную способность с 23 000 до 300 000 операций в секунду.
Хуан использовал несколько AI-агентов для кодирования: GitHub Copilot, Claude Code, Codex CLI, Augment Code, Kiro и Trae. Его основная конфигурация теперь — Claude Code + Codex CLI из терминала, а VS Code используется только для просмотра различий и мелких правок. Он поддерживает две подписки ChatGPT для обхода ограничений по частоте запросов (одна с понедельника по среду, другая с четверга по воскресенье).
Контракты кода — написанные AI
Основная стратегия корректности: сгенерированные AI контракты кода, которые определяют предусловия, постусловия и инварианты для критических функций, преобразуемые в утверждения времени выполнения во время тестирования. Хуан обнаружил, что GPT-5 High отлично пишет контракты; Opus 4.1 тоже хорош, но требует больше проверки. Например, метод process_2a (обрабатывающий сообщения фазы 2a Paxos) содержит 16 контрактов. Затем контракты используются для генерации целенаправленных тестовых случаев и проверок на основе свойств, исследующих случайные входные данные — один контракт выявил тонкое нарушение безопасности Paxos, которое могло вызвать проблемы с согласованностью репликации.
Облегченная разработка на основе спецификаций
Изначально Хуан попробовал жесткий подход на основе спецификаций: markdown требований → markdown дизайна → markdown списка задач. Он счел его слишком негибким для итеративных изменений. Теперь он использует более легкую версию SDD: начинается с краткой спецификации, AI генерирует код, затем контракты и тесты итеративно уточняются. Полная система включает более 1300 тестов, охватывающих модульные, интеграционные и тесты с внедрением отказов в несколько реплик.
Оптимизация производительности
Этап оптимизации (3 недели) повысил пропускную способность с 23 000 до 300 000 операций в секунду. Ключевые архитектурные изменения: добавлен конвейер (запросы больше не ждут голосования в полете), поддержка энергонезависимой памяти (NVM) для сокращения времени фиксации и поддержка RDMA для современного оборудования дата-центров Azure.
Что дальше
Хуан хотел бы, чтобы AI лучше поддерживал генерацию тестов на основе свойств из контрактов и более плавную обработку критических изменений в кодовых базах объемом более 100 000 строк.
📖 Читать полный источник: HN AI Agents
👀 Смотрите также
Добавьте одну строку в CLAUDE.md, чтобы получить чек-листы с эмодзи в Claude
Добавьте однострочный набор маркеров в ваш пользовательский CLAUDE.md, чтобы заставить Claude украшать списки статусными эмодзи — 14 фиксированных значков для выполнено, выполняется, не удалось, заблокировано и т. д.
Как запустить OpenClaw и не разориться: гайд по конфигурации
Пользователь Reddit digitalknk поделился практическим гайдом по эффективной работе с OpenClaw. Проверенный в бою сетап с фокусом на стабильность и контроль расходов.
Пользователи Claude AI получают лучшие результаты, предоставляя контекст вместо общих запросов.
Обсуждение на Reddit подчеркивает, что пользователи, которые действительно выполняют работу с помощью Claude AI, предоставляют конкретный контекст о своей ситуации, о том, что они уже пробовали, каков желаемый результат и чего следует избегать, вместо того чтобы относиться к нему как к поисковой системе.
llama.cpp Массовая повторная обработка запросов с помощью кодовых агентов: отладка KV-кэша и обмена контекстом
Пользователь сообщает, что llama.cpp перерабатывает 40k+ токенов на похожих промптах при использовании opencode + pi.dev, несмотря на высокое сходство LCP. Приведены детали конфигурации и предполагаемые причины.