引言

Pi Dash 是 AI Republic 开发的一个开源智能体协调平台,可自动将任务分配给一组 AI 智能体。我们使用该平台重构了它自己的后端。本文简要报告了这一过程是如何进行的。
在 Pi Dash 看板上,智能体负责处理 issue:你可以通过 Pi Dash daemon 接入自己的 Muse Code、Claude Code、Codex 或 Cursor,也可以使用内置的 Pi Dash Agent。本文中的规则手册、协调器以及“审查-测试-合并”循环都是 Pi Dash 的常规功能。你可以在自己的待办列表上运行同样的设置。
Pi Dash 用 Rust 重写了自己的后端
2026 年 9 月下旬至 10 月初,Pi Dash 协调了 5 台开发者机器上的 26 个 Muse Code 智能体,将其自身后端从 Python 和 Django 重写为 Rust。主体移植耗时约十天。智能体从 Pi Dash 看板领取 issue、编写代码、进行审查、针对运行中的 Django 服务器进行测试,并合并自己提交的 pull request。
该后端最初是 Plane 的 Django API 的一个 fork。到 9 月时,它已有约 101,000 行应用代码,外加约 20,000 行仅云端使用的代码。我们希望将其改为 Rust。我们还想弄清楚,我们自己的产品能否在无人逐步审批的情况下运行如此规模的项目。
答案是能,但有前提条件。本文涵盖了我们就给智能体设定的规则、我们如何检查它们是否正确,以及还有哪些方面需要改进。
为什么选 Muse Code 和 Muse Spark。每个智能体都是作为 Pi Dash runner 运行的 Muse Code,模型为 muse-spark-1.3-contribute。我们选择它们有两个原因:
- 价格与性能。如此规模的项目意味着每个 issue 的每个步骤都要运行一次智能体,因此每次运行的成本与其质量同样重要。
- 长时间运行的稳定性。工作持续数天且参与人员很少,因此模型必须在长会话中保持任务专注,无需有人介入。
在整个项目中,智能体向模型发送了约 166,000 次请求,使用了约 486 亿 token,模型总成本约为 350 美元。
简要总结:
- 时间:主体移植约十天,9 月 26 日至 10 月 5 日。届时约四分之三的最终 Rust 代码和十分之九的领域移植 pull request 已完成合并。
- 数量:约 1,740 个 Pi Dash issue 和约 1,320 个已合并的 pull request。
- 正确性:5,029 个契约测试同时针对两个后端运行。所有 HTTP 契约测试在 Rust 上均通过。
- 安全性:无 unsafe 代码。每个 crate 都禁止使用。
- 流程:任何合并均无人工审批关卡。
为什么放弃 Django
我们有三个原因。
- Python 运行成本过高。Django 后端笨重且缓慢:在我们的生产主机上,它占用约 1.5 GB 内存,而 Rust 仅需 81 MB;在 32 个并发请求下,其每秒处理量仅为 Rust 的三分之一(具体数据见 The numbers)。
- 从云端到开发者机器使用同一种语言。智能体 daemon 和桌面应用已经是 Rust。后端也采用 Rust 后,云端和 daemon 可以共享相同的代码。
- 为运行智能体而构建的后端。该后端现在全天候分发和跟踪智能体工作,这需要一种能在少量资源上快速响应的语言。Django 通过增加 Python 进程来服务更多请求;Rust 则从单个进程提供服务。
行为相同,代码全新
规划先行。Muse Code 扫描了 Django 代码库并编写了一份计划:它测量了后端的每个区域,标记了可跳过的死代码,并将其余部分拆分为 10 个基础 issue 和 37 个领域 epic。Claude Code 审查了该计划。随后,Muse Code 通过 MCP 在 Pi Dash 中创建了这些 epic 和规则手册,计划中的每一行对应一个 issue。此后,每个 epic 的首次运行会将其拆分为自己的子 issue,如循环部分所示。
每次智能体运行都从阅读一本规则手册开始,这是一个名为 PIDASHCONV-1 的 Pi Dash issue。其主要规则如下:
- 保持行为不变。相同的 URL、JSON、数据库 schema 和 SQL 行为。改变行为需要单独开 issue。
- 隔离。代码只放在 rust-api/ 下。不碰任何 Python 文件。
- 完成意味着全部通过。指定的测试通过。不允许 stub、跳过测试或占位符。
- 评审默认代码是错的。在做任何决定之前,先对 Python 做两轮独立比对。
- 报告问题,不要绕过问题。无法遵守的规则会变成一个流程:在规则手册上评论。
第一条规则固定的是行为,不是代码。Django 大量工作是通过基类、序列化器、权限类和惰性 queryset 隐式完成的,因此其中大部分没有直接的 Rust 对应物。对于每个 issue,agent 先弄清 Python 实际做了什么(读取哪些行、应用哪些检查、返回什么 JSON、有哪些副作用),然后编写匹配的新 Rust。这更接近净室开发:Python 是规格说明,不是模板。契约测试——即发送真实 HTTP 请求的 Python 测试套件——随后对两个后端运行以检查结果。
agent 先弄清 Python 做了什么,然后编写做同样事情的 Rust
Django 的大量工作是在视线之外完成的:基类视图检查登录,请求体在首次使用时才解析。这些都无法逐行映射到 Rust,因此每个 agent 先写下行为,再实现它。这是 D-03 epic 的按任务开关。
Pythonapps/api/pi_dash/loop/views.py
它做什么
Rustrust-api/crates/api/src/loop/user.rs
Rust 按层组织,而不是按 Django app 组织:types → db → auth → services → api,外加 jobs。较低的层先编写,然后锁定。
有一条规则在 midway 改变了。10 月 26 日,“相同 JSON”不再意味着每个字节:业务行为和 API 契约仍然必须匹配,但任何客户端都无法触发的库怪癖不再复制。
循环:实现、评审、测试、合并
每个 issue 都在 Pi Dash 看板上经过同一个循环,每一步都是独立的 agent 运行,拥有自己的全新上下文。编写代码的那次运行从不评审它。
图表:PIDASHCONV 中的 issue 循环,来自规则手册和项目描述。
发现问题的评审或测试会把 issue 送回 Implement。通过则直接进入合并,在同一次运行中完成。
协调器是一个定时的 Pi Dash agent,充当项目经理。它释放阶段已开放且阻塞项已完成的 issue。它重新派发卡住的运行,把 process: 评论变成 issue,并报告进度。它从不碰代码。
Epic 自行拆分。每个 Django 领域起初是一个 epic。它的第一次运行阅读 Python,并自底向上提交子 issue:序列化器,然后是模型、查询、权限、任务、处理器,每个最多五个单元。在任何子 issue 可以开始之前,一次评审运行会对照源码检查这个拆分。
一个 epic 把自己拆成 issue,agent 把每个 issue 带到合并
协调器在前一个阶段完成后打开每个阶段。领域 epic 的第一次运行阅读 Python 并提交自己的子 issue。然后每个子 issue 都经过实现、评审和测试,每一步都是独立的 agent 运行。
合并是测试运行的工作。合并流程有五个步骤:
- 先合并此 issue 依赖的 issue。
- 在 Rust 分支上 rebase。
- 重新运行受影响的检查。
- 等待那一个必需的检查。
- squash 合并并发布 commit SHA。
如果其他 pull request 不断先落地,该运行最多可以 rebase 六次,然后停止并报告。
合并后 CI 变红绝不回滚。GitHub 在每次合并后运行完整的 Rust 套件。如果变红,协调器会提交一个紧急修复 issue,列出失败的测试以及自上次绿色运行以来的合并。修复运行只用失败的测试对该范围进行二分。
数字
文章标题:26 个 AI agent 在没有人工合并的情况下,用 Rust 重写了一个 Django 后端
正文: 大部分代码是在大约十天内写成的。从 9 月 26 日到 10 月 5 日,agent 们合并了约 720,000 行净 Rust 代码,约为该分支合并进 main 时已有代码量的四分之三。到 10 月 12 日,这一比例约为 88%。领域移植本身从 9 月 27 日持续到 10 月 10 日,其 395 个 pull request 中有 353 个在 10 月 5 日前完成合并。之后的几周用于修复、对齐工作和清理,以及等待我们检查结果并决定下一步做什么。该分支于 11 月 3 日合并进 main。
10 月 12 日之后,所有合并的节奏降到每天几千行,因为工作转向了修复、对齐和清理。
十天里合并的 pull request,回放
每个点都是一个 agent 合并进 Rust 分支的 pull request,按合并时间放置,大小按它新增的 Rust 行数决定。悬停一个点可查看其标题。
| 指标 | 数值 |
|---|---|
| 移植的 Django 应用代码 | ~101,000 行(不含测试、迁移、注释、空行) |
| Rust 应用代码 | ~505,000 行(不含测试、注释、空行) |
| Rust 注释 | ~144,000 行,大多为“ported from”说明 |
| Rust 单元测试 | 9,175 个测试函数 |
| 契约测试(在两个后端上运行) | ~50 个领域中的 5,029 个测试 |
| 录制的 fixture | 715 个文件 |
| unsafe 块 | 0 |
| 提交的 Pi Dash issue | ~1,740 |
| 合并的 pull request | ~1,320 |
| 合并进 main 后的提交(截至 11 月 17 日) | 333 |
Rust 代码约为它所替代的 Python 代码的五倍长。Django 隐式完成了大量工作:ORM 写 SQL,DRF serializer 和 permission class 完成其余部分。Rust 则把每个查询、每个 JSON 字段和每项检查都明确写出来。
Rust 与 Django 并排对比
两个后端运行在同一台生产主机和同一个数据库上,因此我们直接做了对比。
内存。Rust 后端使用的内存约少 18 倍(11 月 18 日测量;Rust 容器已运行三小时,Django 容器已运行五天)。
| 进程 | Rust | Django |
|---|---|---|
| API server | 63 MiB | 802 MiB |
| 后台 worker | 18 MiB | 472 MiB |
| 调度器 | 在 worker 内部 | 233 MiB |
| 总计 | 81 MiB | 1,507 MiB |
镜像大小。Rust 压缩后为 88.5 MB,Django 为 141.1 MB。
在负载下。在 32 个并发请求时,Rust 每秒服务的请求数是 Django 的三倍。11 月 20 日,我们分别在 1、8 和 32 个在途请求下发送了未认证的 GET /api/users/me/。
| 并发请求数 | Rust req/s | Django req/s | Rust p50 | Django p50 | Rust p99 | Django p99 |
|---|---|---|---|---|---|---|
| 1 | 32 | 29 | 24 ms | 29 ms | 135 ms | 122 ms |
| 8 | 191 | 148 | 31 ms | 41 ms | 210 ms | 143 ms |
| 32 | 607 | 204 | 37 ms | 134 ms | 190 ms | 764 ms |
成本。Django 约占主机 3.8 GB 内存中的 1.5 GB。没有它,Rust 栈可以装进更小的实例。
一次切换一个领域
什么都没有删除。Python 后端仍在仓库中,Rust 后端通过路由接管:一个代理一次把一个领域的流量转到 Rust,其余流量仍到达 Django。如今 Rust 为整个 pidash.airepublic.com 提供服务。
这就是为什么可以信任 agent 们合并自己的工作。合并一个 pull request 改变的是构建出的内容,而不是对外提供的内容。
仍需改进的地方
我们惊讶于一组 AI agent 在 Pi Dash 的协调下协同工作时能完成这么多事情。该项目也暴露了平台仍需改进的三个主要方面。
管理 agent sandbox。在移植期间,agent sandbox 的磁盘空间耗尽。我们手动释放了空间,然后写了一个脚本自动清理它们。Pi Dash 应当自行照管已连接的 sandbox,并成为一个端到端管理一组 agent sandbox 的平台。
使用更少的 token。token 使用量仍然很高,因为 agent 常常要跑好几轮循环才能完成一个任务。为 agent 提供更好的任务运行记忆可以让它们更高效地使用 token。
文章标题:26 个 AI agent 在没有人工合并的情况下,把一个后端从 Django 重写为 Rust
正文: 让 AI 管理更多工作。Pi Dash 正在演化为一个平台,让 AI 管理 AI,为人类工程师解决任务。下一步是让 agent 自己承担更多任务管理工作。
自己试试 Pi Dash
上个月我们还在 Pi Dash 中设置了一个调试调度器。它按计划运行,持续调试新的 Rust 后端,使其端到端可用。借助 Pi Dash,我们可以看到 AI agent 如何作为数字员工工作,并像现代企业管理其团队那样被管理。
我们已在 github.com/The-AI-Republic/pi-dash 开源代码,开箱即用的云服务运行在 pidash.airepublic.com。下载源代码,自己试试吧。