Newshot

26个AI智能体在无人工合并的情况下将后端从Django重写为Rust

Translation(model translation, not the source's own text)

引言

题图
题图

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 fixture715 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RustDjango
API server63 MiB802 MiB
后台 worker18 MiB472 MiB
调度器在 worker 内部233 MiB
总计81 MiB1,507 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/sDjango req/sRust p50Django p50Rust p99Django p99
1322924 ms29 ms135 ms122 ms
819114831 ms41 ms210 ms143 ms
3260720437 ms134 ms190 ms764 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。

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by HN AI
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗