引言当 LLM 遇上 Rust在大模型LLM应用开发中Python 凭借其丰富的生态占据了主导地位。然而当我们试图构建一个能自主操作文件系统、执行复杂命令的 AI Agent 时Python 的动态类型和全局解释器锁GIL有时会成为性能与安全的隐患。今天我们将基于经典的The Agent Loop理念使用Rust重写这一核心逻辑。我们将展示如何用 Rust 的tokio异步运行时、强类型系统和内存安全特性构建一个不仅能“思考”还能安全地“行动”的 AI Agent。这个 Agent 能够接收自然语言指令自动转化为 Bash 命令执行并将结果反馈给大模型形成完美的自主闭环。核心亮点⚡️异步并发基于tokio的高性能 I/O。️安全沙箱内置危险命令拦截与执行超时保护。类型安全编译期确保 JSON 结构与逻辑的正确性。跨平台兼容完美处理 Windows (PowerShell) 与 Linux 的编码差异。 核心逻辑什么是 The Agent Loop在深入代码之前我们先回顾一下 Agent 的核心思想。LLM 本身是一个静态的模型它无法直接读写你的硬盘或运行程序。Agent Loop就是那个让 LLM“活”起来的引擎感知用户输入指令。决策LLM 分析指令决定调用工具如bash。行动Agent 在本地执行命令。反馈将执行结果stdout/stderr作为新消息喂回给 LLM。循环LLM 根据结果决定是继续执行下一步还是输出最终结论。这个循环不断重复直到任务完成。接下来我们看看 Rust 是如何优雅地实现这一过程的。 代码深度解析1. 环境配置与客户端初始化首先我们需要加载环境变量并配置 OpenAI 兼容的客户端。Rust 的dotenvy和强类型配置让这一步非常稳健。let env_path Path::new(env!(CARGO_MANIFEST_DIR)).join(.env); dotenvy::from_path(env_path).expect(.env 文件加载失败); ​ let api_key std::env::var(OPENAI_API_KEY).expect(OPENAI_API_KEY 未设置); // ... 配置 base_url 和 model_name ​ let mut config OpenAIConfig::default().with_api_key(api_key); if let Some(url) base_url { config config.with_api_base(url); } let client Client::with_config(config);关键点使用expect在启动阶段快速失败Fail-fast避免运行时因配置缺失导致不可预知的错误这是系统级编程的最佳实践。2. 定义工具Bash 作为万能钥匙我们只定义了一个工具bash。这遵循了 One loop Bash is all you need 的极简哲学。let tools json!([{ type: function, function: { name: bash, description: Run a shell command., parameters: { type: object, properties: { command: { type: string } }, required: [command] } } }]);3. 主循环交互式入口主函数通过loop监听用户输入并将对话历史history传递给核心的agent_loop。loop { print!(s01 ); io::stdout().flush()?; let mut query String::new(); // 读取用户输入支持 q 退出 if io::stdin().read_line(mut query).is_err() { break; } // ... 处理退出逻辑 history.push(json!({role: user, content: query})); // 进入核心 Agent 循环 agent_loop(client, model_name, tools, mut history).await?; }4. 核心引擎agent_loop函数这是整个程序的大脑。它负责与 LLM 交互、解析工具调用、执行命令并更新上下文。A. 发送请求与解析响应利用serde_json处理动态 JSON 数据同时保持 Rust 的错误处理能力。let response: Value client.chat().create_body(request).await?; let message response[choices][0][message].clone(); // 提取 tool_calls注意 Rust 的 Option 链式调用让空值处理极其安全 let tool_calls message .get(tool_calls) .and_then(|v| v.as_array()) .cloned();B. 决策分支如果没有工具调用说明 LLM 认为任务已完成直接打印文本并返回。如果有工具调用遍历每个调用执行对应的 Bash 命令。if let Some(calls) tool_calls { if calls.is_empty() { print_assistant_text(message); return Ok(()); } // 遍历并执行工具 for call in calls { // ... 校验函数名是否为 bash let command args[command].as_str().unwrap_or(); println!($ {}, command); // 执行命令关键步骤 let output run_bash(command).await; // 构造工具返回消息 let tool_message json!({ role: tool, tool_call_id: call[id], content: output }); messages.push(tool_message); } } else { // 无工具调用结束循环 print_assistant_text(message); return Ok(()); }注意这里的loop嵌套在agent_loop内部意味着如果 LLM 连续多次调用工具例如先mkdir再cd再touch它会一直循环执行直到 LLM 不再返回工具调用为止。5. 安全执行器run_bash这是 Rust 版本相比 Python 脚本最强大的地方。我们不仅执行命令还加入了安全围栏。⚠️ 危险命令拦截防止 LLM 幻觉或恶意提示词导致系统崩溃。let dangerous [rm -rf /, sudo, shutdown, reboot, /dev/]; if dangerous.iter().any(|d| command.contains(d)) { return Error: Dangerous command blocked.to_string(); }⏱️ 超时控制与编码处理在 Windows 上PowerShell 的默认编码常导致中文乱码。Rust 代码中显式设置了 UTF-8 编码并使用tokio::time::timeout防止命令死锁。// 设置 PowerShell 编码为 UTF-8 let ps_command format!( $enc [System.Text.UTF8Encoding]::new($false); \ [Console]::OutputEncoding $enc; \ /* ... 其他编码设置 ... */ \ chcp 65001 $null; {}, command ); ​ // 120 秒超时保护 match timeout(Duration::from_secs(120), cmd.output()).await { Ok(Ok(output)) { // 处理 stdout 和 stderr限制输出长度防止 Token 爆炸 let mut out String::new(); out.push_str(String::from_utf8_lossy(output.stdout)); out.push_str(String::from_utf8_lossy(output.stderr)); // ... 截断过长输出 } Err(_) Error: Timeout (120s).to_string(), // ... 错误处理 } Rust vs Python为什么选择 Rust 写 Agent特性Python 实现Rust 实现 (本例)优势分析类型安全动态类型运行时易报错静态强类型编译期检查减少KeyError或 JSON 解析错误重构更放心并发模型GIL 限制多线程受限tokio轻量级异步高并发轻松处理大量并发 Agent 或长时间运行的任务系统交互依赖 subprocess编码易乱码原生系统调用精细控制编码/超时跨平台兼容性更好尤其是 Windows 下的中文支持安全性需额外库或手动检查可嵌入底层安全检查逻辑更容易构建沙箱环境防止危险命令执行部署需携带解释器和依赖包编译为单一二进制文件分发简单启动速度毫秒级资源占用极低️ 如何运行1. 准备环境确保安装了 Rust (cargo) 并在项目根目录创建.env文件OPENAI_API_KEYsk-... MODEL_NAMEgpt-4o # 如果使用国内镜像 OPENAI_API_BASE_URLhttps://api.your-provider.com/v12. 添加依赖 (Cargo.toml)[dependencies] tokio { version 1, features [full] } serde_json 1 async_openai 0.20 # 或最新版本 dotenvy 0.153. 运行测试cargo run输入指令尝试在当前目录创建一个名为test_rust的文件夹并在里面生成一个hello.txt文件写入 Hello from Rust Agent。你会看到 Agent 自动拆解步骤执行mkdir和echo命令并反馈成功结果。 获取完整源码文中仅展示了核心逻辑片段。如果你想直接运行完整项目或查看包括错误处理、日志记录在内的完整工程代码关注公众号【AI 智动派】回复关键词learnAgent-20260308即可一键获取 GitHub 仓库链接 总结与展望通过这不到 200 行的核心代码我们成功用 Rust 复现了 AI Agent 的“灵魂”——自主循环。Rust 不仅仅提供了更快的执行速度更重要的是它提供了一种“可信的执行环境”。在 AI Agent 需要操作真实世界文件系统、网络、数据库的场景下Rust 的内存安全和并发控制能力是 Python 难以比拟的。Rust AI Agent 的时代才刚刚开始。如果你也想构建高性能、高可靠的智能体应用Rust 绝对是你的不二之选。 互动话题你在开发 AI Agent 时遇到过哪些“坑”是幻觉导致的死循环还是环境配置的噩梦欢迎在评论区留言我们一起探讨用 Rust 填坑的方案(喜欢本文请点赞、收藏、转发关注我【AI 智动派】获取更多 Rust AI 实战干货)