這幾天 AI Agent 生態(tài)進(jìn)入爆發(fā)期，有個(gè)叫 Rig 非常搶眼，它是基于 Rust 構(gòu)建的 AI 應(yīng)用開(kāi)發(fā)專業(yè)框架。與它類似還有個(gè)叫 ELIZA  框架，本文主要介紹 Rig。

什么是 Rig?

Rig（ARC） 是一個(gè)基于 Rust 優(yōu)勢(shì)面向 LLM 工作流引擎的 AI 系統(tǒng)構(gòu)建框架，目的是要解決更底層的性能優(yōu)化問(wèn)題。值得關(guān)注的一個(gè)框架。

Rig 進(jìn)行 AI 開(kāi)發(fā)優(yōu)勢(shì)

選擇 Rig 可以更高效地開(kāi)發(fā)，擁有著類型安全的 API ，可以減少運(yùn)行是報(bào)錯(cuò)，異步優(yōu)先設(shè)計(jì)，讓你的資源得到最佳利用率。它與 Rust 生態(tài)如 Tokio、Serde 等無(wú)縫集成。

Rig 核心功能

• 統(tǒng)一 LLM 接口：支持跨不同 LLM 提供商的一致 API ，簡(jiǎn)化集成和減少供應(yīng)商的鎖定。
• Rust 驅(qū)動(dòng)的卓越性能：基于 Rust 優(yōu)勢(shì)，零成本抽象、內(nèi)存安全、高性能的 LLM 操作。
• 高級(jí) AI 工作流抽象：實(shí)施復(fù)雜的 AI system，比如 RAG 和多 Agent 設(shè)置，預(yù)構(gòu)建的模塊化組件。
• 類型安全的 LLM 交互：基于 Rust 強(qiáng)類型系統(tǒng)來(lái)保障 LLM 交互的安全。
• 無(wú)縫對(duì)接 Vector Store 集成：內(nèi)置對(duì)裁體存儲(chǔ)的支持，實(shí)現(xiàn)高效的相似性 AI 應(yīng)用程序的搜索和檢索功能。
• 靈活的嵌入支持：提供易于使用的 API，用于處理嵌入，這對(duì)語(yǔ)義至關(guān)重要 搜索和基于內(nèi)容的推薦。

Rig 野心是以 Rust 驅(qū)動(dòng)性的性能、利用 Rust 優(yōu)勢(shì)零成本抽象和內(nèi)存安全、高性能、低延遲的 LLM 操作。當(dāng)然要達(dá)到企業(yè)級(jí)商用化的標(biāo)準(zhǔn)框架，現(xiàn)在階段只是 AI Agent 生態(tài)的爆發(fā)期，至于落地商業(yè)化，需要加速邁向市場(chǎng)去驗(yàn)證與反饋的。

如何快速上手 Rig

下面是官網(wǎng)幾個(gè) Demo 。

basic_llm.rs

use rig::providers::openai;
use rig::completion::Prompt;

#[tokio::main]
async fn main() -> Result<()> {
    let client = openai::Client::from_env();
    let gpt4 = client.agent("gpt-4").build();
    
    let response = gpt4.prompt("Translate 'Hello, world!' to French.").await?;
    println!("Translation: {}", response);
    Ok(())
}

rag_system.rs

use rig::providers::openai;
use rig::vector_store::in_memory_store::InMemoryVectorStore;
use rig::completion::Prompt;

#[tokio::main]
asyncfn main() -> Result<()> {
    let client = openai::Client::from_env();
    let embed_model = client.embedding_model("text-embedding-ada-002");
    letmut store = InMemoryVectorStore::default();
    let rag_agent = client.context_rag_agent("gpt-4")
        .dynamic_context(1, store.index(embed_model))
        .build();
    
    let response = rag_agent.prompt("What is Rig?").await?;
    println!("RAG Agent: {}", response);
    Ok(())
}

extractor.rs

use rig::providers::openai;
use schemars::JsonSchema;
use serde::{Deserialize, Serialize};

#[derive(Debug, Deserialize, JsonSchema, Serialize)]
struct MovieReview {
    sentiment: String,
    rating: f32,
}

#[tokio::main]
asyncfn main() -> Result<()> {
    let client = openai::Client::from_env();
    let extractor = client.extractor::<MovieReview>("gpt-4").build();
    let review = extractor.extract("I loved this movie! It's a solid 9/10.").await?;
    println!("Extracted: {:?}", review);
    Ok(())
}

高級(jí)功能

• 完全支持 LLM 完成和嵌入工作流程
• 對(duì) LLM 提供程序（例如 OpenAI、Cohere）和向量存儲(chǔ)（例如 MongoDB、內(nèi)存中）的簡(jiǎn)單但強(qiáng)大的通用抽象
• 以最少的樣板將 LLM 集成到您的應(yīng)用程序中

Rust 在AI時(shí)代會(huì)成為主流嗎？

最后，Rust 作為小眾語(yǔ)言，但擁有著別人沒(méi)有天生優(yōu)勢(shì)，內(nèi)存安全、零成本抽象、快速可靠，開(kāi)發(fā)社區(qū)非?；钴S。

在 AI 大模型時(shí)代，Rust 是否能夠運(yùn)來(lái)新的突破，是否會(huì)大量采用于AI 大模型底層的開(kāi)發(fā)，雖然前有C/C++，后有 Zig 這樣性能牛逼的語(yǔ)言。

最近，也開(kāi)始看到了 AI Agent 和 AI Infra 有小規(guī)模爆發(fā)了，想要讓 AI Agent 繁榮發(fā)展，自然離不開(kāi) AI Infra 高性能的力量。

AI應(yīng)用爆發(fā)式的增長(zhǎng)，在模型訓(xùn)練和推理必須得到大幅提升，算力成本和使用效率這兩個(gè)指標(biāo)也變得至關(guān)重要了。否則會(huì)直接影響模型能力升級(jí)和AI應(yīng)用大規(guī)模落地的速度。

盡管已有計(jì)算模型和框架比如 TensorFlow 和 PyTorch 也取得了非常好的成果。但在性能優(yōu)化和資源管理方面存在很大問(wèn)題，特別在大規(guī)模并行計(jì)算和高性能計(jì)算環(huán)境中，還是顯得有些力不從心的。

大佬看了很多問(wèn)題，于是逐漸采用 Rust 重構(gòu)一些新框架，如Candle、Burn、DFDX、tch-rs、Linfa、ndarray、Polars等框架的出現(xiàn)。以及 OpenAI 、Google、微軟等一些核心需要高性能，也換成了 Rust 來(lái)重構(gòu)。

所以，未來(lái)打造高性能的 AI Infra 方向上，Rust 會(huì)有很大優(yōu)勢(shì)。

參考資料：

• 官網(wǎng)：https://rig.rs
• https://docs.rs/rig-core/latest/rig
• Github：https://github.com/0xPlaygrounds/rig