AI 时代的编程语言，这次是来自中国的底层创新

发布时间：2026-07-18 00:28:45 来源：安智兰德资讯网 作者：焦点

人工智能对软件行业的时代重塑，核心在于重构整个软件工程链路。编底层当开发工具全面迈向 AI 原生化，程语创新作为软件生产入口的言次编程语言，其地位与形态正面临重新审视。自中

OpenAI 联合创始人 Greg Brockman 曾指出：“Rust 是时代代理（Agent）的完美语言，因为如果它能编译通过，编底层它就几乎是程语创新正确的。”

近期，言次高性能开源项目 Bun 将核心代码大规模重写为 Rust，自中释放出一个明确的时代产业信号：随着 AI 降低迁移成本，软件基础设施正加速向具备更强约束、编底层更高性能且更易被机器验证的程语创新语言迁移。然而，言次Rust 诞生于生成式 AI 爆发之前，自中其核心设计旨在安全底层编程，而非 Agent 间的高效协作。OpenAI 创始团队成员、Vibe Coding 概念提出者 Andrej Karpathy 在 X 上强调：“LLM 正在彻底改变软件的约束条件。虽然代码迁移、C 到 Rust 的移植以及遗留系统升级会因 LLM 的‘翻译’能力而改变，但 Rust 本身并非面向 LLM 的最优目标语言。什么样的语言最适合 AI，仍是一个开放式问题。”

AI 正在重塑编程语言的分布格局，进而引出一个关键议题：是否存在一门从诞生之初就面向 Agent 协作、快速反馈及工程闭环设计的新语言？

这一命题已从产业观察进入软件工程研究界的评测体系。据量子位报道，一篇题为《No Resource, No Benchmarks, No Problem? Evaluating and Improving LLMs for Code Generation in No-Resource Languages》的论文被 IEEE Transactions on Software Engineering 接收，MoonBit 正是在此背景下进入公众视野。

该研究将 MoonBit 与 Gleam 纳入 “无资源编程语言”（no-resource programming languages）框架进行评测。两者均属于新兴语言，公开代码、教程及问答样本不足以让大模型在预训练阶段充分学习。然而，研究揭示了一个有趣的现象：在公开语料更少的情况下，MoonBit 在多组设置中比 Gleam 更能从 AI 辅助中获益。数据显示，按 GitHub 仓库规模统计，MoonBit 约为 Gleam 的七分之一；若考察 2024 年 3 月前模型可能见过的公开仓库，MoonBit 的可见样本更为稀缺。

论文结论指出，Few-shot 和 RAG 等上下文学习方法在 MoonBit 上的提升幅度高于 Gleam，部分原因在于 MoonBit 的 “AI 友好” 设计。在更具挑战性的 McEval-Hard 测试中，Qwen 2.5 Coder 32B Base 模型经过继续预训练后，MoonBit 的 pass@1 达到 25.86%，而 Gleam 仅为 12.47%；进一步通过指令迁移（instruction transferring）增强指令跟随能力后，MoonBit 提升至 32.60%，Gleam 为 26.08%。

这表明，语言设计显著影响模型学习与代码生成效率，“AI 友好”并非营销口号，而是工程现实。

从 2024 年 3 月至今，MoonBit 生态在工程侧提供了有力佐证：Mooncakes（MoonBit 包管理网站）库数量突破万级，累计下载超 400 万次。生态中涌现出 Crater、Golem Cloud 的 Wasm Component 案例，以及 MoonXi-net、Choir 等浏览器、云组件、深度学习框架与多 Agent 编排项目。这种在 AI 时代前的生态爆发速度，此前难以想象。

更值得关注的是，这套底层技术的开发团队来自中国。AI 时代的编程语言是否已真正到来？这一次，我们不妨深入探究。

一、MoonBit：内置 “形式化证明” 的软件流水线

若仅将 MoonBit 视为一门新语法语言，便忽略了其核心差异。MoonBit 从设计之初便同步构建了编译器、构建系统、包管理器、测试框架、文档工具及 AI 编程助手，形成了从代码编写到产物交付的完整闭环流水线。这种 “语言即工具链” 的理念，在 AI 编码时代具有直接的工程价值。

1. 核心逻辑：从单次生成到闭环迭代

AI 辅助编程的核心不在于单次生成代码片段，而在于构建 “生成 — 编译 — 诊断 — 修复 — 测试” 的闭环。在此闭环中，编译器反馈能否被模型有效利用，直接决定 AI 修正错误的效率。MoonBit 采用编译器与构建系统一体化设计，摒弃了遗留工具链的历史包袱，为快速迭代和清晰诊断提供了架构基础。

2. 形式化验证：原生集成与强约束检查

MoonBit 的独特之处在于将形式化验证纳入原生工具链。这意味着 AI 生成的代码不仅要通过编译，还需在同一工具链内接受更严格的约束检查。通过定义 Hoare triples，MoonBit 提供了优于专用形式化证明语言的书写体验；AI 可对代码进行选择性证明，无需提供完整证明链条，从而提高了成功率。

这种设计大幅提升了 AI 生成代码的 “可检查性”：模型负责生成，编译器负责类型检查，验证器负责性质检查，多维度反馈并行。不同于 Rocq 等学术语言中抽取后的代码，MoonBit 验证的是真实的生产代码。这种早期集成验证工具与编译器、构建系统的设计思路，在主流语言中极为罕见。

以经典的二分查找为例。尽管看似简单，但极易出错。《Effective Java》作者 Joshua Bloch 曾指出，Java 标准库中的二分查找实现存在整数溢出 Bug，该代码在生产环境中运行近十年才被发现。

上图展示了 MoonBit 对二分查找的完整验证过程：左侧为包含合约和循环不变量的函数实现，右侧为谓词定义文件，底部终端显示验证全部通过。在 MoonBit 中，形式化验证并非附加文档，而是程序本身的一部分。

二、AI 原生应用场景：自带沙箱的跨平台部署

1. 跨平台部署：降低 AI 代码进入真实环境的兼容成本

Skill 是当前 Agent 生态中的重要概念，通过 SKILL.md 文件为 AI Agent 提供指令和工作流。然而，SKILL.md 仅是文本，真正执行复杂任务的是背后的可执行代码。

MoonBit 旨在补全这一可执行能力。开发者可使用 MoonBit 编写异步逻辑，编译为 Wasm 字节码，通过 Mooncakes 发布。最终用户或 Agent 仅需一条命令即可运行。Wasm 具备可移植、可嵌入、可隔离的优势，同一份逻辑可部署至云函数、边缘节点、浏览器、插件系统或 Agent runtime，作为受控能力被调用。这对 Agent 至关重要：它需要自动执行代码，但不能无条件信任。

以 Mooncakes 上发布的 peter-jerry-ye/hn-brief为例，该工具抓取 Hacker News 热门文章及高赞评论，调用 DeepSeek 模型生成中文简报。用户只需执行：

该命令背后，moon工具链解析 Mooncakes 包坐标，获取 Wasm 产物，在本地 Wasm 环境中启动程序并返回结果。使用者无需为每个 Skill 单独配置 Python、Node 等运行环境。

2. 原生沙箱模型：天然适合隔离执行

如果说 Wasm 和 Mooncakes 解决了 “代码如何运行”，那么运行时策略则解决 “代码能运行什么”。

每个 Skill 可附带策略文件，声明所需环境变量及允许访问的网络端点。以 hn-brief为例，它仅允许访问 Hacker News 和 DeepSeek 两个地址，并要求宿主环境提供 DEEPSEEK_API_KEY：

通过 --experimental-policy加载策略后，程序的网络访问将受到约束。若移除 DeepSeek 端点，请求将被拒绝而非默认放行。

该机制的价值不在于构建不可攻破的安全沙箱（其尚未达到操作系统级隔离程度，也无法证明密钥不被转发），而在于将程序对外部资源的依赖转化为显式、可审计的声明：Skill 访问何处、需要何种环境变量、能否读写文件，均可预先查看。相比盲目运行脚本，这对 Agent 场景更具可控性。

3. 超越 AI Coding：成为 AI 基础设施本身

MoonBit 的应用已超越 “让 AI 更容易写代码” 的范畴。从现有案例看，Crater、Golem Cloud 的 Wasm Component、MoonXi-net 和 Choir 等项目，已覆盖浏览器、云组件、深度学习框架及多 Agent 编排等领域。

这些场景需要可分发、可嵌入、可约束执行的软件组件。MoonBit 既可作为 AI Coding 的目标语言，也可作为 Agent runtime、云端组件及浏览器侧智能应用的实现语言。

因此，MoonBit 在 Agent 场景中的价值是系统性的。它提供了一条完整链路：使用支持异步并发的语言编写逻辑，编译为跨平台 Wasm，通过 Mooncakes 分发，并利用策略文件约束运行行为。尽管其中单个环节并非 MoonBit 首创，但将其垂直整合至同一工具链中，才是其核心价值所在。

三、AI 时代原生编程语言的后发优势与边界

新语言初期常面临 “生态薄弱、案例稀缺、开发者观望” 的困境。但在 AI 时代，这一局面正在反转：缺乏历史包袱反而使其能围绕新的软件生产方式重新设计。MoonBit 的后发优势正在于此：从伊始便将 AI 友好、快速反馈、可验证性及多后端部署融入语言与工具链设计。

在 AI Coding 场景下，语言的竞争力不再仅取决于人类程序员的学习曲线，更取决于模型生成可靠、可用产物的效率。模型高效生成正确代码的前提，是编译器提供清晰诊断、测试与验证快速接入；代码真实可用的前提，是产物能面向不同运行环境稳定分发。MoonBit 试图构建的工程闭环涵盖：生成、编译、诊断、修复、测试、验证，直至多后端输出、包管理及分发。

前述论文结果提供了重要信号：在公开语料少于 Gleam 的情况下，MoonBit 反而更能从 Few-shot、RAG、继续预训练及指令迁移中受益。这说明，模型学习语言的效率不仅取决于语料规模，更受语言设计、工具链反馈及代码模式一致性的影响。

这对新语言至关重要。过去，新语言的最大门槛是生态冷启动，开发者缺乏迁移理由。如今，AI 正在压缩这一积累周期，原本依赖人工和社区时间的工作正变得高效。

当然，AI 并未消除工程门槛。生态成熟度、工业验证、开发者心智及长期维护能力，仍是语言能否长远的核心。AI 时代不会让新语言 “自动成功”，但会削弱部分传统生态壁垒，将竞争拉回语言与工具链本身。真正有机会的新语言，必须同时回答三个问题：模型能否高效学会？生态能否快速成长？开发者是否愿意在真实项目中采用？

从这个角度看，MoonBit 的价值不止于 “又一门新语言”。它更像是在回答一个基础软件新问题：当代码由人与 AI 共同生产时，语言应如何设计其语法、工具链、验证能力及部署路径。对于 AI 时代的编程语言而言，这或许才是更关键的起点。

参考链接

[1] Andrej Karpathy on X: “LLMs change the whole constraints landscape of software completely”
https://x.com/karpathy/status/2023476423055601903

[2] Greg Brockman on X: “rust is a perfect language for agents, given that if it compiles it's ~correct”
https://x.com/gdb/status/2007228511363444905

[3] Bun PR #30412 : Rewrite Bun in Rust
https://github.com/oven-sh/bun/pull/30412

[4] 量子位：《冷门新语言 AI 写不动？IEEE 论文：从零到及格线，MoonBit 给出完整训练路线》
https://mp.weixin.qq.com/s/Ma_y7a5TNbJy64YK2Fh74Q

[5] Alessandro Giagnorio, Alberto Martin-Lopez, Gabriele Bavota. “No Resource, No Benchmarks, No Problem? Evaluating and Improving LLMs for Code Generation in No-Resource Languages.” arXiv:2606.16827, accepted by IEEE Transactions on Software Engineering.
https://arxiv.org/abs/2606.16827

[6] CSDN：《MoonBit 生态跨过万级门槛：开发者开始用它做浏览器、云组件、智能体和深度学习框架》
https://mp.weixin.qq.com/s/N2Sr9s0vO0sa6Fo3fy0_oQ

[7] 《当 AI 主宰写代码，MoonBit 嵌入「形式化验证」让 Bug 清零》
https://mp.weixin.qq.com/s/CMh66hhpMVbKvwvnonWPRg

[8] MoonBit 包管理网站
https://mooncakes.io/

相关文章