这段时间陆陆续续的开发了2个AI知识库应用，一个面向企业，一个面向C端用户。
-
飞树智库：一个安全高效的面向 企业的知识库平台（https://fskb.coderbox.cn/）。
-
小飞树：一个专注于个人知识管理的AI应用，致力于帮助用户高效整理、检索和利用知识资源的知识库工具（https://xfs.coderbox.cn）。
这次开发，Rust是主力，从后端到客户端（Tauri），再到模型加载部署，全部使用Rust完成。体验很不错。
这两个知识库系统，初版都已上线，欢迎大家体验使用。
Rust适合作为后端开发吗
在用Rust前，一直在使用Java，后端体系中，Java生态确很完善，并且有大规模的应用常见来验证这些库的可用性。在Rust中，后端生态自然是没有Java好的，但是，大部分Java中的库在Rust中也能找到平替，就看能否发现这些库了，因为有些库的命名确实比较奇怪，在仓库中搜索时，可能会搜不到。
那Rust到底适不适合后端开发呢，答案是肯定的，除了常说的Rust的特性外，更多的是Rust语言本身的限定，可以避免很多隐藏的问题。比如这个Option，可以避免很多NPE的问题，再比如Rust中的枚举，以及组合设计而不是继承的思想，都是对复杂的后端系统是有益的。
传统的后端系统，不外乎增删改查，外加缓存，再复杂点的，对服务拆分，变成微服务，再用网关组织起来。其实在这些场景下Rust生态中也有对应的解决方案，只是没有像SpringBoot这样的框架来把它们组织起来。而使用Rust带来的好处，最大的就是资源占用小，一是编译产物体积小，二是运行时内存占用小，比如Java的jar包可能200M+，而用Rust实现相同的功能，可能只有50M+的体积，虽然这点体积优势并对应后端应用来说收益微乎其微，但是在一些工具场景，使用Rust就很适合了。其次Rust的异步及并发库，非常好用，很容易写出支持高并发的代码，这在Web开发中是很有优势的。
Rust在AI场景下的应用
Rust生态对AI场景的支持有限，目前比较有名的库就是Candle和Burn，以及tch。其实在AI方面，对于模型本身，由于是由计算密集型场景，所以性能主要受限于CPU或GPU的性能，语言本身影响不大。但对于模型部署来说，尤其是面向C端的模型部署，往往是越简单越好，如果以Python为基础，免不了要安装一些环境，这对非计算机行业的人来说还是有一定困难的，而Rust的跨平台特性，编译对应平台即可直接运行，无需环境依赖，非常适合做客户端模型部署。
我们在做面向C端用户的知识库时，就使用了Candle来做本地化的模型部署，编译完成后，除了模型文件外，不需要再加载其他环境和文件了，做到真正一键安装启动本地模型。
Candle课程推荐
我们也录制了一个Candle基础的课程，可供大家学习。
rust深度学习库candle-简介
Rust的学习难度
从0开始学Rust容易，从其他语言转Rust难。为什么呢，一是受限于思维定式，从其他语言转换过来时，往往会有一个对比，进而陷入这个对比的循环，而从0开始反而没有负担，更容易接受。
- 难在哪里
- 语法
Rust中的语法糖很多，需要大量的时间去熟练运用。 - 设计思想
Rust的中的生命周期、所有权的概念，以及引用借用，这些是不得不面对的问题。但是理解这些也能让我们写出更好的代码。 - 宏
宏很好用，类似Java里的注解，但是，要看懂别人的宏，很费劲，写起来也容易出错。
- 语法
然而，当你适应Rust的这些特性后，其实也没有那么难，反而会体会到它这样设计的合理性。
用到的一些库
以下是我们用到的一些库，有兴趣的同学可以自主了解以下这些库的作用。
)
