这一次，我想把底层原理真正搞懂

如果一定要我现在评价自己的 Rust 水平：

没有多少。

这个答案其实没什么好包装的。

我可以在 AI 的帮助下把一个项目做起来。

可以读一些 Rust 代码，大概知道它在干什么。

遇到编译错误，也知道应该把错误信息拿出来分析。

但如果现在把电脑交给我：

打开一个空的 main.rs。

然后说：

“不用 AI，自己写一个稍微复杂一点的程序。”

我大概率还是会卡住。

而且这种卡住，不只是：

“这个 API 我不知道。”

有时候甚至是：

“我不知道我应该从哪里开始想。”

比如：

为什么这里要用引用？

为什么这个值不能直接拿走？

为什么编译器不让我这么写？

这个类型为什么要这样设计？

这个东西为什么需要 trait？

为什么这里需要异步？

这些问题，如果交给 AI，其实很容易解决。

我可以把错误扔给它。

它告诉我原因。

给我一个修改后的版本。

代码跑起来。

事情结束。

但问题也就在这里。

我并不想把这件事情说成“AI 不好”。

恰恰相反。

如果没有 AI，我现在可能根本不会走到这里。

以前一个不会写的软件，我可能连第一步都不知道从哪里开始。

现在至少可以先问：

“我想做这个东西，应该怎么拆？”

然后开始做。

不会的地方再问。

报错了再问。

一个项目从零开始，也可以让 AI 帮我搭一个基本结构。

这个效率提升是真的。

而且非常明显。

但问题是：

这两个结果看起来很像。

最后都是：

代码能运行

但实际上差得很远。

一种情况是：

我知道为什么这样写，所以它能运行。

另一种情况是：

AI 这么写，我照着做，然后它运行了。

过去几个月，我明显有不少时候属于第二种。

所以我现在不是想“少用 AI”。

而是想换一种使用方式。

其实我不太想再写一篇：

《为什么 Rust 是未来》

这种文章。

因为我现在没有资格说这种话。

我对 Rust 的理解还远没有到可以评价一门语言未来的程度。

我选择它，原因其实没那么复杂。

这段时间我做的东西越来越偏软件和工具。

我也越来越想把自己以前的一些工程经验，真正变成可以运行的软件。

Rust 刚好是我比较想认真学的一门语言。

还有一个原因可能更直接：

它真的会逼着我把一些东西想清楚。

这也是我现在觉得它难的地方。

以前用 AI 写代码，有些问题可以先绕过去。

Rust 往往不太让你这么干。

你写错了。

编译器直接告诉你：

不行。

有时候我看着那个错误，也不知道它为什么不行。

这时候其实挺烦的。

但冷静下来以后，我反而觉得：

这可能正是我现在需要的东西。

因为我不想再因为：

“代码跑起来了。”

就误以为：

“我已经懂了。”

最后我没有找一个特别花哨的学习方案。

也没有同时开十几个教程。

我选了 Rust 官方的入门书：

The Rust Programming Language

也就是大家经常说的：

TRPL

中文一般叫《Rust 程序设计语言》。

原因其实非常简单：

它是官方的。

我现在是初学者。

这个阶段最容易犯的一个错误，就是到处找资料。

YouTube 看一个。

博客看一个。

AI 问一个。

GitHub 找一个。

然后每个人的讲法都不一样。

看起来好像学了很多。

实际上脑子里越来越乱。

所以这一次，我想先给自己一条主线。

从第一章开始。

一章一章往后走。

看到代码就自己写。

遇到问题再解决。

先不要急着把所有东西都提前搞懂。

这可能是我这次学习方式里最想改变的一点。

以前看代码的时候，很容易产生一种错觉：

“嗯，这段我看懂了。”

然后关掉 AI。

自己写。

发现：

不会。

这件事情我已经遇到过很多次。

尤其是 AI 给出一段完整代码的时候。

代码写得很漂亮。

解释也很完整。

你看着每一行都认识。

甚至觉得：

“这个我理解了。”

结果真正自己从零写的时候：

不知道第一行应该写什么。

这时候才发现：

看懂和会写，中间隔着一段很长的距离。

所以这一次，我不想只看。

TRPL 里面有代码。

我就自己敲。

出现编译错误。

先自己看。

看不懂了，再问 AI。

AI 可以给我解释：

为什么会报这个错误？

也可以换一种方式解释一个概念。

甚至可以告诉我一个 API 是怎么用的。

但我尽量不让它直接把整道题做完。

至少在学习阶段，我希望自己先挣扎一下。

TRPL 后面有很多东西，我现在其实还不知道自己为什么需要。

比如：

所有权。

Trait。

生命周期。

async/await。

我当然可以现在就打开搜索引擎，把它们全部查一遍。

网上有大量解释。

AI 也可以给我解释得非常详细。

但我现在反而不太想这么做。

因为有些东西：

现在看懂了，可能也只是“知道这个词是什么意思”。

等真正写到那个地方，遇到实际问题以后，再回头看。

可能会完全不一样。

所以我现在给自己的原则很简单：

先走到那里。

到了生命周期，就认真学生命周期。

到了 Trait，就认真学 Trait。

到了 async，就认真搞清楚 async 到底解决了什么问题。

不提前把整本书都学完。

第一阶段就是：

TRPL。

从最基础的东西开始。

大概会一路经过：

• Rust 基础和 Cargo
• 所有权
• Struct 和 Enum
• Match
• 模块和可见性
• Vec、String、HashMap
• 错误处理
• 泛型、Trait 和生命周期
• 测试
• 闭包和迭代器
• 智能指针
• 并发
• async/await
• 最后做一个简单的 Web Server

看到这里，如果你已经会 Rust，可能会觉得：

“这不就是一本入门书的目录吗？”

对。

就是。

我现在也不需要把它包装得多高级。

我就是准备从入门开始。

因为我真正缺的不是一个更复杂的项目。

而是这些基础东西之间的关系。

其实一开始没想这么多。

我就是觉得：

自己应该认真学一下代码了。

后来想想，把这个过程留下来也挺好。

因为我现在的位置其实有点特殊。

我不是计算机科班出身。

也不是一个已经写了十几年代码的软件工程师。

我以前主要做的是 CFD。

现在开始往软件、AI 和 Agent 这些东西走。

所以我遇到的一些问题，可能和一个已经写了很多年代码的人不太一样。

有些东西对程序员来说可能非常普通。

对我来说却是第一次。

比如第一次真正理解一个编译错误。

第一次搞清楚一个类型为什么这么设计。

第一次知道某个语法背后到底在解决什么问题。

我觉得这些东西记录下来，比最后写一句：

“我学会 Rust 了。”

有意思得多。

因为以后回头看，我应该能看到自己到底是怎么走过来的。

这一点我想提前说清楚。

这个系列不会假装：

“我完全不用 AI，纯手写学习 Rust。”

不会。

我会用。

而且会大量用。

AI 已经是我现在工作方式的一部分。

我不觉得学习一门语言就必须拒绝工具。

真正重要的是：

如果我遇到一个编译错误：

可以问 AI。

如果一个概念看了半天没懂：

可以让 AI 换一种方式讲。

如果一个 API 不知道怎么用：

可以问。

但如果每一次都是：

我不会
↓
问 AI
↓
AI 写完
↓
我复制
↓
运行
↓
结束

那我其实只是学会了怎么使用 AI。

而不是学会 Rust。

所以我更希望保持这样的关系：

            AI
  解释 / 提示 / 引导
          ↓
     我自己理解
          ↓
     我自己写代码
          ↓
    编译 / 报错 / 调试
          ↓
       再问 AI

而不是：

我不会 → AI 写完 → 我复制

前者可能慢很多。

但我觉得值得。

这可能是我最近学 Rust 最大的感受。

重新当一个新手，真的不太舒服。

做了这些年工程以后，你会慢慢习惯一种状态：

很多事情你是有经验的。

看到一个问题，大概知道应该往哪里查。

看到一个结果，大概知道有没有问题。

但换到一个新的领域以后：

这些东西全部消失了。

一个很基础的问题都可能把你卡住。

别人觉得理所当然的东西，你可能完全不知道。

有时候会觉得：

“怎么这么简单的东西，我都不会？”

但后来想想，也没什么。

我第一次做 CFD 的时候，也不知道什么叫网格质量。

不知道边界条件应该怎么设。

不知道一个结果到底算不算合理。

这些东西都是后来一点一点学出来的。

所以现在重新面对 Rust，我也不应该期待自己一开始就会。

不会就是不会。

那就从不会的地方开始。

以前用 AI 做东西的时候，很容易产生一种满足感。

一个功能完成了。

一个项目跑起来了。

页面出来了。

Agent 开始工作了。

然后会觉得：

“我是不是已经会了？”

现在我反而想慢一点。

因为真正掌握一件东西，应该不只是：

它能跑。

而是我能够回答：

它为什么能跑？

如果出了问题：

我知道从哪里查。

如果需要修改：

我知道为什么这么改。

如果 AI 给了我一段代码：

我能判断它是不是合理。

这可能才是我现在真正想补的东西。

所以这篇其实没有什么技术内容。

没有讲所有权。

没有讲 Trait。

没有讲生命周期。

甚至严格来说：

我还没有真正开始讲 Rust。

它更像是给这个系列留一个起点。

过去几个月，我已经借助 AI 做了不少东西。

现在我想退回来一点。

重新从最基础的地方走一遍。

不是因为 AI 不够好。

恰恰是因为 AI 太好用了。

它让我很容易把东西做出来。

而现在，我想知道：

这些东西到底是怎么工作的。