本文永久链接 – https://tonybai.com/2025/07/25/go-vs-rust-vs-cpp-in-complexity)

大家好，我是Tony Bai。

最近，一张关于编程语言规范词数统计的图表，在技术圈广为流传。它以一种极其直观、甚至有些残酷的方式，将不同语言的复杂性摆在了我们面前。

在这张图上，我们看到了惊人的差异：

• C++: 以超过 80 万词的规范长度，一骑绝尘，成为当之无愧的“巨无霸”。
• C# 和 Java: 分别以约 40 万和 25 万词紧随其后，是功能丰富的“航空母舰”。
• Go: 规范仅约 5 万词，与以简洁著称的 C (约 5.5 万词) 处于同一量级。

这张图不仅仅是一个有趣的谈资。语言规范的长度，是衡量一门语言复杂度的最客观指标之一。 它直接决定了这门语言的学习曲线、认知负荷，以及整个生态的风格。

今天，我们就以这张图为起点，深入探讨三门备受关注的系统级语言——Go、Rust 和 C++——它们各自代表的三种截然不同的“复杂性”，以及这些“复杂性”在 AI 时代意味着什么。

注：Go之所以被最初定位为系统级编程语言，是因为其设计之初便承载了构建高效、可靠系统级软件的愿景，旨在解决多核、网络化机器时代下大型代码库的开发痛点。 然而，其内置的垃圾回收机制和相对较大的运行时， 以及它在网络服务、云计算、微服务等应用层领域取得的显著成功和广泛应用， 逐渐改变了开发者对其的普遍认知，使得今天多数开发者不再将其归类为传统的、如C/C++般直接操作硬件的系统级编程语言。

“广度”的复杂性：C++ 的特性博物馆

C++ 的冗长规范，源于其“广度”上的复杂性。它像一个不断扩建的“特性博物馆”，收藏了自上世纪 80 年代以来的几乎所有编程范式。从 C with Classes，到面向对象，再到泛型元编程，再到现代的函数式风格，C++ 不断地累加新特性，却很少移除旧的。

这种复杂性的特点是：

• 特性极其繁多： 多重继承、模板、操作符重载、右值引用… 你永远无法完全掌握它。
• 选择极其自由： 对于同一个问题，你可能有十种不同的实现方式，每一种都有其微妙的优劣。

这导致的结果是，没有人能成为一个“纯粹的 C++ 开发者”，大家通常都只是某个 C++“安全子集”的专家。团队协作的巨大成本，就耗费在统一这个“子集”上。Google 著名的 C++ Style Guide，其本质就是一份“C++ 禁用特性列表”。

“深度”的复杂性：Rust 的陡峭山峰

再看 Rust。它的规范词数（约 10 万词）远比 C++ 短小，但几乎所有人都承认，Rust 的学习曲线极其陡峭。

这是因为它代表了另一种“深度”上的复杂性。Rust 的复杂性并非源于海量的特性，而是集中在少数几个强大、深刻且深度交织的核心概念上：

• 所有权 (Ownership)
• 生命周期 (Lifetimes)
• 借用检查器 (Borrow Checker)

你不需要学习一百个小工具，但你必须彻底攀登这几座陡峭的山峰，才能真正驾驭这门语言。它的挑战不在于“知道什么”，而在于“深刻理解”。你需要在脑海中构建一个全新的心智模型，时刻与编译器进行一场关于内存安全的“博弈”。

“组合”的复杂性：Go 的乐高世界

最后，我们来看 Go。它的规范如此之短，是因为它从设计之初就选择了第三条路：将“复杂性”从语言本身，转移到开发者身上。

这里所说的Go的复杂性，是“组合”的复杂性。它为你提供的不是一套功能完备的“瑞士军刀”，而是一盒简单、正交、数量有限的“乐高积木”：

• 简单的类型系统（没有类和继承）
• 只有一个循环结构 (for)
• 清晰的接口（隐式实现）
• 强大的并发原语 (goroutine 和 channel)
• … …

Go 语言本身是极其简单的，一个有经验的开发者可以在一周内掌握其全部语法。真正的挑战在于，你如何用这些有限的、简单的积木，去创造性地组合，以解决现实世界中的复杂问题。

Go 的设计哲学相信，通过组合这些简单的工具，你足以构建出任何复杂的系统。它把对创造力的要求还给了开发者，而不是将其隐藏在语言的“语法糖”和“黑魔法”之下。

AI 时代的新视角：哪种复杂性对 AI 更“友好”？

这场关于复杂性的讨论，在 AI 编程助手日益普及的今天，有了一层全新的意义。我们可以把语言规范的长度，看作是教一个 AI“学生”这门语言的“教科书厚度”。

• 教 AI 写 C++： 就像给它一本大英百科全书。它能学会无数语法，但面对复杂的特性交互和未定义行为时，极易产生“幻觉”，生成看似正确但存在隐蔽 bug 的代码。审查这样的代码是一场噩梦。

• 教 AI 写 Rust： 就像教它下围棋。它能学会规则，但很难掌握其深奥的战略（生命周期）。它生成的代码或许能通过编译，但可能是为了“讨好”编译器而写出的、极其扭曲和不符合人类直觉的代码。

• 教 AI 写 Go： 就像给它一本清晰、简洁的“小红书”。规则少、边界清晰、没有“魔法”。AI 生成的代码不仅更可预测、更符合语言的最佳实践，最重要的是——它对人类审查者极其友好。

在 AI 时代，我们开发者的工作重心正在从“写代码”，更多地转向“审查和指导 AI 写代码”。一门简单的、拥有短小精悍规范的语言，为我们和 AI 之间提供了一个共同的、易于理解的交流基础。

小结：简洁，一种面向未来的选择

回到最初的图表，它揭示了三种不同的设计哲学：

• C++： “我给你一切，你自己想办法管好。”
• Rust： “我会替你管好一切，但你必须先理解我的全部规则。”
• Go： “我只给你几样最强大的工具，剩下的，我相信你的创造力。”

Go 的简洁，不是功能的匮乏，而是一种深思熟虑的、面向未来的战略选择。它不仅降低了人类开发者的认知负荷，更在不经意间，为即将到来的人机协作编程时代，铺平了道路。

因为当你的“同事”是一个 AI 时，一门简单、可预测、易于审查的语言，将是你最有价值的资产。

你的Go技能，是否也卡在了“熟练”到“精通”的瓶颈期？

• 想写出更地道、更健壮的Go代码，却总在细节上踩坑？
• 渴望提升软件设计能力，驾驭复杂Go项目却缺乏章法？
• 想打造生产级的Go服务，却在工程化实践中屡屡受挫？

继《Go语言第一课》后，我的《Go语言进阶课》终于在极客时间与大家见面了！

我的全新极客时间专栏 《Tony Bai·Go语言进阶课》就是为这样的你量身打造！30+讲硬核内容，带你夯实语法认知，提升设计思维，锻造工程实践能力，更有实战项目串讲。

目标只有一个：助你完成从“Go熟练工”到“Go专家”的蜕变！ 现在就加入，让你的Go技能再上一个新台阶！

商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。

本文永久链接 – https://tonybai.com/2025/07/23/uber-perfinsights

大家好，我是Tony Bai。

对于大多数团队而言，Go 服务的性能优化是一项昂贵且充满挑战的任务。它通常需要资深的工程师花费数天甚至数周的时间进行 profiling、基准测试和代码分析，这在快节奏的开发周期中往往难以持续。Uber 面临着同样的问题，其 Top 10 的 Go 服务每月就产生数百万美元的计算开销，系统性的性能调优迫在眉睫。

PerfInsights 的诞生，旨在将这种依赖专家的、被动的优化过程，转变为一种可扩展、可重复、自动化的实践。它的核心目标是：以最小的人力投入，发现高价值的优化机会。

PerfInsights 工作原理：三步走的自动化流水线

PerfInsights 的核心流程是一个精心设计的三阶段流水线，它巧妙地将传统性能分析与前沿的 GenAI 技术融合在一起。

过滤：从生产噪音中定位“热点函数”

一切始于真实数据。PerfInsights 利用 Uber 的全集群 profiler，收集生产服务在流量高峰期的 CPU 和内存 profiles。

• 热点识别：通过分析 pprof 数据，系统首先识别出每个服务中 CPU 占用最高的 Top 30 函数。经验表明，这些函数往往占据了绝大部分的 CPU 资源。
• 静态过滤：这是至关重要的一步。为了避免 GenAI 在无关紧要的代码上浪费“精力”，PerfInsights 会进行一轮静态过滤，排除掉开源依赖库和 Go 运行时的内部函数。这一步极大地缩小了分析范围，确保 AI 的注意力只集中在最有优化价值的业务代码上。Uber 团队称之为“无名英雄”，因为它将一个可能脆弱的 AI 原型，转变为一个专注、高效的优化助手。

分析：GenAI 登场，检测性能反模式

经过滤后的热点函数源代码，会被连同一个预先策划的反模式目录，一同提交给大语言模型（LLM）进行分析。

这个反模式目录是基于 Uber Go 基础团队多年的优化经验和 Go 语言最佳实践整理而成，涵盖了诸如无边界的内存分配（例如，向没有预分配容量的 slice 中追加元素）、循环内的冗余计算、低效的字符串操作等常见问题。

通过结合 profiling 提供的“热点”上下文和反模式的“先验知识”，LLM 能够高精度地定位到代码中的低效结构，并给出具体的优化建议。

验证：建立开发者信任的“双保险”机制

直接信任 LLM 的输出是危险的，因为它可能产生幻觉或生成不可运行的代码。PerfInsights 的独特之处在于其强大的双重验证机制，旨在将误报率降至最低，建立开发者的信任。

• LLM 陪审团 (LLM Juries)：PerfInsights 不会依赖单一模型的判断。相反，它采用一个由多个不同 LLM 组成的“陪审团”。每个模型都会独立评估检测到的反模式和建议的修复方案是否有效。这种集成方法能有效减少单个模型的幻觉和误判。
• LLMCheck 框架：这是一个基于规则的第二层验证系统。它包含了一系列针对特定领域的验证器，用于检查 LLM 响应中常见的错误，例如：
  • 混淆 map 和 slice。
  • 将循环不变量错误地识别到循环之外。
  • 误将循环变量识别为不变量。

通过这套“AI + 规则”的双重验证，PerfInsights 成功地将误报率从最初的 80% 以上降低到了百分之十几的水平。

Prompt 工程：与 LLM 高效对话的艺术

为了让 LLM 发挥最大效用，Uber 团队在 Prompt 工程上投入了大量精力，总结出几项关键策略：

• 少样本提示 (Few-Shot Prompting)：在 Prompt 中提供几个具体的“反模式-正例”代码对，能让模型更好地泛化，显著提升检测准确性。
• 角色与指令：明确告知 LLM 它的角色是“Go 专家”，并使用非常具体、积极的指令（避免使用“不要”）。同时，要求模型确保其建议的优化代码是可运行的。
• 置信度评分：要求 LLM 为其每个判断提供一个 1-10 的置信度分数，这能促使模型进行更深层次的“思考”，并为后续的自动化流程提供决策依据，如下图。

影响与成果：从理论到数百万美元的节省

PerfInsights 在 Uber 内部取得了巨大的成功，其影响体现在多个层面：

• 工程效率的量级提升：过去需要专家团队花费数周甚至数月才能完成的诊断工作，现在被缩短至数小时甚至数分钟。一个案例中，检测和修复一个问题的时间从 14.5 小时减少到约 1 小时，实现了 93.1% 的时间节省。据估算，该工具每年可为 Uber 节省约 3,800 个专家工程小时。
• 可衡量的成本节约与代码健康：自推出以来，PerfInsights 已经生成了数百个被合并的代码优化 diff，直接带来了可观的计算成本节约。同时，它帮助团队在四个月内将检测到的反模式数量减少了 33.5%，使得代码库更健康、审查周期更短、发布更安全。
• 性能文化的变革：最重要的是，PerfInsights 将性能调优从一种偶发的、被动的“救火”行动，转变为一种持续的、数据驱动的、主动嵌入在 CI/CD 和日常开发流程中的规程。

小结

Uber 的 PerfInsights 项目为整个行业提供了一个将 GenAI 应用于复杂工程问题的杰出范例。它清晰地表明，GenAI 的力量不在于盲目地替代开发者，而在于与传统的、可靠的工程工具（如 pprof）和严谨的验证流程相结合，从而在特定领域发挥出最大效能。

对于 Go 社区的开发者而言，PerfInsights 带来的启示是深刻的：
1. 生产数据是金矿：基于真实 profiling 数据的优化，远比凭空猜测更有效。
2. AI 需要“缰绳”：通过静态过滤缩小范围，并通过多层验证来约束 AI，是成功应用 GenAI 的关键。
3. 信任是第一要务：只有当工具的建议可靠、误报率低时，它才能真正被开发者接纳并融入日常工作流。

PerfInsights 的成功，标志着性能工程正迈入一个由 AI 辅助的、更加普惠和高效的新时代。虽然当前PerfInsights还没有开源，但就Uber这篇文章提供的“实践思路”来看，也是非常值得我们思考和借鉴的。

资料链接：https://www.uber.com/blog/perfinsights

你的Go技能，是否也卡在了“熟练”到“精通”的瓶颈期？

• 想写出更地道、更健壮的Go代码，却总在细节上踩坑？
• 渴望提升软件设计能力，驾驭复杂Go项目却缺乏章法？
• 想打造生产级的Go服务，却在工程化实践中屡屡受挫？

继《Go语言第一课》后，我的《Go语言进阶课》终于在极客时间与大家见面了！

我的全新极客时间专栏 《Tony Bai·Go语言进阶课》就是为这样的你量身打造！30+讲硬核内容，带你夯实语法认知，提升设计思维，锻造工程实践能力，更有实战项目串讲。

目标只有一个：助你完成从“Go熟练工”到“Go专家”的蜕变！ 现在就加入，让你的Go技能再上一个新台阶！

商务合作方式：撰稿、出书、培训、在线课程、合伙创业、咨询、广告合作。如有需求，请扫描下方公众号二维码，与我私信联系。