🚀 引言：当 LLM 遇上 Rust
在大模型（LLM）应用开发中，Python 凭借其丰富的生态占据了主导地位。然而，当我们试图构建一个能自主操作文件系统、执行复杂命令的 AI Agent 时，Python 的动态类型和全局解释器锁（GIL）有时会成为性能与安全的隐患。
今天，我们将基于经典的 "The Agent Loop" 理念，使用 Rust 重写这一核心逻辑。
我们将展示如何用 Rust 的 tokio 异步运行时、强类型系统和内存安全特性，构建一个不仅能“思考”，还能安全地“行动”的 AI Agent。这个 Agent 能够接收自然语言指令，自动转化为 Bash 命令执行，并将结果反馈给大模型，形成完美的自主闭环。
核心亮点：
-
⚡️ 异步并发：基于 tokio 的高性能 I/O。
-
🛡️ 安全沙箱：内置危险命令拦截与执行超时保护。
-
🔒 类型安全：编译期确保 JSON 结构与逻辑的正确性。
-
🌍 跨平台兼容：完美处理 Windows (PowerShell) 与 Linux 的编码差异。
💡 核心逻辑：什么是 "The Agent Loop"？
在深入代码之前，我们先回顾一下 Agent 的核心思想。LLM 本身是一个静态的模型，它无法直接读写你的硬盘或运行程序。Agent Loop 就是那个让 LLM“活”起来的引擎：
感知：用户输入指令。
决策：LLM 分析指令，决定调用工具（如 bash）。
行动：Agent 在本地执行命令。
反馈：将执行结果（stdout/stderr）作为新消息喂回给 LLM。
循环：LLM 根据结果决定是继续执行下一步，还是输出最终结论。
这个循环不断重复，直到任务完成。接下来，我们看看 Rust 是如何优雅地实现这一过程的。
🦀 代码深度解析
1. 环境配置与客户端初始化
首先，我们需要加载环境变量并配置 OpenAI 兼容的客户端。Rust 的 dotenvy 和强类型配置让这一步非常稳健。
let env_path = Path::new(env!("CARGO_MANIFEST_DIR")).join(".env");
dotenvy::from_path(&env_path).expect(".env 文件加载失败");
let api_key = std::env::var("OPENAI_API_KEY").expect("OPENAI_API_KEY 未设置");
// … 配置 base_url 和 model_name
let mut config = OpenAIConfig::default().with_api_key(api_key);
if let Some(url) = base_url {
config = config.with_api_base(url);
}
let client = Client::with_config(config);
关键点：使用 expect 在启动阶段快速失败（Fail-fast），避免运行时因配置缺失导致不可预知的错误，这是系统级编程的最佳实践。
2. 定义工具：Bash 作为万能钥匙
我们只定义了一个工具：bash。这遵循了 "One loop & Bash is all you need" 的极简哲学。
let tools = json!([{
"type": "function",
"function": {
"name": "bash",
"description": "Run a shell command.",
"parameters": {
"type": "object",
"properties": { "command": { "type": "string" } },
"required": ["command"]
}
}
}]);
3. 主循环：交互式入口
主函数通过 loop 监听用户输入，并将对话历史（history）传递给核心的 agent_loop。
loop {
print!("s01 >> ");
io::stdout().flush()?;
let mut query = String::new();
// 读取用户输入，支持 'q' 退出
if io::stdin().read_line(&mut query).is_err() { break; }
// … 处理退出逻辑
history.push(json!({"role": "user", "content": query}));
// 进入核心 Agent 循环
agent_loop(&client, &model_name, &tools, &mut history).await?;
}
4. 核心引擎：agent_loop 函数
这是整个程序的大脑。它负责与 LLM 交互、解析工具调用、执行命令并更新上下文。
A. 发送请求与解析响应
利用 serde_json 处理动态 JSON 数据，同时保持 Rust 的错误处理能力。
let response: Value = client.chat().create_body(request).await?;
let message = response["choices"][0]["message"].clone();
// 提取 tool_calls，注意 Rust 的 Option 链式调用让空值处理极其安全
let tool_calls = message
.get("tool_calls")
.and_then(|v| v.as_array())
.cloned();
B. 决策分支
-
如果没有工具调用：说明 LLM 认为任务已完成，直接打印文本并返回。
-
如果有工具调用：遍历每个调用，执行对应的 Bash 命令。
if let Some(calls) = tool_calls {
if calls.is_empty() {
print_assistant_text(&message);
return Ok(());
}
// 遍历并执行工具
for call in calls {
// … 校验函数名是否为 "bash"
let command = args["command"].as_str().unwrap_or("");
println!("$ {}", command);
// 执行命令（关键步骤）
let output = run_bash(command).await;
// 构造工具返回消息
let tool_message = json!({
"role": "tool",
"tool_call_id": call["id"],
"content": output
});
messages.push(tool_message);
}
} else {
// 无工具调用，结束循环
print_assistant_text(&message);
return Ok(());
}
注意：这里的 loop 嵌套在 agent_loop 内部，意味着如果 LLM 连续多次调用工具（例如：先 mkdir 再 cd 再 touch），它会一直循环执行，直到 LLM 不再返回工具调用为止。
5. 安全执行器：run_bash
这是 Rust 版本相比 Python 脚本最强大的地方。我们不仅执行命令，还加入了安全围栏。
⚠️ 危险命令拦截
防止 LLM 幻觉或恶意提示词导致系统崩溃。
let dangerous = ["rm -rf /", "sudo", "shutdown", "reboot", "> /dev/"];
if dangerous.iter().any(|d| command.contains(d)) {
return "Error: Dangerous command blocked".to_string();
}
⏱️ 超时控制与编码处理
在 Windows 上，PowerShell 的默认编码常导致中文乱码。Rust 代码中显式设置了 UTF-8 编码，并使用 tokio::time::timeout 防止命令死锁。
// 设置 PowerShell 编码为 UTF-8
let ps_command = format!(
"$enc = [System.Text.UTF8Encoding]::new($false); \\
[Console]::OutputEncoding = $enc; \\
/* … 其他编码设置 … */ \\
chcp 65001 > $null; {}",
command
);
// 120 秒超时保护
match timeout(Duration::from_secs(120), cmd.output()).await {
Ok(Ok(output)) => {
// 处理 stdout 和 stderr，限制输出长度防止 Token 爆炸
let mut out = String::new();
out.push_str(&String::from_utf8_lossy(&output.stdout));
out.push_str(&String::from_utf8_lossy(&output.stderr));
// … 截断过长输出
}
Err(_) => "Error: Timeout (120s)".to_string(),
// … 错误处理
}
🆚 Rust vs Python：为什么选择 Rust 写 Agent？
| 类型安全 | 动态类型，运行时易报错 | 静态强类型，编译期检查 | 减少 KeyError 或 JSON 解析错误，重构更放心 |
| 并发模型 | GIL 限制，多线程受限 | tokio 轻量级异步，高并发 | 轻松处理大量并发 Agent 或长时间运行的任务 |
| 系统交互 | 依赖 subprocess，编码易乱码 | 原生系统调用，精细控制编码/超时 | 跨平台兼容性更好，尤其是 Windows 下的中文支持 |
| 安全性 | 需额外库或手动检查 | 可嵌入底层安全检查逻辑 | 更容易构建沙箱环境，防止危险命令执行 |
| 部署 | 需携带解释器和依赖包 | 编译为单一二进制文件 | 分发简单，启动速度毫秒级，资源占用极低 |
🛠️ 如何运行？
1. 准备环境
确保安装了 Rust (cargo) 并在项目根目录创建 .env 文件：
OPENAI_API_KEY=sk-…
MODEL_NAME=gpt-4o
# 如果使用国内镜像
OPENAI_API_BASE_URL=https://api.your-provider.com/v1
2. 添加依赖 (Cargo.toml)
[dependencies]
tokio = { version = "1", features = ["full"] }
serde_json = "1"
async_openai = "0.20" # 或最新版本
dotenvy = "0.15"
3. 运行测试
cargo run
输入指令尝试：
"在当前目录创建一个名为 test_rust 的文件夹，并在里面生成一个 hello.txt 文件，写入 'Hello from Rust Agent'。"
你会看到 Agent 自动拆解步骤，执行 mkdir 和 echo 命令，并反馈成功结果。
📥 获取完整源码
文中仅展示了核心逻辑片段。如果你想直接运行完整项目，或查看包括错误处理、日志记录在内的完整工程代码：
👉 关注公众号【AI 智动派】 👉 回复关键词：learnAgent-20260308 即可一键获取 GitHub 仓库链接！
💡 总结与展望
通过这不到 200 行的核心代码，我们成功用 Rust 复现了 AI Agent 的“灵魂”——自主循环。
Rust 不仅仅提供了更快的执行速度，更重要的是它提供了一种“可信的执行环境”。在 AI Agent 需要操作真实世界（文件系统、网络、数据库）的场景下，Rust 的内存安全和并发控制能力是 Python 难以比拟的。
Rust + AI Agent 的时代才刚刚开始。如果你也想构建高性能、高可靠的智能体应用，Rust 绝对是你的不二之选。
👇 互动话题 你在开发 AI Agent 时遇到过哪些“坑”？是幻觉导致的死循环，还是环境配置的噩梦？欢迎在评论区留言，我们一起探讨用 Rust 填坑的方案！
(喜欢本文请点赞、收藏、转发，关注我【AI 智动派】获取更多 Rust AI 实战干货！)
