Skip to content
风中烛火

国产模型驱动的大规模 AI 编码：经验与教训

用 DeepSeek 和 GLM-5.2 驱动 20 万行 Rust 代码库的实际体验——好用的地方、翻车的地方、怎么适配。

Peri 的 20 万行 Rust 代码有 99% 由国产模型生成——主要是 DeepSeek V3/R1 和 GLM-5.2。这篇文章记录我们在真实大规模项目中使用国产模型的经验。

模型表现分层

不同任务上模型表现差异很大：

  • 代码生成和重构：DeepSeek V3 对于 Rust 的日常编码表现出色。工具调用准确率在 90% 以上。GLM-5.2 在中文需求理解和注释生成上更强。
  • 架构设计：Claude Sonnet 仍然是最强的架构设计者。DeepSeek 能执行架构指令，但不会主动发现设计问题。
  • Bug 诊断：DeepSeek R1 的推理链在 debug 场景很有用，但响应慢（30-60 秒）。

适配成本

国产模型的 API 兼容 OpenAI 格式，接入成本很低。但有几个需要适配的点：

  1. 工具调用格式：GLM 的工具调用 schema 和 OpenAI 有细微差异，需要专门的解析器
  2. 上下文窗口：DeepSeek 的设计窗口比 Anthropic 小，需要更激进的 compact 策略
  3. 速率限制：免费版 DeepSeek 的并发限制很严，子代理数量必须控制

结论

国产模型已经可以驱动真实的生产级项目。但需要一个好框架来弥补它们在一致性、工具调用和上下文管理上的不足。Peri 的 compact 机制和中间件管道就是为此设计的。

相关文章