Co se můžeme naučit z bleskové migrace Bun do Rustu s pomocí AI

Prozkoumáme, jak tým stojící za populárním JavaScript runtime prostředím Bun, úspěšně přepsal jeho značnou část ze Zigu do Rustu. Tato náročná migrace, motivovaná problémy s pamětí a stabilitou, byla nečekaně urychlena pokročilým nástrojem umělé inteligence.

Co se můžeme naučit z bleskové migrace Bun do Rustu s pomocí AI

Jarred Sumner, tvůrce široce používaného JavaScript runtime prostředí Bun, nedávno detailně popsal ambiciózní přepis značné části projektu ze Zigu do Rustu. Tento krok byl zpočátku zahalen tajemstvím kvůli dočasným omezením exportu na pokročilý nástroj, který byl pro migraci využit. Situace se však vyřešila a podrobnosti o tomto pozoruhodném projektu jsou nyní veřejné.

Bun je komplexní a kriticky důležitý projekt, na němž závisí mnoho produkčních softwarových řešení. Jeho funkcionalita zahrnuje transpilaci, minifikaci a bundlování JavaScriptu, TypeScriptu a CSS, dále slouží jako testovací runner a balíčkový manažer kompatibilní s npm. Kromě toho poskytuje řešení modulů, WebSocket klienta a implementace Node.js modulů. S 22 miliony měsíčních stažení je Bun pilířem mnoha moderních vývojových ekosystémů.

Hlavním důvodem pro přepis byly neustálé problémy se stabilitou a bezpečností paměti v jazyce Zig, který byl pro Bun původně použit. Zig není jazyk s implicitní správou paměti, což vedlo k mnoha chybám, jako jsou úniky paměti, pády způsobené problémy s pamětí a přetečení haldy. I přes snahy týmu Bun o záplatování kompilátoru Zigu a implementaci end-to-end testů na úniky paměti se problémy stále objevovaly. Jak poznamenal sám Jarred Sumner, správa životního cyklu hodnot s automatickou správou paměti (z JavaScriptu) a ručně spravovaných hodnot byla neustálým zdrojem problémů. Každá alokace paměti vyžadovala detailní kontrolu, což bylo zdlouhavé a náchylné k chybám.

Přechod na jazyk s inherentní bezpečností paměti, ale přitom zachovávající vysoký výkon, se jevil jako ideální řešení. Rust tyto požadavky splňuje. Velké procento předchozích chyb – jako je použití paměti po uvolnění, dvojité uvolnění nebo zapomenutí uvolnit paměť při zpracování chyb – je v bezpečném Rustu eliminováno díky kontrole kompilátorem a automatické správě zdrojů s principem RAII a metodou Drop. Tyto chyby jsou zachyceny již při kompilaci, což poskytuje mnohem efektivnější zpětnou vazbu než manuální kontroly kódu.

Historicky jsou kompletní přepisy softwarových projektů považovány za velmi riskantní a obvykle se nedoporučují. Hlavním problémem je jejich nesmírná časová náročnost. Odhady, které začínají na několika měsících, se často protáhnou na roky, protože původní kódová základna se neustále vyvíjí a přidávají se nové funkce, které je pak potřeba implementovat i do přepisu. Ruční přepis Bun, který se skládá z více než půl milionu řádků kódu v Zigu, by podle odhadů Jarreda Sumnera zabral malému týmu inženýrů celý rok. Taková roční pauza ve vývoji bez novinek pro uživatele byla pro tým nepřijatelná.

Namísto zdlouhavých manuálních úprav se objevila myšlenka: co kdyby se pro přepis využil pokročilý nástroj umělé inteligence? Jarred Sumner se rozhodl věnovat týden testování schopností nového velkého jazykového modelu pro přepis Bun do Rustu.

Samotný přepis samozřejmě nebyl tak jednoduchý, jako zadat jeden stručný požadavek. Proces začal tříhodinovou intenzivní přípravou, kdy Jarred diskutoval s modelem umělé inteligence o tom, jak nejlépe mapovat vzorce ze Zig kódu do Rustu. Výsledkem této spolupráce byl detailní dokument nazvaný PORTING.md, který obsahoval přibližně 600 řádků pokynů pro migraci a který se následně objevil na populárním technologickém fóru. Tyto pokyny specifikovaly přísná pravidla, například zákaz použití některých knihoven Rustu (jako tokio nebo std::fs), preferenci callbacků a stavových automatů místo async fn, a instrukce pro řešení problémů s kontrolou borrowingu v Rustu.

Dominik Medal

Chystáte nový web nebo aplikaci?

Napište mi, co plánujete — rád se na to podívám a poradím, jak na to nejlépe jít.

Po přípravné fázi následoval zkušební přepis tří souborů z celkového počtu 1 448. Výsledky byly podrobeny dvojímu „adversariálnímu“ přezkumu, kdy model umělé inteligence v samostatných seancích kritizoval a hledal chyby ve svém vlastním výstupu. Jakmile se ukázala životaschopnost přístupu, byla práce rozdělena mezi 64 agentů umělé inteligence, kteří pracovali paralelně na nezávislých souborech.

Počáteční pokusy o spuštění paralelní práce narážely na problémy, kdy si agenti navzájem překáželi, například při práci se systémem správy verzí Git. Jarred musel upravit pracovní postup, aby agenti prováděli pouze specifické operace, jako je commit jednotlivých souborů, a vyhnuli se pomalým nebo konfliktním příkazům. Po optimalizaci byla práce rozdělena do čtyř pracovních vláken (worktrees), z nichž každé obsluhovalo 16 agentů, kteří efektivně přispívali kódem.

Během následujících dvou dnů agenti umělé inteligence přepsali všech 535 496 řádků kódu ze Zigu. Každý commit byl před sloučením ověřen dvěma nezávislými „adversariálními“ recenzemi. Po dokončení přepisu se objevilo přibližně 16 000 kompilačních chyb (po odhalení cyklických závislostí se číslo ustálilo na asi 1 600 chyb), což by pro lidského inženýra představovalo obrovskou výzvu. Avšak pro 64 agentů umělé inteligence pracujících paralelně to byla zvládnutelná úloha. Chyby byly opravovány postupně, „crate-by-crate“ (crate je v Rustu kompilace jednotka), s automatickým spouštěním cargo check a následným opravováním chyb. Tato fáze trvala přibližně 12 hodin a probíhala autonomně během spánku týmu.

Po opravě kompilačních chyb následovala fáze spouštění lokálních testů (dva dny) a poté zajištění průchodu rozsáhlého testovacího balíku v CI/CD (tři dny). Jakmile všechny testy prošly a Jarred ověřil správnou funkčnost, byly změny sloučeny do hlavní větve. Celý proces, od plánování až po dokončení, trval pouhých 11 dnů.

Tato blesková migrace přibližně 550 000 řádků kódu, rozdělená do 6 500 commitů během 11 dnů, měla svou cenu. S API ceníkem nástroje umělé inteligence dosáhly náklady na přepis 165 000 dolarů. Tato částka, odpovídající ročnímu základnímu platu softwarového inženýra ve středně velké americké firmě, je sice vysoká, ale je považována za „neuvěřitelnou dohodu“. Lidský inženýr by nemohl dosáhnout takových milníků za 11 dní, ani kdyby jich bylo více. Umělá inteligence tak otevírá dveře k přepisům a migracím, které by dříve byly považovány za neproveditelné.

Úspěch takovéhoto projektu však vyžaduje několik klíčových předpokladů. Nezbytný je velmi motivovaný inženýr s hlubokou znalostí kódové základny, který dokáže vést a korigovat AI. Dále je klíčová extrémně robustní sada testů, která spolehlivě ověří funkčnost po přepisu. A samozřejmě, je potřeba být ochoten investovat značné prostředky do tokenů AI, byť s nejistotou, jak dobře bude celý proces fungovat. S dobrou sadou testů a angažovaným inženýrem je ale úspěch velmi pravděpodobný. Náklady lze navíc optimalizovat strategickým využitím modelů – například pro plánování využít dražší a pokročilejší modely, zatímco pro samotné kódování a recenze levnější varianty. Migrace s pomocí umělé inteligence se nepochybně zrychlují, ale nejvíce profitují projekty, které jsou už od základu dobře navržené a otestované, jako je právě Bun.

Dominik Medal

Popovídejme si o Vašem projektu

Napište mi, co potřebujete, a společně určíme nejlepší postup.

Už nescrollujte, volejte

+420 735 505 585