中国底层创新打造AI时代编程语言新突破

要说AI对软件行业最直接的影响，首当其冲的就是重塑整个软件工程链路。如今所有开发工具都在向AI原生化靠拢，编程语言作为软件生产的入口，自然也值得重新打量一番。

OpenAI联合创始人Greg Brockman就曾说过一句广为流传的话：“Rust是袋中的完美语言，因为只要它能编译通过，就几乎意味着正确。”言下之意，Rust的强类型系统和所有权模型，让编译器能抓到大量潜在的运行时错误。

近期，知名高性能开源项目Bun决定将核心代码大规模重写为Rust，释放出一个更具体的产业信号：当AI大幅降低了代码迁移和重写的成本，软件基础设施正在主动向更强约束、更高性能、更易于被机器检查的语言迁移。但话说回来，Rust毕竟诞生于生成式AI爆发之前，它的核心设计目标还是安全的底层编程，而不是Agent之间的高效协作。OpenAI创始团队成员、提出“Vibe Coding”概念的Andrej Karpathy，曾在X上直言：“LLM正在彻底改变软件的约束条件，代码迁移、从C到Rust的移植、COBOL等遗留系统升级都会因为LLM擅长‘翻译’而发生根本变化。但Rust本身也远不是面向LLM的最优目标语言，什么样的语言才最适合AI，依然是一个开放的问题。”

于是，一个更值得认真讨论的问题浮出水面：有没有一门从设计之初就面向Agent协作、快速反馈和工程闭环的语言？

这个问题已经不只是产业观察者的茶余谈资，它已经进入了软件工程研究界的评测体系。量子位近期报道了一篇关于“冷门新语言AI写不动”的论文，MoonBit就是在那里进入公众视野的。

这篇论文的标题是《No Resource, No Benchmarks, No Problem? Evaluating and Improving LLMs for Code Generation in No-Resource Languages》，已被IEEE Transactions on Software Engineering接收。论文把MoonBit和Gleam放在“no-resource programming languages”的框架下进行评测——两者都足够新，公开代码、教程和问答样例都还不足以让大模型在预训练阶段充分学习。但真正有意思的结论是：同样作为no-resource语言，MoonBit在可见语料更少的情况下，反而在多组实验设置中，比Gleam更能从AI辅助中获益。论文按GitHub仓库规模统计时，MoonBit的公开仓库数大约是Gleam的七分之一；如果只看2024年3月前模型可能见过的公开仓库，MoonBit的可见样本更少。

论文结论明确指出，few-shot和RAG这类上下文学习方法在MoonBit上带来的提升，显著高于Gleam，并将原因之一指向了MoonBit的AI-friendly设计。在更难的McEval-Hard测试集上，Qwen 2.5 Coder 32B Base继续预训练后，MoonBit的pass@1达到25.86%，而Gleam为12.47%；进一步通过instruction transferring迁移指令跟随能力后，MoonBit达到32.60%，Gleam为26.08%。语言设计对模型学习和生成代码效率的影响，已不是一句“营销口号”可以敷衍过去的事。

从2024年3月到现在，MoonBit的生态也开始给出工程侧的证据：Mooncakes（MoonBit的包管理网站）上的库数量已跨过万级门槛，累计下载量超过400万次，并涌现出Crater、Golem Cloud的Wasm Component案例，以及MoonXi-net和Choir等覆盖浏览器、云组件、深度学习框架与多Agent编排的项目。MoonBit生态的快速发展，放在AI时代之前几乎是不可想象的。

更值得注意的一点是，这套底层技术背后的开发团队来自中国。AI时代的编程语言，这次真的来了吗？不妨一探究竟。

一、MoonBit不只是一门编程语言，而是一条内置“形式化证明”的软件流水线

但如果只把MoonBit当成一门新语言的语法来讨论，那就错过了它真正特殊的地方。MoonBit从设计之初就同步构建了编译器、构建系统、包管理器、测试框架、文档工具和AI编程助手，形成了一条从代码编写到产物交付的完整流水线。这种“语言即工具链”的思路，在AI编码时代有着直接的工程价值。

1、核心不是一次性生成代码，而是闭环

AI辅助编程的关键，从来不是单次生成一段代码，而是“生成—编译—诊断—修复—测试”的闭环。在这个闭环里，编译器给出的反馈能否被模型有效利用，直接决定了AI修正错误的效率。MoonBit的编译器和构建系统是一体设计的，没有在遗留工具链上打补丁的历史负担，这为快速迭代和清晰的诊断信息提供了架构上的基础。

2、形式化验证纳入原生工具链，接受更强约束的检查

更核心的一点是，MoonBit把形式化验证也纳入了原生工具链的设计范畴。这意味着MoonBit试图让AI生成的代码，不仅能编译通过，还能在同一个工具链内接受更强约束的检查。通过定义Hoare triples的方式，MoonBit提供比使用专用形式化证明语言更好的书写体验；AI可以对代码有选择地证明，同时无需提供完整的证明链条，成功率更高。AI生成代码的“可检查性”因此提升了一个台阶：模型写出代码，编译器检查类型，验证器检查性质，反馈可以同时来自多个维度。这种设计思路在已有的主流语言中并不多见，因为它要求语言设计者在早期就考虑验证工具与编译器、构建系统的集成，而不是事后以外部工具的形式挂载。而且，不同于Rocq等学术语言，MoonBit中被证明的代码是真实的生产代码，而不是抽取之后的代码。

以二分查找这个经典例子来说。二分查找看似简单，却是出了名的“容易写错”。Ja va核心开发者、《Effective Ja va》作者Joshua Bloch在2006年曾专门撰文指出，Ja va标准库中的二分查找实现存在整数溢出bug，而这段代码在生产环境中运行了近十年才被发现。

^{上图展示了MoonBit中对二分查找的完整验证。左侧是带有合约和循环不变量的函数实现，右侧是谓词定义文件，底部终端则显示验证全部通过。}

在MoonBit里，形式化验证并不是额外附加的一层文档，而是和代码本身一起构成程序的一部分。

二、AI原生应用场景：自带沙箱的跨平台部署能力，智能体的理想语言

1、跨平台部署能力，降低AI生成代码进入真实环境时的兼容成本

Skill是当前Agent生态中一个已经存在的概念：它通过SKILL.md文件为AI Agent提供专门的指令和工作流，让Agent在特定任务中知道该怎么做。但SKILL.md本身只是文本，真正让Agent完成复杂工作的，是背后那层可执行代码。

MoonBit试图补上这层可执行能力。开发者可以用MoonBit编写异步逻辑，编译成Wasm字节码，通过Mooncakes发布，最终用户或Agent只需一条命令就能运行。

Wasm的优势在于可移植、可嵌入、可隔离。同一份逻辑可以进入云函数、边缘节点、浏览器、插件系统，也可以进入Agent runtime，作为一段受控能力被调用。对Agent来说，这一点尤其重要：它需要自动执行代码，但又不能无条件信任代码。

以已经发布在Mooncakes上的peter-jerry-ye/hn-brief为例，这个工具会抓取Hacker News当日热门文章和高赞评论，调用DeepSeek模型生成中文简报。用户只需要执行：

这条命令背后，moon工具链会解析Mooncakes包坐标，获取对应的Wasm产物，在本地Wasm运行环境中启动程序，并把结果返回给用户。使用者不需要再为每个Skill单独配置Python、Node或其他运行环境。

2、原生的沙箱模型，让MoonBit天然适合隔离执行场景

如果说Wasm和Mooncakes解决的是“代码怎么跑”，那么运行时策略解决的是“代码能跑什么”。

每个Skill可以附带策略文件，声明它需要哪些环境变量、允许访问哪些网络端点。以hn-brief为例，它只允许访问Hacker News和DeepSeek两个地址，并要求宿主环境提供DEEPSEEK_API_KEY：

运行时通过--experimental-policy加载策略后，程序的网络访问会受到约束。如果移除DeepSeek的端点，请求会被拒绝，而不是默认放行。

这种机制的价值不在于提供一个不可攻破的安全沙箱——它远未达到操作系统级隔离的程度，也不能证明密钥不会被已获授权的端点转发——而在于把程序对外部资源的依赖变成了一份显式、可审计的声明：这个Skill要访问哪里、需要什么环境变量、能不能读写文件，都可以提前看到。对Agent场景来说，这比盲目运行一段脚本要可控得多。

3、不只是AI Coding的目标语言，也被用于AI基础设施本身

更值得关注的是，MoonBit的应用并不只停留在“让AI更容易写代码”这个层面。从已有案例来看，Crater、Golem Cloud的Wasm Component案例、MoonXi-net和Choir等项目，已经覆盖了浏览器、云组件、深度学习框架和多Agent编排等多个方向。

这些场景需要的，是可分发、可嵌入、可约束执行的软件组件。也就是说，MoonBit一边可以成为AI coding的目标语言，另一边也可以成为Agent runtime、云端组件、浏览器侧智能应用里的实现语言。

所以，MoonBit在Agent场景中的价值不是单点的。它给出的是一条完整链路：用一门支持异步并发的语言写逻辑，编译成跨平台Wasm，通过Mooncakes分发，再用策略文件约束运行行为。这个链条的大部分环节可能不是MoonBit首创的，但把它们垂直整合，放进同一个工具链里，这才是它真正值得关注的地方。

三、AI时代原生编程语言的后发优势与边界

新语言刚出来的时候，总给人一种“生态不够、案例少、开发者不买账”的印象。但在AI时代，这件事也开始呈现出另一面：没有太多历史包袱，反而意味着它可以围绕新的软件生产方式重新设计自己。MoonBit的后发优势正在于此——它可以从一开始就把AI友好、快速反馈、可验证性和多后端部署，放进语言与工具链的设计中。

在AI Coding场景下，一门语言的竞争力不再只取决于人类程序员的学习曲线，还取决于模型是否容易生成可靠、可用的产物。而模型要高效生成正确的代码，取决于编译器能否给出清晰诊断，测试和验证能否快速接入；代码要真实可用，取决于产物能否面向不同运行环境稳定分发。MoonBit试图做的，正是把这些环节放进同一个工程闭环：生成、编译、诊断、修复、测试、验证，再到多后端输出和包管理分发。

上述公开论文中的结果，也给出了一个值得关注的信号。在公开语料少于Gleam的情况下，MoonBit反而更能从few-shot、RAG、继续预训练和instruction transferring等方法中受益。这说明，模型学习一门语言的效率，并不只由语料规模决定，也会受到语言设计、工具链反馈和代码模式一致性的影响。

这一点对新语言而言尤为关键。过去，新语言最大的门槛往往是生态冷启动，开发者也没有足够理由迁移。但现在，AI正在压缩这个积累周期。原本高度依赖人工和社区时间的工作，正在变得更快。

当然，AI不会去掉工程门槛。生态成熟度、工业验证、开发者心智和长期维护能力，仍然是一门语言能否走远的核心问题。所以，AI时代并不会让新语言“自动成功”，但确实会削弱一部分传统生态壁垒，把竞争重新拉回到语言和工具链本身。真正有机会的新语言，必须同时回答三个问题：模型能不能高效学会，生态能不能快速长起来，开发者愿不愿意在真实项目中采用。

从这个角度看，MoonBit的价值远不止是“又一门新语言”。它更像是在回答一个新的基础软件问题：当代码开始由人和AI共同生产时，一门语言应该如何设计自己的语法、工具链、验证能力和部署路径。对于AI时代的编程语言来说，这也许才是更关键的起点。

^参考链接

^{[1] Andrej Karpathy on X: “LLMs change the whole constraints landscape of software completely”}

^{https://x.com/karpathy/status/2023476423055601903}

^{[2] Greg Brockman on X: “rust is a perfect language for agents, given that if it compiles it"s ~correct”}

^{https://x.com/gdb/status/2007228511363444905}

^{[3] Bun PR #30412: Rewrite Bun in Rust}

^{https://github.com/oven-sh/bun/pull/30412}

^{[4] 量子位：《冷门新语言 AI 写不动？IEEE 论文：从零到及格线，MoonBit 给出完整训练路线》}

^{https://mp.weixin.qq.com/s/Ma_y7a5TNbJy64YK2Fh74Q}

^{[5] Alessandro Giagnorio, Alberto Martin-Lopez, Gabriele Ba vota. “No Resource, No Benchmarks, No Problem? Evaluating and Improving LLMs for Code Generation in No-Resource Languages.” arXiv:2606.16827, accepted by IEEE Transactions on Software Engineering.}

^{https://arxiv.org/abs/2606.16827}

^{[6] CSDN：《MoonBit 生态跨过万级门槛：开发者开始用它做浏览器、云组件、智能体和深度学习框架》}

^{https://mp.weixin.qq.com/s/N2Sr9s0vO0sa6Fo3fy0_oQ}

^{[7] 《当 AI 主宰写代码，MoonBit 嵌入「形式化验证」让 Bug 清零》}

^{https://mp.weixin.qq.com/s/CMh66hhpMVbKvwvnonWPRg}

^{[8] MoonBit 包管理网站}

^{https://mooncakes.io/}

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：中国底层创新打造AI时代编程语言新突破要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题