AI 写代码的时代,Python 还有必要学吗?

点击上方卡片关注我

If AI Writes Your Code, Why Use Python?，这个标题从 HN 首页砸下来的时候，评论区已经吵翻了。

说实话，作为一个写了很多年 Python 的人，看到这个标题的第一反应是想反驳。

但看完整篇之后……就反驳不了了。

因为他说的每一个论点都有真实案例撑着。不是理论推演，是已经发生的事。

核心论点：“难语言”对 AI 反而更容易

过去十年，选语言的逻辑很简单：写得快 > 跑得快。

Python 写得快，生态好，招人容易。Rust/Go 跑得快 10-100 倍，但学习曲线陡、招人难、开发慢，所以大家都选 Python，告诉自己以后再优化性能，然后永远不会。

但现在这个交易崩了，因为 AI 把“难语言”变简单了。

两年前 GPT-4 写 Rust 还会幻觉 crate 名字，到2026 年 4 月，Claude Opus 4.7、GPT-5.5、Gemini 3.1、DeepSeek V4 全部在 SWE-bench Verified 上超过 80%。

AI 实验室在公开优化系统编程能力：并发 bug、竞态条件、架构缺陷。

有人说了一句我觉得特别精准的话：

“

2026 年 Rust 最强的论据不是内存安全或性能，是 AI 写 Rust 比写 C++ 好，编译器反馈循环太紧了，模型可以实时自我纠正，每条错误信息都是免费的训练信号，Rust 在 10 年前意外地为 AI 辅助开发做了设计。

同样的逻辑适用于 Go 和 Swift，强类型系统 + 快编译 = 最紧的迭代循环，对人类最难的语言，对 AI 反而最简单。

一个季度内发生的事

这不是理论。以下是 2026 年 Q1-Q2 实际发生的事：

TypeScript 编译器用 Go 重写了

微软发布 TypeScript 7.0 beta，把十年历史的 TypeScript 编译器从头用 Go 写了一遍，速度比 6.0 快 10 倍，Anders Hejlsberg 的理由：Go 以更低的工程成本获得了大部分性能收益。

全球最大的 JS/TS 公司，为自己的旗舰工具选了一个“更难”的语言，因为付出的代价变了。

10 万行 Rust 写的 C 编译器，花费 $20,000

Anthropic 研究员 Nicholas Carlini 用 16 个并行 Claude Code agent，写了一个能用的 C 编译器，纯 Rust，能引导 Linux 6.9，能编译 QEMU、FFmpeg、SQLite、PostgreSQL、Redis，能跑 Doom。

总费用：不到 2 万美元，近 2000 个 Claude Code session。

以前这是研究生毕业论文级别的工作，现在不是了。

Ladybird 浏览器 JS 引擎：两周从 C++ 移植到 Rust

Andreas Kling 用 Claude Code 和 Codex，通过几百个小 prompt，把 25000 行 C++ 代码移植到 Rust，字节级别一致，65000+ 测试零回归。

同样的工作如果手动做，要花好几个月。

Steve Klabnik 两周写了一门新语言

Rust 官方书作者，13 年 Rust 经验。用 Claude 两周写了 70000 行 Rust，实现了一门叫 Rue 的新系统语言，他说：「两周走得比上次手写两个月还远。」

Python 生态的底层，早就不是Python了

你可能想说：Python 的优势不是语言本身，是生态，FastAPI、Django、PyTorch、Pydantic、Pandas，这些库解决了 90% 的问题。

但你翻开看看这些库的底层：

• Pydantic 的核心验证引擎 — Rust

• Polars（pandas 替代品）— Rust

• Hugging Face tokenizers — Rust

• orjson — Rust

• ruff、uv、ty（Astral 全家桶）— Rust

JetBrains 2025 Python 调查显示，用 Rust 写 Python 扩展的比例一年内从 27% 跳到 33%。

作者说了一句很狠的话：Python 生态越来越像一个戴着 Python 帽子的 Rust 生态。

而且这个趋势在加速，OpenAI 收购了 Astral，因为 uv 每周给 Codex 省了大约 100 万分钟计算，Anthropic 收购了 Bun，两家 AI 头部公司都在买 Rust 写的基础设施。

为什么修补丁不如直接移植

以前开源的正循环是这样的：你用 Python 写项目 → 发现依赖库有 bug → 提 PR 修复 → 生态变更健康，这个循环维持了 PyPI 和 npm 十年的繁荣。

但 AI 打破了这个循环。因为贡献单位从「修补丁」变成了「移植」。

Flask 作者 Armin Ronacher 用 AI 把他的 Rust 库 MiniJinja 移植到了 Go，总时间 10 小时，其中他自己监督 3 小时，剩下 7 小时 AI 无人值守，实际人工时间 45 分钟。API 费用 60 美元。

他说对他来说，价值正在从代码本身转向测试和文档，一套好的测试可能比代码本身更有价值。

如果跨语言移植只要 45 分钟，那为什么还要在别人的库里提 PR？直接 fork 一份用你想用的语言重写不就行了？

这个问题很恐怖。因为它意味着维持 PyPI/npm 生态的正循环可能会越来越弱。

所以 Python 真的要完了？

没有，但它的位置在变。

作者的观点其实不是「别用 Python」，而是以前选 Python 是因为「写得快」，现在这个优势没了，因为 AI 写什么语言都快。

那剩下的选择标准就变成了：

• 性能：Rust/Go 绝对优势

• 类型安全：Rust/Go/TypeScript 优势

• AI 可迭代性：Rust > Go > Python（编译器反馈越丰富，AI 迭代越快）

• 现有生态：Python 依然最强（ML/AI/数据科学）

Python 在 AI/ML 领域的地位短期内不会变，PyTorch、Transformers、LangChain 这些东西没有替代品，但如果你写的是 Web 服务、CLI 工具、基础设施，为什么不用更快的语言这个问题会越来越难回答。

写在最后

简单总结：AI 写 Rust/Go 的能力在 2026 年已经达到生产级，Python 生态的底层正在全面 Rust 化，写得快不再是 Python 的独占优势——但 Python 在 AI/ML 和快速原型领域依然是最成熟的选择，这不是一个该不该学 Python的问题，而是下一个项目用什么语言的问题，而这个问题的答案在 2024 年和 2026 年已经不一样了。

延伸阅读：medium.com/@NMitchem/if-ai-writes-your-code-why-use-python-bf8c4ba1a055