用 Rust 框架 Rig 写高性能 AI Agent（内存省 5 倍、可编译到 WASM）

# macOS / Linux
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
source "$HOME/.cargo/env"

# Windows：去 https://rustup.rs 下载安装器，或 winget install Rustlang.Rustup

# 验证
rustc --version
cargo --version

# 建一个二进制项目
cargo new my-first-agent
cd my-first-agent

# 加 Rig 与异步运行时 tokio
cargo add rig tokio --features tokio/macros,tokio/rt-multi-thread

# 设置 Key（以 OpenAI 为例）
export OPENAI_API_KEY="sk-..."

把 src/main.rs 整段替换为下面内容。记住 Rig 的方法分散在几个 trait 上，所以要先把 trait use 进来：

use rig::client::{CompletionClient, ProviderClient};
use rig::completion::Prompt;
use rig::providers::openai;

#[tokio::main]
async fn main() -> Result<(), Box> {
    // 1) 从环境变量读 Key，建 OpenAI 客户端
    let client = openai::Client::from_env()?;

    // 2) 选模型 + 系统提示词，build 出 Agent
    let agent = client
        .agent("gpt-5.5")                 // 方法来自 CompletionClient trait
        .preamble("You are a helpful assistant.")  // 系统提示词
        .build();

    // 3) 发一个问题，等回包
    let response = agent.prompt("What is the Rust programming language?").await?;
    println!("{response}");
    Ok(())
}

Rig 的工具参数和返回都是普通 Rust 类型，编译期就检查，比运行时解析稳：

use rig::completion::Tool;
use rig::providers::openai;

#[rig::tool]
async fn get_weather(location: String) -> String {
    format!("{location} 今天晴，26°C。")
}

#[tokio::main]
async fn main() -> Result<(), Box> {
    let client = openai::Client::from_env()?;
    let agent = client
        .agent("gpt-5.5")
        .preamble("你是天气助手，需要时用 get_weather 工具。")
        .tool(get_weather)        // 挂上工具
        .build();
    println!("{}", agent.prompt("北京今天适合出门吗？").await?);
    Ok(())
}

Rig 内置 EmbeddingsBuilder 和 10+ 向量库（Qdrant / MongoDB / LanceDB / SQLite 等）。最小可跑的 RAG：

use rig::providers::openai;
use rig::embeddings::EmbeddingsBuilder;
use rig::vector_store::in_memory_store::InMemoryVectorStore;

#[tokio::main]
async fn main() -> Result<(), Box> {
    let client = openai::Client::from_env()?;

    // 1) 把文档变成向量
    let model = client.embedding_model("text-embedding-3-small");
    let embeddings = EmbeddingsBuilder::new(model.clone())
        .document("Rust 用所有权模型在编译期保证内存安全。")?
        .document("Cargo 是 Rust 的包管理器。")?
        .build().await?;

    // 2) 放进向量库（这里用内存版，生产换 Qdrant 等）
    let store = InMemoryVectorStore::from_documents(embeddings);

    // 3) 让 Agent 在回答时自动检索 top-2
    let agent = client
        .agent("gpt-5.5")
        .preamble("用提供的上下文回答问题。")
        .dynamic_context(2, store)
        .build();
    println!("{}", agent.prompt("Rust 怎么保证内存安全？").await?);
    Ok(())
}

1) 流式（聊天 UI / CLI 友好）：
   let mut stream = agent.stream_prompt("写首关于 Rust 的诗").await?;
   while let Some(Ok(chunk)) = stream.next().await { print!("{chunk}"); }

2) 多厂商一套接口随便换：
   let openai_client = openai::Client::from_env();
   let anthropic_client = rig::providers::anthropic::Client::from_env();
   // 同样的 .agent().preamble().build() 写法，业务逻辑不变

3) 编译到 WASM，跑在边缘/浏览器：
   # 用 wasm-pack / wasm32 目标编译，得到可在边缘节点运行的 Agent 模块
   rustup target add wasm32-unknown-unknown
   cargo build --release --target wasm32-unknown-unknown