
开发者自建MIMER技术栈,将10种语言与GUI、3D引擎编译为单一无依赖原生程序
来源标题:Death to Dependency Hell: Why I Built My Own Stack
开发者因不满现代多语言应用需捆绑Electron、Node.js、CPython等约600MB运行时,构建了MIMERCode 1.40与MPC编译器组成的自有技术栈。该栈把10种编程语言、沙箱化I/O、声明式GUI和Vulkan 3D引擎编译成单一无依赖原生可执行文件,支持Windows、Linux x64、Linux ARM64乃至裸机ESP32。作者据此认为主流技术栈远比实际需要臃肿。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
看看今天要发布一个“现代”多语言应用得付出什么代价。你想要一个桌面 UI,一些可定制的 Python 或 JavaScript 业务逻辑,一个快速的 C 或 Fortran 数学例程,再加上一个 3D 视口。业界共识是:把 Electron 外壳、本地 Node.js 运行时、捆绑的 CPython 解释器、CFFI 绑定、外部 Vulkan SDK 工具链,可能再加一个 Docker 容器(防止 AI 生成的脚本把宿主系统搞崩)全部粘在一起。结果你为了执行 50KB 的实际逻辑,发布出去 600MB 的运行时。
我受够了。所以在即将发布的 MIMERCode 1.40 和 MIMER Polyglot Compiler(MPC)下一个 beta 版中,我问了一个反其道而行之的问题:
如果 10 种编程语言、一个带能力沙箱的 I/O 系统、一个声明式 GUI 和一个 Vulkan 3D 引擎,全部编译成一个无依赖的原生可执行文件呢?在 Windows 和 Linux x64 上,在 Linux ARM64 上,甚至一直到裸机的 ESP32 上?
这就是我构建的东西:我自己的完整技术栈,从底到顶,而主流答案是一堆别人的虚拟机。构建它的过程让我确信了一件令人不安的事:我们的主流技术栈远比需要的臃肿。
大多数用 AI 生成代码的团队,是在给 1990 年代设计的语言上外挂安全护栏。用 Pydantic 或 Zod 验证输入,用 LangGraph 或 Effect-TS 做重试,然后祈祷模型不会幻觉出一个 import subprocess,或者把信用卡号泄漏到堆栈跟踪里。
我的立场是:如果 LLM 要写我们一半的业务逻辑,而业务分析师要读它,那么验证、密钥密封和工作流编排就应该属于语言语法,放在 node_modules 够不着的地方。
MIMER 中所有 I/O 都通过一种 URI 模式和两个动词:open("file://...")、open("https://...")、serve("gui://...")。
从每个应用都需要的东西开始:GUI。你在 MimerCode 中以声明方式描述一次视图:它的状态、它的控件、它的事件处理器。然后你选择如何提供服务。renderer: "canvas" 打开一个原生桌面窗口。renderer: "html" 把同一个程序变成 Web 应用:它把相同的视图提供给任何浏览器,每个标签页都有自己独立的会话和状态,而且它可以在完全没有桌面的无头服务器上运行。一个程序可以同时做这两件事:给操作员一个原生窗口,给其他人一个浏览器 UI。你一行 HTML、JavaScript 或 CSS 都不用写,也没有单独的前端项目需要和后端保持同步,因为根本不存在前端项目。
围绕它的是应用会用到的其他一切,每一项都是一个通道,有着相同的 open / call / close 形态:
那是四十多个通道。其中少数几个本身就是引擎:
一个通道的速度也取决于它背后的引擎。你的代码直接调用编译好的、完全优化的原生代码,这些代码和你的程序链接在同一个可执行文件里。途中没有任何解释或序列化。
这一点恰恰在其他脚本技术栈栽跟头的地方最重要:3D 和 GIS。渲染器只有几毫秒的帧预算,要花在场景中每个对象的剔除、蒙皮、物理和光照上。空间引擎要遍历 R 树、三角化地形、在道路网络上做路径规划。在 MIMER 中,这些工作从不经过脚本循环或编组层。Vulkan 渲染器和 GIS 引擎以机器的速度运行,而驱动它们的语言——十种中的任何一种——只负责说明应该发生什么。
一些数字,来自我自己的工作负载,让你知道这里“原生速度”意味着什么。一个生成的港口城市,19,654 个对象、330 万个三角形,256 个行走角色,三个阴影级联,SSAO 和 TAA,1080p,在 Ryzen 9 9950X 配 RTX 5090 上每帧渲染 6.5 ms。把城市翻倍到 42,664 个对象和 730 万个三角形,每帧仍然落在 60 Hz 预算内。一个百万智能体的生态系统模拟,完全在用脚本编写的 GPU 计算内核中运行,保持每秒 62 帧。
对比如何?老实说:这不是 Unreal。没有 Nanite,也没有 Lumen。Scene3D 拥有的是现代核心,包括 forward+ 光照、PBR 材质、硬件光线追踪阴影、环境光遮蔽和反射、GPU 蒙皮、刚体物理和断裂,在一个你可以用十种语言驱动、并打包进自己可执行文件的引擎里。Unity 和 Unreal 是你在里面构建应用的产品。Scene3D 是你的应用打开的一个通道。
GIS 同理。它不是 PostGIS,也不试图成为 PostGIS。它提供的是应用真正需要的空间工作:精确的拓扑谓词、测地线测量、叠加、带基准面转换的重投影、拓扑清理、路径规划和地理编码,直接绘制到 3D 场景中。一个典型技术栈要覆盖这份清单,需要数据库服务器、GDAL、PROJ 和一个路径规划服务。在这里,就是一个 open("gis://")。
我希望能够把一个 GGUF 放在应用旁边,打开它,然后得到答案。在 MimerCode 中是这样的:
local Model := open("infer://") Model.LoadModel("Qwen3.5-9B-UD-Q8_K_XL.gguf") local Reply := Model.Generate("Explain this error in plain English.", dict{ "max_tokens": 128 }) println(Reply["text"]) close(Model)
这是我自己的张量引擎在 CPU 或 Vulkan 上运行模型,推理路径中没有 Python 或 llama.cpp。Qwen 只是一个例子。原生引擎已在 132 种 GGUF 架构上对照 llama.cpp 验证,包括 Llama、Qwen、Gemma、Mistral、DeepSeek 和 GPT-OSS 的变体,外加用于嵌入和重排序的编码器。对于未经验证的架构,它会按名称拒绝,而不是给出错误答案。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。