这是什么

Simon Willison 让 Claude 协助开发一个 SQLite 扩展，用于把“-$1,234.56”“12.5%”这类文本转换为可计算的数字。首轮结果中，Rust 扩展约 298—321 KB，C 扩展仅 14 KB；但 Rust 在部分解析场景反而更快，原因之一是其数字转换函数速度约为 C 标准库的同类函数两倍。

经过继续提示，Claude 重写 C 版本后，性能反超：处理 200 万行时，混合数据的每行新增成本从 67 纳秒降至 19 纳秒，小数场景从 106 纳秒降至 18 纳秒。这个案例的重点不是 C 一定优于 Rust，而是模型需要明确基准、反复测试，才能找到真正有效的实现。

行业怎么看

我们认为，这显示 Claude 已能完成从方案设计、编码到报告整理的连续任务，AI 辅助编程正在从补全代码走向交付小型工程成果。对企业而言，模型生成速度不再只是主要瓶颈，验证代码、定义测试条件和审查结果正成为新的工作重点。

风险也很清楚：首轮结果体积相差二十多倍，Rust 版本还因底层实现差异出现速度反常，说明模型给出的比较不能直接当作结论。若没有统一数据、性能基准和人工复核，AI 可能把一个可运行版本包装成看似完整、实际未经充分验证的方案。所谓“自主开发”，当前仍依赖人对质量和成本的判断。

对普通人的影响

对企业 IT：数据库周边的小工具、格式转换和数据清洗，已经适合交给模型生成初稿；团队应保留测试、权限检查与上线审批，而不是直接接入生产系统。

对个人职场：会写代码不再等于能交付软件。提出问题、拆解指标、验证结果，正在成为专业工作的重要部分，这些能力也会扩展到流程自动化和数据分析。

对消费市场：面向普通用户的轻量应用会更快出现，但背后仍可能隐藏兼容性、性能和维护成本。判断工具是否可靠，应看其测试与实际表现，而不只是演示效果。