Rust 语言服务器(RLS)开源项目最佳实践
1. 项目介绍
Rust 语言服务器(RLS)是一个运行在后台的服务器,为 IDE、编辑器和其他工具提供关于 Rust 程序的信息。它支持诸如“转到定义”、“符号搜索”、“格式化”和“代码补全”等功能,并能够进行重命名和重构。
RLS 从编译器获取精确和完整的数据,尽可能使用这些数据。在代码补全和构建过程过慢时,它会使用 Racer。由于 Rust 编译器尚未支持端到端的增量编译,RLS 无法提供完美的体验。但是,通过优化对编译器的使用并回退到 Racer,RLS 可以在中小型 crates 中提供相当不错的体验。
RLS 设计为前端独立,希望能够被不同的编辑器和 IDE 广泛采用。为了促进开发,项目提供了一个 RLS 前端的参考实现,适用于 Visual Studio Code。
2. 项目快速启动
以下步骤将帮助您快速启动 RLS 项目:
安装 rustup
您可以在多种平台上安装 rustup,这将帮助您快速安装 RLS 及其依赖项。
如果已经安装了 rustup,请更新以确保拥有最新的 rustup 和编译器:
rustup update
如果您打算使用 VSCode 扩展,可以跳过第 2 步。
安装 RLS
安装 rustup 后,运行以下命令:
rustup component add rls rust-analysis rust-src
如果遇到错误提示 “component 'rls' is unavailable for download (nightly)”,可以按照提示查找特定日期的 nightly 版本进行安装。
运行 RLS
RLS 支持与多种 IDE 和编辑器配合工作,我们主要使用 VSCode 进行测试。最简单的方式是使用发布的扩展。
当在状态栏底部看到旋转的指示器时,您就知道 RLS 正在工作了:
RLS: working ◐
当看到以下信息时:
RLS
您就可以使用完整的特性集了。您可以使用“转到定义”、“查找所有引用”、“重命名”、“转到类型”等功能。补全功能也可以通过 Racer 提供的启发式方法来使用。当您输入代码时,代码将被检查,并在发生错误时报告错误下划线。您可以悬停在这些下划线上查看错误文本。
3. 应用案例和最佳实践
以下是使用 RLS 的一些应用案例和最佳实践:
- 项目配置:使用 Visual Studio Code 扩展时,通过工作区的
settings.json文件进行配置。确保合理配置rust对象中的选项,以影响 RLS 的操作和项目的构建。 - 代码补全:启用
racer_completion选项以使用 Racer 进行代码补全。 - 构建优化:根据项目大小和需求,配置
build_on_save、wait_to_build等选项,以优化构建过程。
4. 典型生态项目
RLS 是 Rust 生态系统中的重要项目之一。以下是一些与之相关的典型生态项目:
- rust-analyzer:RLS 的替代品,提供了更强大的功能。
- Racer:一个用于 Rust 的代码补全工具,RLS 使用 Racer 作为后端之一。
- Cargo:Rust 的包管理器和构建工具,RLS 与 Cargo 密切集成。
通过遵循这些最佳实践,您可以更有效地利用 RLS 改进 Rust 项目的开发和维护。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust012
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00