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智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00