Muru:Rust重做Python应用服务器

mod_wsgi 作者 Graham Dumpleton 发布 Muru,用 Rust 构建 Python 应用服务器,并借助 AI 完成开发。它真正值得关注的不是语言重写,而是服务器控制层与 Python 业务层的重新分工。
mod_wsgi 作者的新项目,这次把服务器外壳换成了 Rust
11 月 21 日,mod_wsgi 作者 Graham Dumpleton 公开了新项目 Muru,尝试用 Rust 重新构建面向 Python 应用的服务器;截至今天 11 月 22 日,这个项目仍处于非常早期的公开阶段,但已经因为两个标签引起开发者关注:一是出自资深 Python Web 基础设施作者之手,二是开发过程大量使用了 AI 辅助。
Muru 是一个以 Rust 构建服务器核心、用于承载 Python 应用的实验性应用服务器。 它要解决的不是如何让大模型进入 Web 请求链路,也不是把 Python 业务代码自动翻译成 Rust,而是把连接处理、生命周期管理和并发调度等服务器职责放到更适合系统编程的语言中,同时保留 Python 作为应用开发语言。
这个区别很重要。Muru 所说的 AI-assisted,首先描述的是软件如何被开发,而不是服务器在运行时提供了什么 AI 能力。换句话说,它不是一个 AI 网关,也不是带模型推理功能的 Python Server;它是一个由 AI 深度参与开发的 Rust 基础设施项目。

真正值得关注的不是重写,而是分层
Muru 的核心判断是:Python 可以继续写业务,但不必包办整个服务器运行时。 这也是过去几年 AI 与 Python 基础设施逐渐形成的一条清晰路线——开发接口继续留在 Python,性能敏感、并发复杂和内存安全要求高的部分则交给 Rust。
Python 在模型训练、数据处理和 Web 开发中的优势,来自成熟生态和极低的表达成本。开发者可以快速组合 Django、Flask、FastAPI、PyTorch 与各种模型 SDK,但当系统进入高并发生产环境,问题往往不再出现在业务函数本身,而是出现在连接接入、请求排队、超时取消、进程回收、内存占用和尾延迟上。
Rust 的价值并不是让每一段 Python 代码都跑得更快,而是让服务器边界变得更可控。 Rust 没有垃圾回收停顿,所有权系统能够在编译期约束大量内存错误,其异步生态也适合处理长连接和高并发 I/O。对于应用服务器来说,这些能力通常比单次函数调用快了多少微秒更重要。
不过,Muru 并没有因此消除 Python 的运行时成本。如果一次请求的大部分时间都花在 Python 模板渲染、同步数据库查询或 CPU 密集计算上,仅仅把外层 HTTP Server 改成 Rust,不会让业务逻辑凭空获得数倍性能。
Rust 外壳无法自动绕过 Python 的全局解释器锁。 Python 3.14 已把 free-threaded build,即可选的无 GIL 构建,推进到正式支持阶段,但它依然不是所有生产环境的默认选择,第三方扩展的兼容性和性能特征也仍需逐项验证。只要应用继续运行在传统 CPython 模式下,Python 代码的并行执行约束就仍然存在。
因此,评价 Muru 不能只问一句“Rust 是否比 Python 快”,而应该拆成三个问题:
- Rust 接管了请求链路中的哪些部分;
- Python 应用与 Rust 服务器之间需要付出多少跨语言调用成本;
- 在真实业务负载下,吞吐量、P99 延迟和内存占用是否同时改善。
它与 mod_wsgi 的关系,更像一次架构换代
mod_wsgi 是一个把符合 WSGI 规范的 Python Web 应用托管到 Apache HTTP Server 中的模块。 它诞生于传统同步 Web 应用占主流的时代,优势是能够直接利用 Apache 已有的进程模型、权限控制、TLS、虚拟主机与运维体系。
Muru 则代表了完全不同的基础设施背景。今天的 Python 服务不仅要处理普通 HTTP 请求,还经常面对流式响应、WebSocket、SSE、模型生成任务和持续数十秒的长连接。服务器必须正确处理取消、背压、优雅关闭和慢客户端,而这些工作正适合由一个资源模型更明确的系统层承担。
从 mod_wsgi 到 Muru,变化的不是简单把 C 换成 Rust,而是从依附通用 Web Server 转向为 Python 应用重新设计服务器边界。 Apache 模块强调与成熟 Web Server 集成,新的 Rust Server 路线则更强调独立部署、可预测的资源管理,以及针对现代应用协议重新组织调度逻辑。
这也解释了为什么 Graham Dumpleton 的身份比普通 Rust 新项目更有分量。mod_wsgi 长期面对的正是 Python 解释器嵌入、子解释器、进程隔离、应用重载和请求生命周期等难题;Muru 并不是一个只做过 Demo 的开发者突然开始重写服务器,而是老问题的长期参与者换了一套工具重新回答问题。
Muru 并不是第一款 Rust + Python 服务器
Granian 是目前与 Muru 路线最接近的成熟参照物,它使用 Rust 构建服务器核心,并面向 WSGI、ASGI 与 RSGI 应用。 此外,Uvicorn 已经是 Python ASGI 生态中的事实标准之一,Gunicorn 则仍广泛承担传统 WSGI 应用的多进程管理工作。
把几个项目放在一起看,Muru 当前最大的优势并不是已经证明了性能,而是作者对 Python 应用托管问题的长期经验;它最大的短板也很明确——项目太新,尚缺少稳定版本、长期生产案例和可复现的跨产品基准。
| 产品 | 核心实现路线 | 主要应用接口 | 当前定位 | 公开价格 | 现阶段判断 | |---|---|---|---|---:|---| | Muru | Rust 服务器核心承载 Python 应用 | 以项目公开支持范围为准 | 早期实验性项目 | 0 美元,开源软件 | 架构值得观察,暂不应直接替换关键生产系统 | | mod_wsgi | Apache 模块托管 CPython | WSGI | 成熟传统部署方案 | 0 美元,开源软件 | 稳定,但设计背景偏同步 Web 时代 | | Gunicorn | Python pre-fork 进程模型 | 原生面向 WSGI | 成熟 WSGI 进程管理器 | 0 美元,开源软件 | 简单可靠,性能上限依赖 Worker 与应用负载 | | Uvicorn | Python ASGI Server,可组合高性能事件循环与解析器 | ASGI | 主流异步 Python Server | 0 美元,开源软件 | 生态成熟,FastAPI 等框架常用选择 | | Granian | Rust HTTP Server + Python 运行时桥接 | WSGI、ASGI、RSGI | 已有实际用户的 Rust 路线 | 0 美元,开源软件 | 是 Muru 最直接的技术与性能参照物 |
截至 11 月 22 日,公开信息里还没有足够统一的 Muru 基准数据,可以支持“比 Uvicorn 或 Granian 快多少”的结论。 没有统一硬件、Python 版本、Worker 数量、连接复用策略和响应体大小的跑分,单独比较 requests per second 几乎没有意义。
真正有参考价值的测试至少应该同时报告以下指标:
- 固定 CPU 核心数下的每秒请求数;
- P50、P95 和 P99 响应延迟;
- 空闲与高负载状态下的常驻内存;
- 长连接和慢客户端场景下的资源占用;
- Worker 崩溃、应用重载和优雅关闭时的请求损失;
- Python 密集型、I/O 密集型与纯静态响应三类负载。
如果未来 Muru 只在“返回固定文本”的测试中领先,那证明的主要是 Rust HTTP 层更轻,而不是 Python 应用整体更快。只有当它在真实框架、数据库访问和流式响应中仍能降低 P99 延迟,重写才真正产生生产价值。
AI 辅助开发是亮点,也是风险来源
AI-assisted software development 是指模型参与代码生成、重构、测试和文档编写,但最终软件责任仍由维护者承担。 Muru 的特殊之处,在于 AI 不只是补全几行样板代码,而是帮助一位有深厚 Python 与服务器经验的开发者跨越 Rust 的学习和实现门槛。
这种组合可能比“Rust 新手独立写基础设施”更有效。Graham Dumpleton 清楚应用服务器应该处理哪些异常路径,也知道 Python 嵌入和进程模型会在哪里出问题;AI 则可以快速给出 Rust 类型、异步接口和工程结构的初稿。领域专家负责提出正确问题,模型负责压低陌生语言的表达成本,这是当前 AI 编程最有价值的使用方式之一。
AI 能提高代码产出速度,却不会自动提高基础设施软件的可信度。 应用服务器的危险问题往往不在主流程,而在竞态条件、取消安全、文件描述符泄漏、信号处理、请求走私、依赖漏洞和异常关闭等边角区域。这些问题很难通过“程序能编译、测试能通过”完全覆盖。
对于 Muru 这样的底层项目,后续至少需要建立四道验证线:
- 使用 Rust 静态检查、依赖审计和最小化 unsafe 代码;
- 对 HTTP 解析、超时和请求边界进行模糊测试;
- 对 Python 异常、Worker 崩溃和重复重载进行压力测试;
- 由熟悉 Rust 异步运行时与 Python 嵌入机制的维护者进行人工审查。
这也是 Muru 比普通 AI 生成应用更值得研究的地方。它正在测试一个更现实的问题:AI 能否让资深基础设施作者在不熟悉的系统语言中保持原有判断力,而不是测试模型能否一次性生成一个看起来能运行的 Web Server。
Rust 正在接管 AI 和 Python 系统的“外围重活”
Rust 在 AI 基础设施中的主要角色,是承担性能敏感的外围组件,而不是取代 Python 的模型与数据生态。 Hugging Face Tokenizers、部分推理路由器、数据处理引擎和向量检索组件都遵循类似分工:Python 提供开发者接口,Rust 负责解析、调度、并发或内存密集型任务。
应用服务器正好位于这条边界上。它向上面对 Python 框架,向下处理操作系统线程、Socket、信号和进程;既需要兼容 Python 开发体验,又需要接近系统层的资源控制。相比把整个业务项目重写为 Rust,把这一层抽出来通常更现实。
但 Rust 也不是天然胜利者。一个服务器项目是否成功,最终取决于协议兼容性、故障恢复、部署体验、监控指标、文档质量和维护节奏,而不是 Cargo 构建成功之后的微基准成绩。过去已经有采用 Rust 路由层的 AI Serving 项目进入维护或归档状态,这说明语言优势无法替代社区和产品判断。
Muru 眼下更像一个方向明确的技术预览,而不是可以立即替换现有部署栈的成熟产品。 对普通 FastAPI 或 Django 团队来说,现在没有必要因为“Rust”三个字迁移;对正在研究 Python Server、ASGI 调度或 AI 编程工作流的开发者来说,它却值得尽早跟踪。
谁应该现在关注 Muru
基础设施团队最适合把 Muru 当作架构样本和测试对象,而不是直接当作默认生产方案。 特别是已经遇到长连接规模、Worker 内存开销、尾延迟或进程重载问题的团队,可以用自己的真实业务负载建立对照测试。
适合立即关注的人包括:
- 维护 Python Web 框架、ASGI Server 或应用托管平台的开发者;
- 正在评估 Rust 与 Python 混合架构的基础设施团队;
- 需要处理 SSE、WebSocket 和长时间生成任务的 AI 应用团队;
- 研究 AI 辅助系统编程如何进行代码审查与质量控制的工程负责人。
不适合立即迁移的场景也很清楚:
- 现有 Gunicorn、Uvicorn 或 mod_wsgi 部署稳定,没有明确性能瓶颈;
- 团队无法维护 Rust 与 Python 两套调试链路;
- 业务依赖尚未确认兼容的服务器扩展或特殊部署行为;
- 需要长期支持承诺、成熟监控和大量生产案例的关键系统。
Muru 能否站住脚,未来几个月要看兼容性、基准测试和维护节奏,而不是首发热度。 如果它能把 Graham Dumpleton 在 mod_wsgi 中积累的运行时经验转化为更现代的独立服务器设计,并用可复现数据证明 Rust 控制层确实降低了资源消耗与 P99 延迟,它会成为 Python Web 基础设施里一个重要的新选项。
反过来,如果项目只证明 AI 能快速生成大量 Rust 代码,却没有建立稳定接口、故障测试和生产用户,那么 Muru 的意义就主要停留在一次有趣的 AI 编程实验。
现阶段最合理的结论是:Muru 没有重写 Python,但它正在重写 Python 应用与服务器之间的分工方式;AI 也没有替代资深工程师,而是在帮助资深工程师更快进入原本陌生的技术栈。
参考来源
- Muru GitHub 项目:项目代码、安装说明、支持范围与后续版本变化应以仓库为准。
- mod_wsgi GitHub 仓库:Graham Dumpleton 长期维护的 Apache Python Web 应用托管模块。
- Granian GitHub 仓库:使用 Rust 构建的 Python 应用服务器,可用于对比 Muru 的技术路线。
- Uvicorn GitHub 仓库:主流 Python ASGI Server,也是评估新服务器兼容性与性能时的重要基线。
- Gunicorn GitHub 仓库:成熟的 Python WSGI HTTP Server 与 pre-fork 进程管理方案。
- Rust 社区关于 Python 服务迁移到 Rust 的讨论:讨论 Rust 重写的收益是否来自跑分,以及可维护性和运行时行为的重要性。



