主要观点：

• 语言模型（LLMs）能生成越来越多代码，未来可能主要由计算机生成代码，这会改变我们对待库和代码维护的方式。
• 维护大型重要库很困难，如 TensorFlow 因技术债务和复杂的代码结构而难以维护和演进。
• 利用 LLMs 进行从 C 到 Rust 的移植是有效的策略，通过随机比较 C 和 Rust 输出进行模糊测试，可确保行为的保留。
• 虽然整体系统有效，但仍存在一些不足，如生成的 Rust 代码较“C 风格”、自动化不完全、适用于简单库等。

关键信息：

• 以 TensorFlow 为例说明大型库维护的问题及内部讨论的解决方案。
• 介绍了不同的代码生成工具和研究，如 Claude、Aider、c2rust、Syzygy 等。
• 详细阐述从 C 到 Rust 移植的过程，包括按拓扑顺序排序符号、创建 FFI 入口和 Rust 实现、编写模糊测试等。
• 分析该方法有效的原因，如选择简单库、模糊测试的作用等。
• 指出该方法的局限性，如 Rust 代码风格、自动化程度、适用库的类型等。

重要细节：

• TensorFlow 因设计缺陷和版本迁移问题导致代码复杂、运行缓慢、难以维护。
• Syzygy 利用机制实现库的移植，但运行速度慢且与 C 版本行为不完全相同。
• 第一次尝试从 C 到 Rust 移植效果不佳，暴露很多潜在错误。
• 第二次尝试有所改进，但仍需人工干预且结果与原始 C 实现有差异。
• 最终的移植过程更严格，按拓扑顺序端口化符号，使用模糊测试确保行为一致。
• 实验中大部分符号由 Gemini 自动移植，部分由 Claude 完成，人工仅做少量调整。