本文翻译自 Perl mit AI — Richard Jelinek — GPW 2026，原载于 Hacker News。

引言

Richard Jelinek 是一位使用 Perl 进行 AI 开发数十年的资深程序员。在 2026 年德国 Perl Workshop（GPW 2026）上，他做了一个令人印象深刻的演讲，主题是：把谓词反过来——让 AI 来写 Perl。

“I have been doing AI with Perl for a few decades. Now — 3 decades into Perl — I think it is time to turn the predicate around and let AI do Perl.”

这句话道出了演讲的核心思想：不再只是用 Perl 写 AI，而是让 AI 来帮助写 Perl。

背景故事：从智能家居到 AI 编程

演讲的前半部分，Jelinek 分享了他过去十年的一些项目经历。他设计并建造了一套完全离网的智能家居系统（Villa-A），配备：

• 40 kWp 太阳能板
• 120 kWh LiFePO4 电池组
• 地源热泵
• 毛细管天花板采暖/制冷系统
• 完整的 DALI 照明控制

这套系统需要一个自动化控制系统，但他尝试了现有的解决方案都不满意：

• MisterHouse：Perl 写的，但 2017 年就停止更新了
• FHEM：Perl 写的，但架构设计有问题（”We do not like CPAN”、”Tests? That’s superfluous work!”）
• Home Assistant：Python 写的，不够 “Perl”

于是他决定自己造轮子——WHIP (Witty House Infrastructure Processor)。这套系统使用 CAN 总线、STM32 微控制器、FreeRTOS，以及 Perl 作为上层控制语言。

在这个过程中，AI 帮他写了大量的代码：

• Modbus 和 CANbus 工具
• 各种 API 接口（Discord、Reddit、Twitter、Kraken、Ollama、Proxmox…）
• SNMP::MIB::Compiler（99.2% 的 MIB 解析通过率，比 Python 和 Go 的实现都好）
• Grpc::FFI（326 个测试通过，零内存泄漏）

但这些都只是前奏，真正的主角是 pperl。

pperl：用 Rust 重写的 Perl 5 解释器

历史背景

在 Perl 5 的历史上，有过多次重写尝试：

“Common failure mode: underestimating Perl 5’s complexity” 常见的失败模式：低估 Perl 5 的复杂性

pperl 的目标

• 兼容性：追求与 Perl 5.42 的最大兼容
• 性能：追求 V8 级别的性能
• XS：不使用 XS，而是用原生 Rust 实现
• 平台：仅支持 Linux

目前状态：

• 22,000+ 测试
• 61-400 个失败（取决于如何计算）
• 性能表现：有好有坏，也有惊艳的

核心特性

1. 自动并行化（Autoparallelization）

使用 Rust 的 Rayon 库实现数据并行：

# 这段代码会自动并行执行
my @results = map { expensive_computation($_) } @large_list;
# 不需要 threads、MCE 或 forks
# pperl 检测安全的循环 → Rayon 处理其余部分

启用条件：

• 使用 --parallel 标志
• 列表元素 ≥ 1000
• 没有共享变量修改

2. JIT 编译

使用 Cranelift 作为 JIT 后端：

1. 解释器正常运行，同时分析热点代码路径
2. 检测到热点循环 → 降级为 Cranelift IR
3. Cranelift 编译为原生机器码
4. 下一次迭代直接执行原生代码——零分发开销

Mandelbrot 基准测试结果：

完整嵌套循环 JIT：

JIT + 自动并行（8 线程）：

“Perl. With JIT. That’s a sentence nobody expected.” Perl 加上 JIT。没人想到会有这种句子。

3. 自动 FFI（Auto-FFI）

不需要 XS、Inline::C 或编译，直接调用 C 库：

# Layer 0 —— 原始模式：任意库，你需要提供类型签名
use Peta::FFI qw(dlopen call);
my $lib = dlopen("libz.so.1");
my $ver = call($lib, "zlibVersion", "()p");
say "zlib: $ver"; # 1.3.1

# Layer 1 —— 预制模式：精选的函数签名，零配置
use Peta::FFI::Libc qw(getpid strlen strerror uname);
say strlen("hello"); # 5
my @info = uname();
say "$info[0] $info[2]"; # Linux 6.18.6-arch1-1

# Layer 2 —— 发现模式：扫描系统中的所有库
use Peta::FFI qw(scan dlopen call);
my $libs = scan();
say scalar(keys %$libs), " libraries found";

4. 字节码缓存（.plc）

类似 Python 的 .pyc，但用于 Perl：

# 默认：不缓存（适合开发）
$ pperl script.pl

# 启用：编译一次，后续运行从缓存加载
$ pperl --cache script.pl

# 清除所有缓存
$ pperl --flush

模块加载成本降低 33-37%。

5. 守护进程化（Daemonize）

类似 Emacs 的 daemon/client 模式：

$ pperl --daemon script.pl  # 编译、预热、监听
$ pperl --client script.pl  # 连接 → fork → 运行 → 响应
$ pperl --stop script.pl    # 清理关闭

通过 fork() 实现请求隔离，每个请求获得全新的地址空间，同时继承已编译的内存区域——零 I/O，零解析，零反序列化。

AI 的角色：导航员与执行者

Jelinek 强调，AI 不会独自完成这一切。成功的公式是：

人类：策略、架构、学习路径、优先级 AI：执行、文档、模式学习、迭代

以 gRPC 为例：

• 他决定”先做 UUID，然后 SQLite，最后 gRPC”
• AI 执行每个阶段，记录经验教训，逐步升级

“Without the navigator — the AI builds impressive things that go nowhere. Without the AI — the navigator doesn’t have enough hours in the day.”

没有导航员，AI 会构建出令人印象深刻但无处可去的东西。 没有 AI，导航员一天中没有足够的小时数。

兼容性：追求极致

Jelinek 分享了一个关于 $,（OFS）和 $\（ORS）在 print 中的行为差异的 bug 修复案例。

perl5 对两者的检查方式不同：

// perl5 — $, (OFS)
if (SvGMAGICAL(ofs) || SvOK(ofs))
// 检查 get-magic 和 ok-flags

// perl5 — $\ (ORS)
if (PL_ors_sv && SvOK(PL_ors_sv))
// 只检查 ok-flags，不检查 get-magic

pperl 最初对两者使用了相同的检查掩码，这是错误的。实际触发这个问题的概率几乎为零，但他们还是修复了它。

“The depth of compatibility is the product’s guarantee.” 兼容性的深度是产品的保证。

何时使用 pperl

适合：

• 受益于 JIT 和/或自动并行化的工作负载
• 使用原生内置模块的脚本（50+ Rust 模块，速度快）
• 快速启动——本身就比 perl5 快约 2 倍，加上 –cache 更快
• pperl 特有功能：Auto-FFI、Daemonize、Bytecode Cache
• 安全性：不同的代码库——不太可能与 perl5 共享 CVE
• 较小、不太复杂的脚本

暂不适合：

• 大型、复杂的代码库——pperl 与 perl5 的边缘情况可能不同
• 如果不想修改代码，继续使用 perl5

经验法则：脚本越长越复杂，就越可能遇到边界情况。

彩蛋：psh——交互式 Perl Shell

演讲最后还展示了一个交互式 Perl shell：

ls "-la";      # 就是一个子程序调用
cd "/tmp";     # chdir 包装
ps "aux";      # 系统命令

# 但你已经在脚本语言中：
for my $f (glob("*.log")) {
    if (-M $f > 7) {
        rm $f;
        say "cleaned $f";
    }
}

支持对象管道——传递数据结构而非文本：

ps() | grep { $_->{mem} > 100_000 }
    | sort { $b->{cpu} <=> $a->{cpu} };

PowerShell 的哲学 + Perl 的文本处理能力 + pperl 的 JIT 速度

总结

这次演讲展示了一个令人兴奋的未来：AI 不仅能帮助我们写代码，还能帮助我们重新实现整个编程语言。pperl 项目证明了：

1. AI 可以处理极端复杂性——Perl 5 是出了名的复杂，但 AI 能够理解并重新实现它
2. 人机协作是关键——人类提供方向，AI 提供执行力
3. 性能提升可以是革命性的——431 倍甚至 580 倍的性能提升不是渐进式的改进，而是范式转移
4. 兼容性可以被认真对待——即使是最小的边缘情况也被修复

项目地址：perl.petamem.com

这是一次令人印象深刻的工程实践，也是对”AI 时代程序员该如何定位自己”这个问题的一个回答：我们不是被替代，而是被赋能——前提是我们知道该往哪里走。