学习路径可视化：用 AI 给自己生成 Rust 技能树和薄弱点热力图

学习路径可视化用 AI 给自己生成 Rust 技能树和薄弱点热力图一、自学最大的盲区不知道自己哪里薄弱我自学 Rust 半年左右时出现了明显的木桶效应。所有权、借用、生命周期这些我花大量时间练习感觉还行但async、unsafe、宏编程、FFI 这些我完全没碰过。同时Itertools、rayon这些常用生态库我也只是听说过没真正用过。问题是我甚至说不清楚自己的薄弱点是什么——因为没有系统性的评估框架。于是我想到一个办法让 AI 根据 Rust 的知识体系从我 GitHub 仓库和项目经历中提取我的技能图谱再画一张薄弱点热力图。这篇文章分享完整的做法。flowchart TD A[收集数据来源] -- B[GitHub 仓库\n提交记录、Cargo.toml] A -- C[本地项目\n代码量、依赖分析] A -- D[学习笔记\n文档、博客记录] B -- E C -- E D -- E E[AI 分析] -- F[生成技能树结构\nRust 知识体系] E -- G[标注掌握程度\n熟练/了解/薄弱/未知] E -- H[生成薄弱点热力图\n按主题分组] F -- I[制定下阶段学习计划] G -- I H -- I二、第一步构建 Rust 知识体系框架我先让 AI 列出 Rust 完整的知识体系。不用太学术但要覆盖够广mindmap root((Rust 技能树)) 基础语法 变量与类型 所有权与借用 生命周期 模式匹配 Trait 与泛型 Error Handling 核心生态 Cargo 构建系统 crates.io 生态 serde 序列化 tokio 异步运行时 clap CLI 框架 高级特性 async/await Pin/Unpin 宏编程 unsafe Rust FFI 外部接口 const 泛型 工程能力 模块与包管理 测试与文档测试 CI/CD 配置 性能分析与优化 交叉编译 WASM 编译 领域知识 网络编程 系统工具开发 CLI 应用设计 嵌入式开发三、第二步用代码分析自己的项目AI 帮不上忙的部分是我的代码里真用过什么。我自己写了个 Python 脚本分析项目中的 Rust 代码特征分析 Rust 项目提取使用的语言特性 import os import re from collections import Counter features_used Counter() patterns { async/await: r\basync\sfn\b|\.await, unsafe: r\bunsafe\s\{, derive宏: r#\[derive\([^)]\)\], 过程宏: r#\[[a-z_]::[a-z_]\], 生命周期标注: r[a-z_]|[a-z_], 泛型: r[A-Z][A-Za-z0-9_]*, 错误处理: rResult|\.context\(|\.map_err\(|thiserror|anyhow, 迭代器链: r\.iter\(\)\., # 简化版检测 } def analyze_rust_file(filepath): 分析单个 .rs 文件 with open(filepath) as f: content f.read() for feature, pattern in patterns.items(): if re.search(pattern, content): features_used[feature] 1 def scan_project(root_dir): 递归扫描 Rust 项目 for dirpath, _, filenames in os.walk(root_dir): if target in dirpath: # 跳过编译产物 continue for fname in filenames: if fname.endswith(.rs): analyze_rust_file(os.path.join(dirpath, fname)) if __name__ __main__: scan_project(/path/to/your/rust/project) print(语言特性使用统计) for feature, count in features_used.most_common(): print(f {feature}: {count} 次)跑出来的结果类似语言特性使用统计 derive宏: 47 次 错误处理: 38 次 迭代器链: 25 次 泛型: 18 次 生命周期标注: 12 次 async/await: 6 次 unsafe: 0 次 过程宏: 0 次当unsafe: 0 次、过程宏: 0 次这种数据出现时就是明确的薄弱点信号。踩坑正则匹配的假阳性和假阴性这个 Python 分析脚本其实有点糙。第一版的正则async\sfn\b匹配到了注释里的// async fn foo误报了一次。迭代器链的正则\.iter\(\)\.漏掉了iter_mut()和into_iter()的写法。修正后需要把模式库维护得足够全否则统计结果会误导自己的判断。另一个问题是粒度。derive宏统计了 47 次使用但它不分你是#[derive(Debug)]这种入门级还是#[derive(serde::Serialize)]这种进阶级。如果不细分热力图反映不出真实的熟练度层次。后来我把derive拆成了基础 derive和第三方 derive两个指标。四、第三步生成薄弱点热力图基于分析结果我把技能树上的每个节点标注了掌握程度flowchart TD subgraph strong[熟练掌握深绿] S1[所有权与借用] S2[模式匹配] S3[Cargo 构建] S4[serde] end subgraph moderate[基本了解浅绿] M1[生命周期标注] M2[Traits 与泛型] M3[clap] M4[tokio 基础] end subgraph weak[薄弱/刚接触黄色] W1[async 深层] W2[Pin/Unpin] W3[WASM] W4[交叉编译] W5[macro_rules!] end subgraph unknown[完全没碰过红色] U1[unsafe Rust] U2[过程宏] U3[FFI] U4[嵌入式] end strong -- moderate moderate -- weak weak -- unknown四、根据热力图制定学习计划有了热力图下一步就是制定优先级。我的原则是flowchart LR A[标记为红色/黄色的节点] -- B{这个技能对我\n当前项目有价值吗} B --|有直接价值| C[立即学习] B --|有储备价值| D[列入下月计划] B --|没有| E[标记为 后续关注]我的当前规划优先级技能原因P0 立即async深层Stream/SelectAI CLI 流式调用需要P1 本月过程宏入门想写一个#[derive(Builder)]练习P1 本月交叉编译到 ARM要在树莓派上跑工具P2 下月unsafe基础理解底层原理不是要写P3 关注FFI 调用 C 库目前没有需求这个方法我用了三个月对比之前的凭感觉学有明确的提升学完一个薄弱点的平均时间从 12 天缩短到 4 天。不是因为变聪明了而是因为不再学那些看起来重要但暂时用不上的东西。之前花两周啃了const泛型结果半年没用到用热力图方法论后优先攻async/await的深层用法——两周后在项目中就用上了。五、总结这个方法的核心思想是不要凭感觉判断自己的水平用数据说话。具体步骤可以总结为四步建框架让 AI 列出完整的知识体系避免遗漏拉数据分析自己的代码仓库统计语言特性的实际使用频率画热力图根据使用频率映射掌握程度一目了然定计划按对当前项目的直接价值排优先级而非按系统性的从基础到高级自学的朋友这个方法特别推荐给你。我们没有导师带着规划路线但 AI 数据可以充当这个角色。你有自己的学习路径规划方法吗欢迎在评论区分享。