四、与 Python AI 生态的对比视角 维度 Python (JIT/解释型) C# NativeAOT (编译型) 冷启动 秒级（依赖加载 + JIT） 毫秒级（原生机器码） 内存占用 高（运行时 + 依赖库） 极低（剪裁后仅含必要代码） 部署体积 数百 MB（Conda/容器） ~15MB（单文件可执行） 运行时依赖 Python + CUDA + 框架 零依赖（自包含） 推理性能 依赖底层 C++ 扩展 原生高性能 + 可调用 ONNX Runtime 开发效率 极高（生态丰富） 高（现代语言特性 + 强类型） 核心结论：NativeAOT 不是取代 Python 在 AI 研究/原型阶段的地位，而是破解 AI 运用从"实验室"到"生产线"的最后一公里——当模型已经训练好、需要稳定、高效、低成本地服务千万用户时，C# NativeAOT 提供了比 Python 更贴近硬件的部署路径。
第二个，vision 模式。有些 App 没做无障碍适配，界面元素全是"button"、"view"，Agent 根本分不清谁是谁。
下文以一个平台产品的 CLI 设计实践为例，对过程中的关键设计决策进行介绍，整体思路如下图： 一、编程语言 CLI 在开发语言选择上有几个硬指标： 单文件且无运行时依赖：Agent 的运行环境不可预测，可能是本地计算机、Docker 容器、远程 Linux 等，无法假设它装了正确的 Node 或 Python 版本，最好是下载一个二进制就能跑 可交叉编译：需要覆盖 macOS / Linux / Windows × amd64 / arm64，支持一套代码跨平台编译 启动快：Agent 会高频反复调用命令，静态语言是首选 几个候选对照： Node / TypeScript：生态好、写得快，但依赖目标机器有 Node 运行时，打包成单文件产物大 Python：同样受运行时和版本问题限制，分发是大问题 Rust：单二进制、性能好，各项都满足，但是开发效率和编译速度偏低 Go：单静态二进制，设置 CGO_ENABLED=0 后零依赖，交叉编译支持好，启动毫秒级，开发效率不错 最终选择 Golang 作为开发语言，并使用 Cobra 作为 CLI 框架，处理命令解析和路由。
1、洋葱出芽可以吃，洋葱出现发芽长芽情况时，营养成分会转移到发芽部分，会使洋葱的营养价值降低，不会产生有毒物质，因此，发芽的洋葱可以继续食用，只是口感较差。
001-0.02之间，有说0.001-0.03之间。不过没有找到详细的解析或说明。
再比如这个： User: arn:aws:sts::123456789012:assumed-role/app-role/session-name is not authorized to perform: kms:Decrypt 这里就不是单纯 S3 权限了。
一句话回顾 AI 让写代码快了 55%，但逻辑错误也多了 75%。模式匹配的部分被自动化了，需要理解的部分永远需要人——AI 降低的是编程门槛，不变的是对逻辑的思考。
NET DeflateStream 的对比 SpeedFirst vs .NET Fast： C# 移植版压缩比更高（5.