Runtime WebAssembly Sumber Terbuka Dibangun di MoonBit

Kami sedang membangun dua runtime WebAssembly di MoonBit sehingga agen AI menjalankan alat wasm yang dikompilasi dengan aman dan konsisten di semua platform.

Untuk memungkinkan agen AI menggunakan binari WebAssembly yang telah dikompilasi sebagai alat khusus tanpa masalah ketergantungan platform, kami mengembangkan dua runtime WebAssembly di MoonBit yang dikirimkan bersama alat tersebut.

Waktu proses pertama, wasm5adalah penerjemah yang didukung lintas platform Inti Majelis Web 1.0. Ini dirancang dengan tujuan sebagai berikut:

• Jejak ringan
• Waktu mulai yang cepat
• Kemampuan kotak pasir yang kuat

Pendekatan berbasis juru bahasa ini diprioritaskan portabilitas dan keamananmemungkinkan agen AI menjalankan perangkat yang dikompilasi wasm dengan aman di berbagai lingkungan tanpa memerlukan instalasi runtime atau konfigurasi sistem yang rumit.

Dengan menyediakan model eksekusi yang konsisten terlepas dari platform yang mendasarinya, wasm5 memungkinkan agen AI menggunakan alat khusus dengan keyakinan bahwa alat tersebut akan berperilaku sama pada sistem apa pun yang mereka dukung. Desain sandbox memastikan eksekusi alat tetap terisolasi dan aman, mencegah interaksi yang tidak diinginkan dengan lingkungan host.

Melengkapi wasm5, @Milky2018 telah berkembang wasmoonruntime WebAssembly yang dikompilasi JIT sekarang menargetkannya melengkung 64 platform. Menyukai wasm5itu mendukung Inti Majelis Web 1.0tetapi fokuslah pada performa melalui kompilasi just-in-time.

Pendekatan JIT menerjemahkan bytecode WebAssembly ke dalam kode mesin asli pada waktu proses, memungkinkan kecepatan eksekusi mendekati program kompilasi asli sambil mempertahankan portabilitas dan jaminan keamanan WebAssembly.

Bersama-sama, kedua runtime ini memberikan opsi penerapan yang fleksibel untuk berbagai skenario:

• wasm5 menawarkan kompatibilitas luas, sandbox yang tangguh, dan pengaktifan cepat untuk tugas ringan dan portabel.
• wasmoon memberikan eksekusi performa tinggi untuk beban kerja intensif komputasi pada arsitektur yang didukung.

Strategi dual-runtime ini memungkinkan agen AI memilih mesin eksekusi yang paling tepat bergantung pada persyaratan kinerja dan batasan penerapan.