前言
作为一名专注于前端开发的工程师，过去想要构建桌面应用，Electron 几乎是唯一的主流选择。然而，Electron 的固有短板始终让人困扰：打包体积臃肿、内存占用居高不下。对于追求轻量和高效的工具型应用来说，这几乎是难以忽视的硬伤。
随着 Tauri 2.0 的正式发布，桌面应用开发终于迎来了一条更优的路径。不过，Rust 语言依然是绕不开的门槛——不少前端同行都曾因这门语言的学习曲线而望而却步。这篇文章将完整记录，在 AI 辅助编程的加持下，如何从一个完全零 Rust 基础的起点，逐步完成一个完整的 Tauri 2 桌面应用项目。
为什么选 Tauri 而不是 Electron？
先直接梳理一下两者的核心差异：
| 对比项 | Tauri | Electron |
|---|---|---|
| 打包体积 | ~10MB | ~150MB |
| 内存占用 | ~50MB | ~200MB+ |
| 后端语言 | Rust | Node.js |
| 安全性 | 更高 | 一般 |
具体的业务场景是开发一款视频处理工具，需要内置 ffmpeg、aria2 这类二进制依赖。如果基于 Electron 开发，加上这些依赖后，打包体积轻松就能突破 200MB。而 Tauri 的基础体积仅约 10MB，即便把所有工具都集成进去，最终体积也能控制在 60MB 左右。仅凭这一点，就足以让人坚定地选择 Tauri。
项目要做什么
简单来说，目标是打造一款视频离线下载工具，主要面向国内某主流视频平台。核心需求非常明确：
- 支持单视频、合集、分P 等多种格式
- 具备批量任务队列管理
- 提供多清晰度选择
- 实现多线程下载与断点续传
- 开箱即用，普通用户无需手动安装 Python、ffmpeg 等环境
最后一点尤为重要。市面上现有的许多工具要么需要配置运行环境，要么是基于命令行的操作方式，对普通用户来说实在不够友好。
技术方案
前端：Vue 3 + TypeScript + Element Plus
后端：Tauri 2 + Rust
下载引擎：yt-dlp + aria2 + ffmpeg（sidecar 内置）
踩坑实录
坑 1：Rust 所有权和生命周期
对于 Rust 新手而言，最大的障碍无疑是所有权和生命周期机制。刚开始编码时，各种借用检查的报错信息确实让人相当头疼。
AI 辅助工具在这里发挥了关键作用：Copilot 能够快速给出正确的代码写法，但有一个问题——如果不理解背后的原理，同样的错误很容易反复出现。所以我的经验是：让 AI 生成代码，但你需要主动去搜索「为什么这样写」。
// 错误示例：所有权已经转移
fn process(data: String) {
let result = data; // data 所有权转移给 result
println!("{}", data); // 报错！data 已经无效
}
// 正确写法：使用引用
fn process(data: &String) {
println!("{}", data); // OK
}
坑 2：Sidecar 打包外部工具
为了实现「开箱即用」的目标，需要把 yt-dlp、ffmpeg、aria2 这些外部二进制文件一同打包进应用。Tauri 提供了 Sidecar 机制来实现这一点：
// tauri.conf.json
{
"bundle": {
"externalBin": [
"binaries/yt-dlp",
"binaries/ffmpeg",
"binaries/aria2c"
]
}
}
但这里有一个容易忽视的细节：文件名必须包含平台后缀，例如 yt-dlp-x86_64-pc-windows-msvc.exe，否则打包时系统会找不到对应的文件。这个问题非常隐蔽，初次接触时很容易中招。
坑 3：Windows 中文路径编码
在 Windows 平台下调用外部命令时，如果文件路径包含中文字符，出现乱码几乎是必然的。
解决方案其实很直接：统一采用 UTF-8 编码格式，并在调用之前对路径进行预处理。
use std::os::windows::process::CommandExt;
Command::new("yt-dlp")
.creation_flags(0x08000000) // CREATE_NO_WINDOW
.arg("-o")
.arg(&output_path)
.spawn()
坑 4：异步任务与 UI 通信
下载操作属于耗时任务，必须采用异步执行，否则界面会直接卡死。同时，还需要将下载进度实时同步给前端展示。
Tauri 的 Event 机制恰好能够完美应对这一场景：
// Rust 侧发送进度
app_handle.emit("download-progress", ProgressPayload {
percent: 50,
speed: "1.2MB/s".to_string(),
})?;
// 前端监听
import { listen } from '@tauri-apps/api/event'
listen('download-progress', (event) => {
console.log(event.payload) // { percent: 50, speed: "1.2MB/s" }
})
AI 辅助开发的心得
经过大半年的 Copilot 深度使用，总结下来有几个关键经验值得分享。
适合交给 AI 处理的场景：
- 样板代码、重复性高的代码
- API 调用、类型定义
- 单元测试编写
- 不熟悉语言的语法转换
不能完全依赖 AI 的领域：
- 整体架构设计
- 复杂业务逻辑梳理
- 性能优化方案
- 理解「为什么这样设计」
AI 能让你更快地写出可运行的代码，但无法替代你进行深度思考。这一点始终没有改变。
最终效果
目前项目的表现相当不错，核心功能已经全部跑通：
- 支持单视频、合集、分P 下载
- 批量任务队列管理
- 多清晰度选择（4K/1080P/720P）
- aria2 多线程加速与断点续传
- 深色模式适配
- 应用内自动更新
回顾整个项目，最大的感悟是：Tauri 2 与 AI 辅助工具的结合，确实大大降低了桌面应用开发的入门门槛。如果你也在考虑尝试 Tauri，希望这篇实战记录能为你提供一些有价值的参考。
