我不是明星

10k Star！开源Coding Agent Harness仅用117MB运行10个会话，还能修改自身源码_我的网站

A |     智猩猩AI整理     编辑：没方               最近在折腾几款 AI 编程工具，很多人第一反应都是问背后用的是GPT-5.6 Sol还是Claude Fable 5。    

。                             它是一套使用 Rust 构建的终端 Coding Agent Harness，主打多会话工作流、持久记忆、多智能体协作、高度自定义和低资源占用。在github上已经收获10k stars。         项目链接：           https://github.com/1jehuang/jcode                         01          从单次对话，走向          长期运行的Agent工作系统                    记忆系统是jcode的一大杀手锏，下面这段演示视频可以直观看到它的记忆召回效果：                    播放          下一个          打开循环播放          00:00     /     00:00          倍速          3.0X     2.0X     1.5X     1.25X     1.0X     0.75X     0.5X          多音轨          AirPlay          0          静音播放中，点击 恢复音量          画中画          网页全屏          全屏          你可以 刷新 试试          视频信息     1.33.6          播放信息 上传日志 调试信息 [X]          视频ID     VID     -          播放流水     Flowid     -          播放内核     Kernel     -          显示器信息     Res     -          帧数     -          缓冲健康度     -          网络活动     net     -          视频分辨率     -          编码     Codec     -          mystery     mystery     -          按住画面移动小窗          jcode 记忆功能演示                    它会将每轮对话转换为语义向量，并利用记忆图谱管理这些信息。

F | 当新任务到来时，系统会通过余弦相似度检索与当前对话有关的记忆，再将命中的信息注入上下文。

G |                    为了降低“相似但不相关”的记忆干扰，jcode还可以调用独立的Memory Sideagent，对召回内容进行二次判断。

H |                    这个Sideagent既可以验证记忆是否真正相关，也可以继续执行信息检索，再把整理后的结果交给主Agent。                   记忆的写入也不完全依赖用户操作。

I |                    当对话发生明显语义漂移、间隔一定轮次或者会话结束时，记忆Sideagent可以从对话中抽取值得长期保存的信息，写入记忆图谱。

J |                    在后台模式（Ambient Mode）下，系统还会定期整理和整合记忆，检查过期信息与潜在冲突。

K |                    jcode将多会话工作流作为核心设计目标。                   用户可以让jcode作为后台服务器持续运行，再从不同终端连接到同一服务。多个会话可以复用同一个后台服务，并由服务端统一管理会话连接、Agent通信和协作状态，而不需要为每个终端都重新启动一套完整的运行环境。

L |                    根据项目公布的自测结果，按照PSS内存指标计算，在关闭本地嵌入功能时，jcode运行一个活跃会话的内存占用约为27.8MB。而Claude Code约为386.6MB，约是 jcode 的13.9倍。                             当活跃会话增加到10个时，两者的资源差距更加明显：jcode的内存占用约为117MB，Claude Code则达到约2300.6MB，约为jcode的19.7倍。                   从会话扩展成本来看，jcode每增加一个会话，额外内存占用约为9.9MB；Claude Code每增加一个会话则需要约212.7MB，约为jcode的21.5倍。                             jcode的另一项重要能力，是原生Swarm多智能体协作。

M |                    当Agent A修改了Agent B此前读取过的文件，服务器会主动通知Agent B，提醒它当前代码已经发生变化。

N | Agent B可以根据任务相关性忽略提醒，也可以查看Diff，确认自己的修改是否需要调整。                   Swarm协作文件变更通知                    不同Agent之间还可以发送私信、广播消息和同步任务状态。主Agent也能够自主创建新的Agent团队，把工作拆分给不同成员并行处理，自己则转变为负责规划、调度和汇总结果的协调者。                   为了降低大仓库中的上下文消耗，jcode还开发了面向Agent的代码搜索工具Agent Grep。

o |                    该工具会在搜索结果中加入文件结构、函数列表和函数所在位置等信息，让模型在不读取全文的情况下，大致判断相关代码承担什么作用。                   还会根据Agent已经看过的内容，自适应地截断重复搜索结果。                   Skills也采用了类似的按需加载思路。jcode不会在启动时把所有Skill完整写入上下文，而是对当前对话进行语义匹配，在检索到相关Skill时再自动注入。

p |                    用户和Agent仍然可以通过工具或斜杠命令手动激活Skill，但无关的说明不会长期占据上下文窗口。                   浏览器能力同样纳入了Harness设计。目前jcode内置的浏览器工具主要通过Firefox Agent Bridge工作，可以执行打开页面、获取内容、点击、输入、填写表单、截图、滚动和上传文件等操作。                   jcode最有趣的功能是Self-Dev模式。                   进入这一模式后，Agent可以直接修改jcode自身的源代码，随后完成构建和测试，重新加载生成的二进制程序，并继续处理原有的一个或多个会话。                   如果用户不满意界面布局、工具行为或者某项工作流，可以让Agent直接修改Harness本身，而不必完全等待项目维护者提供新功能。                   这让人想到翁荔最近提出的一个判断，在模型能够稳定修改自身权重之前，AI的自我改进可能会率先发生在Harness层。《DeepSeek崔添翼力挺翁荔最新长文：AI自进化先从Harness开始》                    jcode的Self-Dev正是提供了象征意义的工程样本。                   02          安装教程                    （1）macOS 和 Linux          `curl -fsSL https://jcode.sh/install | bash`                    （2）Windows 11          `irm https://jcode.sh/install.ps1 | iex`                    安装完成后，在终端输入 `jcode` 即可启动交互式界面。

q |                    03          总结                    总的来说，jcode能够为Coding Agent搭建一套更完整的工作系统，让智能体记得更久、协作得更好，也能在用户授权下按需改造自己的运行环境。

Current article:http://lrp19z.shuosongzoutunchutao.cfd/jsttc/20260826/632820.html

Published on:19:03:02