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。
但相同模型，放进不同的编程工具里，表现可能完全不一样。
有的 Agent 能连续工作几个小时，写完代码还知道运行测试、检查结果、继续优化。
有的写了几十行代码，就告诉你任务已经完成。等真正运行项目，才发现测试没跑、依赖没装，甚至文件都改错了。
模型明明没有变，差距从哪来？
答案可能藏在模型外面的那层 Agent Harness 里，可以理解为包裹在大模型外部的“智能体运行系统”。
它负责把模型、上下文、记忆、工具、权限、终端界面、任务调度和多智能体协作串联起来。
模型决定 Agent 的能力下限，而 Harness 则在很大程度上决定模型能够稳定工作多久、一次能处理多复杂的任务，以及最终能把多少智能转化成真实生产力。
今天刷github日趋榜，看到了个名叫 jcode 的开源项目，正试图把 Agent 这层外壳推到更远。
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：
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。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。
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。
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。
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。
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。
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。
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。
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。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。
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。
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。
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。
END
关注+星标，获取AI前沿进展与优质开源项目