jcode：用 Rust 重写的 AI 编码代理，内存占用仅为 Claude Code 的 1/14

GitHub Trending 上一个名为 jcode 的 Rust 项目正在快速攀升。截至 2026 年 7 月 22 日，它的 star 数突破 10500，日增 843，核心卖点极其直白：一个用 Rust 从零构建的 AI 编码代理工具（coding agent harness），单会话内存占用仅 27.8 MB，十会话并行 117 MB，启动时间 14 毫秒。

在 Claude Code 单会话吃掉 386.6 MB 内存、十会话膨胀到 2.3 GB 的当下，jcode 把资源效率压缩了一个数量级。

资源效率：数据对比

jcode 的 README 提供了完整的基准测试数据，覆盖当前主流的终端 AI 编码工具。测试在 Linux 环境下进行，每个工具启动 10 次 PTY 交互会话取统计值。

单会话内存（PSS）

jcode 有两种内存模式。关闭本地嵌入（local embedding off）时仅 27.8 MB，开启后升至 167.1 MB，因为需要加载向量嵌入模型来驱动语义记忆系统。即使开启模式，也比 Codex CLI 的 140 MB 高不了多少，远低于 Claude Code 的 386.6 MB。

十会话并行内存（PSS）

多会话场景的差距更大：

每新增一个会话的边际内存消耗，jcode 仅约 9.9 MB（关闭嵌入）或 10.4 MB（开启），而 Claude Code 每增一个会话多吃 212.7 MB，OpenCode 更是 318.4 MB。

启动速度

jcode 的首帧渲染 14 毫秒，Claude Code 需要 3.4 秒，相差 245 倍。这组数据的实际意义在于：jcode 可以在终端中频繁启动、退出、重启，几乎感知不到延迟，而 Claude Code 用户已经习惯了两三秒的等待。

核心架构：为什么 Rust 能做到这么轻

jcode 的低资源消耗来自 Rust 语言特性和架构设计的叠加效应。

无运行时垃圾回收。Node.js（Claude Code、GitHub Copilot CLI 的底层）和 Python（部分工具的选择）都依赖 GC 机制管理内存。GC 带来的内存膨胀在高并发场景下尤其明显。Rust 的所有权系统在编译期完成内存管理，运行时没有 GC 开销。

原生终端 UI 渲染。jcode 没有使用 Electron 或 Web 技术栈渲染界面。作者甚至重写了一个 Mermaid 图表渲染库（mermaid-rs-renderer），号称比传统方案快 1800 倍，完全不依赖浏览器或 TypeScript。此外，作者还自研了一款终端模拟器 Handterm，以实现原生滚动 API 和更高的渲染效率。

会话级内存隔离。jcode 的 server/client 架构允许多个会话共享同一个后台进程，新会话只需约 10 MB 的边际开销。相比之下，许多工具每个会话启动独立的 Node.js 进程，内存成本线性叠加。

Swarm：原生多代理协作

jcode 最有辨识度的功能是 Swarm（蜂群）模式。在同一个 Git 仓库中启动两个或更多代理会话时，jcode 的 server 层会自动协调：

• 文件冲突检测：当代理 A 编辑了代理 B 已经读取的文件，server 通知代理 B，B 可以选择忽略差异或检查 diff 确认无冲突。
• 代理间消息：每个代理支持 DM（直接消息）、广播（通知同一仓库内所有代理）、以及定向群组消息。
• 自主生成子代理：主代理可以通过 swarm 工具自主创建工作代理来并行执行任务，自己转为协调者角色。子代理组、消息通道、完成状态由 server 自动管理。

这套设计本质上把多代理编排从应用层下沉到了工具层。用户不需要写编排脚本，启动多个会话就会自动获得协作能力。

语义记忆系统

jcode 内置了一套无需主动调用的记忆系统。工作流程分三步：

1. 嵌入：每轮对话的输入和输出都会被转换为语义向量，存入记忆图（memory graph）。
2. 检索：新对话开始时，系统通过余弦相似度查询记忆图，自动将相关记忆注入上下文。可选启用记忆子代理（memory sideagent）验证检索结果的相关性，避免噪声。
3. 提取与整合：每隔一定轮次（或会话结束时），记忆子代理提取新记忆并写入图。后台 ambient 模式定期执行记忆整合：重组、检查过期信息、消除冲突。

关键设计决策是：这套记忆系统不需要代理主动调用记忆工具，完全在后台被动运作。这解决了传统 RAG 方案需要代理显式查询知识库的问题，减少了 token 消耗。

自我开发模式（Self-Dev）

jcode 支持一种其他工具没有的能力：自修改。告诉代理进入 self dev mode，它会开始修改 jcode 自身的 Rust 源代码，编译、测试、然后重载自身二进制文件继续工作。

这套功能的基础设施包括：增量编译支持（增量 debug cargo build 约 1 分钟，目标降至 5-20 秒）、多会话热重载、以及安全沙箱。作者建议使用 GPT-5.5 等前沿模型驱动 self-dev，因为 jcode 代码库复杂度较高，弱模型容易引入隐蔽的破坏性变更。

Provider 生态

jcode 支持 30 多个 LLM 提供商，覆盖三大类接入方式：

• OAuth 原生登录：Claude、OpenAI、Gemini、GitHub Copilot、Azure OpenAI、阿里云编码套餐等
• API Key 聚合：OpenRouter、DeepSeek、Fireworks、xAI、Mistral、Groq 等
• 本地推理：Ollama、LM Studio、vLLM 等通过 OpenAI 兼容接口接入

此外，jcode 支持多账号切换。当一个订阅额度用完，通过 /account 命令快速切换到第二个账号。

一个有趣的跨工具兼容功能：jcode 可以恢复其他工具中断的会话。Claude Code 崩溃了？在 jcode 中用 resume 功能接着干。目前支持从 codex、Claude Code、OpenCode、pi 恢复会话。

MCP 支持

jcode 的 MCP 配置兼容 Claude Code 格式。它直接读取 ~/.claude.json 中的 mcpServers 字段，以及项目级的 .mcp.json。首次运行时，如果 jcode 自己的 ~/.jcode/mcp.json 不存在，会自动从 Claude Code 和 Codex 的配置文件导入 MCP 服务器。

当前仅支持 stdio 类型（命令行启动的 MCP 服务器），HTTP/SSE 类型会被识别并跳过。

浏览器自动化

jcode 内置了 browser 工具，目前支持 Firefox Agent Bridge 作为后端。代理可以直接在会话中打开网页、截图、点击元素、填表单、执行 JavaScript。设置只需两条命令：

jcode browser status
jcode browser setup

安装

# macOS & Linux
curl -fsSL https://jcode.sh/install | bash

# macOS with Homebrew
brew tap 1jehuang/jcode
brew install jcode

# Windows PowerShell
irm https://jcode.sh/install.ps1 | iex

从源码构建需要 Rust 工具链：git clone 后 cargo build --release。

适用场景与局限

jcode 的定位是"提升技能上限"（raise the skill ceiling），面向需要在终端中同时跑多个 AI 编码会话的开发者。资源效率优势在以下场景最明显：

• 多仓库并行开发：同时处理多个项目，每个项目一个会话，10 个会话仅 117-261 MB
• 弱硬件环境：4GB 或 8GB 内存的 VPS、旧款 MacBook
• CI/CD 集成：非交互模式 jcode run "command" 适合脚本化调用

局限方面：当前仅支持 stdio 类型的 MCP 服务器，浏览器自动化仅限 Firefox 后端，自修改模式建议搭配前沿模型使用。作者还在开发 iOS 应用版本，通过 Tailscale 连接远程机器。

测试版本说明

上述基准数据基于以下版本：jcode v0.9.1888-dev、pi 0.62.0、codex-cli 0.120.0、opencode 1.0.203、GitHub Copilot CLI 1.0.24/1.0.27、Cursor Agent 2026.04.08、Claude Code 2.1.86、Antigravity CLI 1.0.0。各工具持续迭代，后续版本的性能数据可能变化。

项目地址：github.com/1jehuang/jcode，MIT 许可证。