Skip to content

jcode 横空出世！Rust 写的 AI 编程智能体

发布于 2026-05-06

想同时开 5 个 Claude Code 窗口做并行任务？我的 Mac 32G 内存条已经在哭了。 直到我装上一个叫 jcode 的新工具，开 10 个会话还没占到 200MB。

cover

一句话总结

jcode 是用 Rust 重写的 AI 编程智能体（Coding Agent）。两个卖点：一是内存只要 Claude Code 的 1/14、首帧速度快 245 倍，二是给智能体装了一套语义记忆图谱，AI 真的能记住你项目里的东西。

Claude Code 是大排量越野车，jcode 是 F1 赛车。

一、性能对决：内存只要 1/14，启动快 245 倍

先看一组数据。这是几个主流 AI 编程智能体在同一台机器上的内存占用（PSS）和首帧响应时间：

工具 单会话内存 10 会话内存 首帧响应
jcode（轻量模式） 27.8 MB 117.0 MB 14.0 ms
jcode（全功能模式） 167.1 MB 260.8 MB —
Claude Code 386.6 MB 2300.6 MB 3436.9 ms
OpenCode 371.5 MB 3237.2 MB 1035.9 ms
Codex CLI 140.0 MB 334.8 MB 882.8 ms
GitHub Copilot CLI 333.3 MB 1756.5 MB 1518.6 ms

几个关键对比：开 10 个会话，jcode 占 117MB，Claude Code 要 2.3GB，差 19 倍。每加一个会话，jcode 多 9.9MB，Claude Code 多 212.7MB，差 21 倍。首帧响应 14ms vs 3436ms，差 245 倍。

performance

这背后是技术栈的根本差异。Claude Code 是 Node.js 跑出来的，启动得先把 V8 引擎、TS 编译、各种 npm 依赖一股脑装进来；jcode 直接编译成静态二进制，开机即用。

这其实是一个"能不能并行多任务"的分水岭。同时开一个会话写新功能、一个跑测试、一个查文档——前者你需要一台 Mac Studio，后者一台 MacBook Air 就够。

二、它真的"记得住"：语义记忆图谱

性能只是入场券。jcode 真正让我意外的是它的记忆系统。

传统 LLM 怎么记忆？塞上下文窗口。每一轮对话都把整个历史拼回去，长了就忘前面，还烧 token。

jcode 走了另一条路：每一轮对话结束后，把这一轮的语义内容做向量嵌入，存到一张图里。下一次需要时，用余弦相似度找出相关历史节点：

$$S_C = \frac{\vec{v} \cdot \vec{m}_i}{|\vec{v}| |\vec{m}_i|}$$

光有相似度还不够。它还会做级联检索——找到一个相关节点之后，沿着图的边再找二阶、三阶相关节点，模仿人脑的"联想"。

再来是置信度衰减机制。一段记忆放久了会"褪色"：

$$C = C_0 \cdot e^{-age_days / half_life} \cdot (1 + 0.1 \cdot \log(access_count + 1)) \cdot trust_weight$$

公式看着唬人，意思就一句话：老的代码事实会自动过期，常被引用的会保鲜，可信来源权重更高。

memory

类比一下你就懂了：

  • 传统 LLM：每次见你都从头自我介绍一遍，然后翻一本厚厚的笔记本找之前聊过什么
  • jcode：脑子里有张关系图谱，你提到一个东西它就联想出一连串相关的事，旧的事会慢慢淡忘，重要的事记得最牢

这件事对长项目维护尤其重要。Claude Code 在一个项目用三个月，可能还在反复纠正你"那个变量已经改名了"。jcode 的图谱会自动把过时事实降权。

三、四方混战：jcode / Claude Code / Codex / OpenCode 各是什么"性格"

接下来看 2026 年这场 AI 编程智能体大战。四家工具走的路完全不一样：

工具 核心定位 一句话总结
Claude Code 垂直集成 + 深度推理 闭源贵族，推理最强，只跟 Anthropic 模型玩
OpenAI Codex 模型即产品 + GitHub 生态 速度快，深度绑定 GitHub Copilot
OpenCode 开源 + 供应商无关 极致灵活，支持 75+ 模型，但配置繁琐
jcode 性能 + 记忆 + 蜂群 后起之秀，赌的是规模化生产场景

comparison

Claude Code 的杀手锏：Advisor 策略

Claude Code 推理最强（SWE-bench 得分 80.8%），靠的是"导师 + 学徒"双模型架构。Opus 4.7 当导师做规划，Sonnet 当学徒做执行。代价是订阅 + API 双重计费，月费 20-200 刀。

Codex 的强项：终端理解

Terminal-Bench 2.0 拿 77.3 分，命令行操作快，但被吐槽"代码表面正确、深处冗余"。

OpenCode 的特点：固执的工程严谨

社区开源版的 Claude Code，TypeScript + Go 写的。它跟 Claude Code 跑同一个任务时会坚持跑全量测试，不像 Claude Code 偷懒只跑受影响的那部分。代价是慢——4 个任务对比，Claude Code 9 分钟，OpenCode 16 分钟，但生成的测试用例多了 28%。

评估维度 Claude Code (Opus 4.5) OpenCode (GLM-4.7)
任务完成时间 (4个任务) 9 分 9 秒 16 分 20 秒
测试覆盖率 73 个用例 94 个用例
重构一致性 倾向引入冗余库 维持既有架构模式
技术债风险 较高 较低（但 Diff 噪声多）

jcode 的位置

不跟你比"谁更聪明"，比"谁能 7×24 跑得稳，开 10 个窗口不爆内存，三个月后还记得你项目的风格"。

四、智能体可以"自己改自己"：Self-Dev 模式

这是 jcode 最科幻的一点。

它内置了一个叫 Self-Dev（自开发）的模式：智能体可以直接修改 jcode 自己的 Rust 源代码，后台自动构建、跑测试、热重载二进制。

举个真实场景：你跟它说"给自己加个 Mermaid 渲染组件吧"。然后它真就给自己提了个 PR、跑了构建，几秒钟之后 jcode 已经能渲染 Mermaid 图了。

selfdev

软件不再是"发布即固定"的东西，会越用越合手——你怎么用，它就怎么改自己。

这功能也意味着你必须信任它的测试覆盖、信任它不会把自己改崩。所以默认是关闭的，得手动启用。

五、蜂群协作：多智能体并行 + 代码漂移检测

Self-Dev 是单个智能体进化，蜂群模式（Swarm）是多个智能体协作。

jcode 支持在同一个仓库里启动多个互联的智能体会话，背后有个协调中心：所有活跃智能体的状态汇报到中心；A 改了 auth.rs 之后，B 还在基于旧版本推导逻辑，服务器立刻给 B 发警报"代码漂移了，重新读一下"；主智能体（Coordinator）还可以自己拉出几个专门的 Worker，比如分一个写测试、一个跑性能分析，自己负责汇总。

swarm

这套机制在大型迁移上效果挺明显：原本两周才能搞定的 Scala→Java 手动迁移，蜂群协作四天搞定。

类比一下：以前 AI 编程像一个全栈工程师单打独斗。蜂群模式像你雇了个项目经理 + 几个专业小组，并行干活、不撞车。

六、隐私 + 移动端：本地推理 + Tailscale 隧道

2026 年监管环境变了。NJDPL（新泽西数据隐私法）这类法案一出，企业越来越不敢把代码传到云端。

jcode 的方案有两层。

本地推理这块，可以通过 API 桥接到本地的 vLLM 或 Ollama 集群，核心代码从不出内网。OpenCode 也支持，但它在小模型上工具调用稳定性一般，jcode 这块工程更扎实些。

移动端的方案是 jcode 计划发布的 iOS 应用 Native OpenClaw。手机和工作站之间走 Tailscale 加密隧道，绕开公网暴露；手机不只是终端模拟器，可以实时渲染 Mermaid 拓扑图、看 Diff；智能体要执行敏感 shell 命令时，会直接锁屏推送 Approve 按钮让你确认。

jcode-ui-sidepanel

还有个我挺喜欢的小功能——跨工具会话恢复。你在 Claude Code 里跑了一半的任务，可以切到 jcode 用一句 /Resume 接管，它会自动解析 Claude 的本地日志，把"思考状态"还原回来。这点对经常切工具的人很友好。

jcode-resume-codex

七、最小 Demo：装一个试试

1
2
# macOS / Linux 一行装好
curl -fsSL https://raw.githubusercontent.com/1jehuang/jcode/master/scripts/install.sh | bash

装完两个常用命令：

1
2
3
4
5
# 启动一个会话
jcode

# 接管 Claude Code 已有项目的会话
jcode /Resume

想用本地模型？配一个 ~/.jcode/config.toml 指到你的 Ollama 端口就行，全程不出内网。

八、谁该用 jcode，谁继续用 Claude Code？

我个人的判断：

你的画像 选什么
单兵作战，要的就是最强推理 Claude Code（Opus 4.7 还是天花板）
深度依赖 GitHub 全家桶 Codex / Copilot（生态最顺）
极致追求开源 + 多模型自由 OpenCode（折腾党的最爱）
大型 monorepo + 多窗口并发 + 隐私敏感 jcode（性能/记忆/蜂群/本地推理一站式）

不是说 jcode 比 Claude Code "更好"。它解决的是 Claude Code 在规模化生产里没解决的事：内存吃不消、记忆失忆症、不能开太多窗口、代码不让出内网。

一个工具的迁移，往往不是因为它突然变强了，而是有人重新写了一遍底层。 Rust + 语义图谱 + 蜂群——jcode 想干的事，是把"AI 编程"从对话工具升级成生产基座。

值不值得装一个试试？我的建议是先 curl 一下那条安装命令，反正占不了 30MB。

总结

Rust 重写让内存只要 Claude Code 的 1/14、启动快 245 倍。语义记忆图谱让旧事实自动衰减、相关记忆自动联想，AI 真的开始能"记住"项目。Self-Dev 让智能体改自己源码、热重载，Swarm 让多智能体并行 + 代码漂移检测。本地推理 + Tailscale 移动端把企业隐私合规也兜住了。

一句话选型：单人极致推理选 Claude Code，规模化生产选 jcode。

AI 编程的下一战，比的不再是"谁更聪明"，而是"谁能稳定 7×24 跑下去、记得住、不爆内存"。