jcode

快速结论

jcode 适合已经在用终端编码 Agent、并且经常同时开好几个会话的人。它不是又一个”能写代码的聊天框”，而是把 harness（承载 Agent 的外壳）本身当成工程问题来做：用 Rust 重写、把单会话常驻内存压到几十 MB 量级、让同一仓库里的多个 Agent 由服务端协调冲突、把对话历史向量化成可自动召回的记忆。如果你日常只开一个会话写点小功能，Claude Code 或 Codex 已经够用，换过来收益不明显；如果你经常”一个仓库开 5 个 Agent 并行干活”、被内存和上下文丢失折腾过，它值得认真试。

需要先说清楚三件事，避免误判。第一，它很新：仓库 2026 年初建立，官网自己标注”under construction”，文档和 SDK 页面都还在补。第二，官网和 README 上的内存对比、DeepSWE / Terminal-Bench 分数全部是作者自测自报，没有第三方复现，只能当”方向性参考”而不是选型依据。第三，它是 MIT 开源的本地二进制，模型能力完全来自你自己接的 provider，工具本身不提供模型额度。

核心功能

• 低内存多会话：作者实测单会话常驻内存约 27.8 MB（关闭本地 embedding）／167.1 MB（开启），同场景下 Claude Code 约 386.6 MB；会话数越多差距越明显，这是它敢主推”同时开几十个 Agent”的前提
• Swarm 多 Agent 协作：同一仓库里的多个会话由服务端统一管理，A Agent 改了 B Agent 读过的文件会主动通知 B，B 可以忽略或去看 diff；Agent 之间能私聊、能向仓库内或全服广播，主 Agent 还能自己 spawn 一批 worker 并行干活
• 语义记忆而非记忆工具：每一轮对话被嵌入成向量，靠余弦相似度在记忆图里召回相关条目自动注入上下文；后台 sideagent 负责抽取、整合、检查过期与冲突，同时保留显式记忆工具和历史会话检索
• 按需注入 Skills：Skills 不在启动时全量加载，而是按对话向量命中动态注入，也可以用工具或斜杠命令手动激活，避免开局就吃掉一大截上下文
• 跨 harness 恢复会话：支持从 Codex、Claude Code、OpenCode、pi 的会话里接着往下做，换工具不用重讲一遍背景
• Self-Dev 自改源码：让 Agent 进入 self dev 模式后可以修改、编译、测试自己的源码并热重载二进制，官方建议只在前沿模型上开
• 终端体验细节：侧边栏可实时看文件、当 diff 查看器、内联渲染 mermaid（作者为此自研了 mermaid-rs-renderer）；info widgets 只占屏幕负空间；支持 MCP，启动时统一声明工具以避免 prompt cache miss

适合人群

• 重度终端开发者：习惯 CLI/TUI 工作流，不想回到 IDE 里点按钮
• 多 Agent 并行玩家：经常一个仓库开多个会话做重构、补测试、跑迁移，被文件冲突坑过
• 本地/自建模型用户：想接 Ollama、LM Studio 或自建 OpenAI 兼容端点，不愿被单一厂商绑定
• 对资源敏感的人：在笔记本或小配置服务器上跑 Agent，内存是硬约束
• 不太适合的人群：需要图形界面和可视化项目管理的人；要求工具本身稳定成熟、有商业支持的团队；只想开箱即用一个订阅就能跑的新手——jcode 的 provider 配置和记忆调优都需要自己动手。

使用场景

• 并行重构：主 Agent 拆任务，spawn 若干 worker 分别改不同模块，冲突交给服务端提示
• 长周期任务：靠语义记忆保留几天前的决策与踩坑记录，不必每次重新交代项目背景
• 跨工具接手：Claude Code 会话崩了或额度用完，用 /resume 在 jcode 里接着做
• 省 context 的代码探索：用它自带的 agent grep，返回结果附带函数列表和位移信息，很多时候不用整文件读入
• 自定义 harness 行为：不满意某个交互就让它进 self dev 模式直接改源码，而不是等插件 API

价格与版本

jcode 本体是 MIT 协议开源、完全免费，macOS / Linux / Windows 11 都有预编译二进制，curl -fsSL https://jcode.sh/install | bash 一行装完，也支持 Homebrew 和源码编译。真正的成本在模型侧：它支持用订阅制 OAuth 登录 Claude、OpenAI/ChatGPT/Codex、Google Gemini、GitHub Copilot、Azure OpenAI、阿里云 Coding Plan、Fireworks、MiniMax 等，也能直接填 API Key 走 OpenRouter、DeepSeek、Moonshot、302.AI、Groq、xAI、Cerebras 等，或者接 Ollama / LM Studio 本地模型完全零成本。它还支持多账号切换，一个订阅额度用完可以用 /account 换到另一个。官网虽然挂了 pricing 入口，但目前没有公布任何付费档位，付费产品线（如计划中的 iOS 客户端）尚未落地，别按”以后一定免费”来做长期规划。

国内访问与使用体验

jcode 是纯本地二进制，装好后不依赖官方云服务，所以体验主要取决于你接哪个模型。它内置了对阿里云 Coding Plan、DeepSeek、MiniMax、Moonshot、302.AI 等国内可直连服务的支持，也能接自建的 OpenAI 兼容端点，这对国内用户比很多只认海外订阅的 harness 友好。安装脚本走 jcode.sh 域名，如果拉取不畅可以直接去 GitHub Releases 下预编译包，或用 Homebrew 装。

实际使用上有几个提醒：官方文档还不全，很多能力散落在 README 和 Discord 里；self dev 模式会让 Agent 改自己的源码，务必在干净的工作副本上开；Swarm 虽然会提示文件冲突，但最终 diff 还是要你自己 review。中文提示词没有障碍，但把目标文件范围、测试命令和”不许动哪些目录”写清楚，比换模型更能提升成功率。

优点

• Rust 实现，内存和启动开销在同类里明显偏低，多会话场景优势最大
• Swarm 把”多 Agent 同仓库打架”这个真问题做了服务端协调，不靠人肉约定
• 记忆是被动召回而不是让 Agent 自己想起来调工具，省 token 也更稳
• provider 覆盖广，国内服务和本地模型都能接，不锁厂商
• 能从 Codex / Claude Code / OpenCode / pi 的会话续上，迁移成本低
• MIT 协议，可以自由改造和内部分发

不足

• 项目太年轻，官网自称在建，文档、SDK、iOS 客户端都还没到位
• 所有性能与 benchmark 数字均为作者自测自报，缺第三方复现
• 主要由个人主导开发，长期维护和响应速度存在不确定性
• self dev、Swarm 这类强力功能一旦配置不当，破坏面比普通 Agent 大
• 没有图形界面，纯终端；也没有企业级审计、SSO、团队管理

替代品对比

常见问题 FAQ

jcode 是免费的吗？

工具本身是 MIT 开源、永久免费，官网目前没有任何付费档位。但你需要自备模型能力，成本取决于你用的订阅或 API；接本地 Ollama / LM Studio 可以做到零成本。

jcode 的内存和跑分数据可信吗？

只能当参考。README 和官网上的 RAM 对比、DeepSWE v1.1、Terminal-Bench 2.1 分数都是作者自测自报，没有第三方复现，而且测试条件（是否开启本地 embedding）对结果影响很大。

国内用户能直接用吗？

能。它是本地二进制，且内置支持阿里云 Coding Plan、DeepSeek、MiniMax、Moonshot、302.AI 等国内可直连的 provider，也能接自建 OpenAI 兼容端点。只有当你选择 Claude、OpenAI 官方订阅时才受海外服务可达性影响。

Swarm 会不会让多个 Agent 互相把代码改坏？

会降低概率但不消除风险。服务端只负责在 A 修改了 B 读过的文件时通知 B，是否检查 diff 由 Agent 决定，最终仍需要你自己 review 和跑测试，建议在版本控制干净的分支上使用。

self dev 模式安全吗？

它会真的修改、编译并热重载 jcode 自身的源码，弱模型容易引入隐蔽的破坏性改动。官方建议只用前沿模型，并且在可回滚的工作副本里开启，不要直接对你日常使用的安装做实验。

和 Claude Code 怎么选？

要稳定、要文档、要官方支持就选 Claude Code；要多会话并行、内存敏感、想自由换 provider 或自己改 harness 就试 jcode。两者会话可以互相 resume，先并行用一段时间再决定是最省事的做法。

总结

jcode 的价值在于把”Agent 外壳”当成性能与协作工程来做：内存压得住、多 Agent 能协同、记忆自动召回、provider 不锁死。这几件事对每天开多个会话的人是实打实的效率差别，对偶尔用一下的人则几乎无感。判断方式很简单：拿一个真实的多文件重构任务，在 jcode 里开三个 Agent 跑一遍，看冲突提示是否有用、记忆是否真的省掉了重复交代、内存是否撑得住。如果答案是肯定的，它可以进你的常用工具；如果你更看重文档完整和长期稳定，先留在成熟方案上观察几个版本更稳妥。