临时天堂

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 |     21世纪经济报道记者 陶力上海报道          业界基本以两条并行路径深入物理世界：一条是从工业数据治理出发、向工艺与供应链渗透的“云端赋能”路线；另一条是从底层架构重构、让AI驻留终端的“端侧原生”路线。         2026世界人工智能大会（WAIC）期间，多家技术服务展商集中展现了AI深入物理世界的策略。    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。         当前行业主流端侧AI方案，普遍采用 “云端预训练 + 终端裁剪压缩” 技术模式，该方案已成熟应用于各类数字化场景。

B | 但物理场景对AI系统提出了低延迟实时响应、离线独立运行、本地数据隐私安全等刚性要求，传统云端迁移式方案仍存在短板，行业亟需底层技术架构创新，支撑物理AI的规模化落地。                   但相同模型，放进不同的编程工具里，表现可能完全不一样。         标准共建先行          在“端侧流式多模态模型赋能 AI 硬件爆发”分论坛上，Om AI联汇CEO兼首席科学家赵天成指出，物理世界实时、动态、高频的交互特性，决定了端侧AI不能是云端模型的“简易减法版”，须基于物理场景重构底层架构与运行逻辑。“物理世界并非云端数字世界AI的简单延伸，端侧智能需要建立专属的架构思路、评估体系、安全框架和产业生态。”          当前端侧AI产业面临硬件架构繁杂、接口标准不统一、软硬协同成本高等碎片化问题，与多元算力产业早期困境高度相似。         统一标准体系建设，成为推动端侧原生从实验室验证，走向规模化商用的关键抓手。                   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。         为此，论坛上发起《端侧多模态基座与AI硬件协同发展倡议》，倡议提出三个共建方向：一是共建端侧原生技术标准，推动评估体系、接口规范、安全框架标准化；二是共研软硬一体联合方案，推动模型-芯片协同、端云协同边界探索；三是共拓物理AI产业场景，推动重点赛道数据反馈机制与开放生态建设。                   有的写了几十行代码，就告诉你任务已经完成。

C |          据悉，倡议面向全行业开放，旨在凝聚科研机构、硬件厂商、方案商、开发者和产业投资人力量，打破技术壁垒、消除行业孤岛，推动端侧AI产业规范化发展。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”。         在嘉宾对话环节，行业资本从产业投资视角，剖析了消费端侧智能的爆发逻辑，明确核心行业判断：在通用算力底座日趋完善的当下，智能终端产业的核心稀缺资源，已转变为适配硬件迭代规律、支撑超低延迟实时交互的原生多模态能力，这也是AI PC、智能穿戴等终端硬件实现规模化普及的关键前提。

D |                    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。         工业AI落地门槛          制造业AI落地，门槛不是模型有多强，而是数据能不能被读懂。一辆整车涉及上万个零部件，数据散落在数百个系统里，格式混乱、时序不同步是常态。         本届WAIC上，广域铭岛将“懂工业”的基因转化为数据治理壁垒，其平台内嵌的数据治理引擎可自动识别数百种工业协议，将杂乱数据转化为高质量资产；一线人员拖拽组件即可搭建预测性维护、根因分析等应用，不再依赖算法工程师。                   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。                   在数据基座搭建完成后，AI向上游渗透至最具挑战性的工艺环节。未来，智能体更像是懂业务的“数字行动者”——把确定性交给智能体，将创造力留给工程师。                   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。         在国内某知名电器制造企业，库存分析智能体让全库检查效率提升99%，根因定位准确率达95%，库存管理从“人找问题”转向“问题找人”。         当云端AI在产线上完成数字化闭环，更深层的命题随之而来：如何让智能延伸到现实中的感知、思考和执行闭环。                             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。这正是行业参与者共同思考的问题。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。         从产业验证看，端侧AI已从可选升级变为刚需配置。                   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。在低空经济、海事作业等场景中，智能设备必须具备本地自主运行能力。

E |                    记忆的写入也不完全依赖用户操作。

F |          实践，是工业AI未来唯一的标尺。                   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。

G | 制造业AI落地，门槛从来不是模型有多强，而是数据能不能被读懂。                   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。

H | AI能力正在快速普及，但把AI能力组织成工作流、嵌入具体场景、最终变成商业回报，依然是一道很难跨越的专业壁垒。                   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。

I | 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。

J | 而Claude Code约为386.6MB，约是 jcode 的13.9倍。

K |                              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。

L |                    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。

M |                    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。

N |                    浏览器能力同样纳入了Harness设计。

o | 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。

Current article:http://ybdt2.cuntoujuefourantapai.cfd/pbmh7/20260826/735329.html

Published on:08:54:26