jcode 深度解析：纯 Rust 打造，它凭什么号称「最强 Coding Agent」？

# macOS / Linux 一键安装
curl -fsSL https://raw.githubusercontent.com/1jehuang/jcode/master/scripts/install.sh | bash

# 源码编译（需 Rust 工具链）
git clone https://github.com/1jehuang/jcode.git && cd jcode
cargo build --release && scripts/install_release.sh

jcode                                    # 启动交互式 TUI
jcode run "用 Python 写一个 hello world"  # 非交互单次命令
jcode --resume fox                        # 恢复历史会话
jcode serve                               # 后台服务模式
jcode connect                             # 多客户端接入

用户
 │
 ▼
协调者 (Coordinator)          ← 唯一管理人，唯一面向用户
 │
 ├── 工作树管理器 (WTM)        ← 可选，管理 git worktree 隔离
 │   ├── Agent 1
 │   └── Agent 2
 │
 └── 工作树管理器 (WTM)
     ├── Agent 3
     └── Agent 4

Agent 1 ── DM ──┐
Agent 2 ── DM ──┤
Agent 3 ── 频道 ─┼──→ Comms Router ──→ 通知队列 ──软中断──→ 目标 Agent
Agent 4 ── 广播 ─┘

Step 1: 用户 → 协调者（唯一入口）
  用户："帮我重构这个认证模块"

Step 2: 协调者制定 Plan v1
  Plan 是服务级内存对象，不存到仓库文件
  包含：任务分解 + scope 分配 + 依赖关系

Step 3: 协调者生成 Agent + 分发 Plan
  Agent 收到：完整 Plan + 自己的 scope 指令

Step 4: Agent 并行执行
  每个 Agent 独立工作在分配的 scope 内

Step 5: 冲突时 Agent 自行协商
  Agent A 要改 Agent B 已读的文件
  → File Touch Notification（冲突感知）
  → Agent A 和 B 通过 DM 自行协商
  → 不经过协调者

Step 6: 计划更新
  Agent 发现 Plan 有问题 → propose update → 协调者审批 → 广播给 Plan 参与者

Step 7: 完成报告
  Agent 完成 → 自动转发 completion report 给协调者
  报告必须含：outcome/status、changes/findings、validation、blockers

Step 8: 集成
  协调者不负责 merge → 各 WTM 负责 integration

spawned → ready → running ⇄ blocked → completed → stopped
                                              ↘ failed → crashed

~/.jcode/memory/
├── graph.json                          # 核心：序列化的 petgraph 有向图
├── global.json                         # 用户全局记忆
├── projects/
│   └── <project_hash>.json             # 每个项目的独立记忆文件
├── embeddings/
│   └── <memory_id>.vec                 # 每个记忆的嵌入向量
├── clusters/
│   └── cluster_metadata.json           # HDBSCAN 聚类中心点
└── tags/
    └── tag_index.json                  # 标签到记忆的映射

pub struct MemoryGraph {
    graph: DiGraph<MemoryNode, EdgeKind>,  // petgraph 有向图
    memory_index: HashMap<String, NodeIndex>,  // 快速查找索引
    tag_index: HashMap<String, NodeIndex>,
    cluster_index: HashMap<String, NodeIndex>,
}

pub enum MemoryNode {
    Memory(MemoryEntry),  // 核心记忆（内容 + 嵌入向量 + 元数据）
    Tag(TagEntry),        // 显式标签节点
    Cluster(ClusterEntry),// 自动聚类节点
}

pub enum EdgeKind {       // 6 种边关系
    HasTag, RelatesTo { weight: f32 }, Supersedes,
    Contradicts, InCluster, DerivedFrom,
}

Step 1: 嵌入相似度搜索（top-10）
  → 用上下文嵌入向量找最相似的记忆

Step 2: BFS 图遍历（深度 2）
  → 从命中节点沿边扩散（HasTag 0.8, InCluster 0.6,
     RelatesTo 实际权重, Supersedes 0.9）
  → 衰减公式：decayed_score = edge_weight × (0.7)^depth

Step 3: 侧车验证
  → GPT-5.3 Codex Spark 轻量验证关联性

Step 4: 去重排序返回 top-10