JCODE : un harness d’agent qui démarre 245x plus vite que Claude Code (et le prouve)

https://github.com/1jehuang/jcode

📌 JCODE est un harness d’agent de code écrit en Rust, qui se présente comme le plus économe en RAM et le plus rapide au démarrage. Il embarque une mémoire sémantique, un mode Swarm multi-agents, un mode auto-modification du code, et tourne sur macOS, Windows et Linux.

La première chose qui frappe, ce sont les chiffres. Selon les propres mesures du projet, JCODE affiche sa première frame en 14 millisecondes ; Claude Code en demande 3 436 — soit 245 fois plus lent. Une session active consomme 27,8 Mo de RAM (embeddings locaux coupés), contre 386,6 Mo pour Claude Code. Lancez dix sessions en parallèle : JCODE tient à 117 Mo quand OpenCode gonfle à 3,2 Go. Ce sont des mesures auto-rapportées, donc à prendre avec la réserve qui s’impose — mais l’ampleur de l’écart est telle qu’elle mérite l’attention.

La mémoire est ce qui distingue vraiment JCODE. Au lieu d’un bloc-notes ou d’appels manuels à /remember, chaque tour de conversation est intégré comme un vecteur sémantique. À chaque échange, un graphe de mémoires est interrogé par similarité cosinus, et un sideagent vérifie la pertinence des résultats avant de les injecter dans le contexte. Une consolidation tourne en arrière-plan pour détecter les faits obsolètes ou contradictoires. L’agent se souvient sans brûler de tokens dans des outils de lookup.

La liste de providers est profonde : plus de trente. Claude, ChatGPT, Gemini, GitHub Copilot, Azure, OpenRouter, DeepSeek, Groq, Mistral, Perplexity, Fireworks, Ollama, LM Studio, et n’importe quel endpoint compatible OpenAI que vous pointez dessus. Plus intéressant : le multi-compte natif. Votre premier abonnement ChatGPT Pro à court de tokens ? /account bascule sur le second sans casser la session.

Swarm est la fonction la plus ambitieuse. Spawn deux agents dans le même dépôt, et le serveur les gère. Quand l’agent A édite un fichier que l’agent B lisait, B est notifié et peut vérifier le diff pour éviter un conflit silencieux. Les agents se DM, broadcast au canal, ou engendrent leurs propres équipes de workers pour paralléliser — groupes, canaux et statuts de complétion gérés automatiquement. C’est une vraie primitive de collaboration multi-agent, pas un wrapper au-dessus de git worktrees.

L’interface pousse le souci du détail. Des side panels live qui rendent les diagrammes mermaid en inline. Pour que ce soit rapide, l’auteur a écrit un renderer mermaid en Rust 1 800× plus rapide que la version JavaScript, sans dépendance navigateur ni TypeScript. Comme aucun terminal existant ne savait faire du scrolling partiel de ligne fluide, il a écrit le sien — Handterm. Le rendu dépasse les 1 000 fps ; votre écran ne le montrera pas, mais les flicker disparaissent.

Le mode self-dev est où ça devient étrange. Dites à votre agent d’entrer en self-dev, et il commence à éditer le code source de JCODE lui-même : il rebuild le binaire, le recharge à chaud, et continue à travailler dans vos sessions existantes. L’auteur recommande un modèle frontière (GPT 5.5+) pour cette tâche, la base de code n’étant pas triviale.

Les détails fins comptent. JCODE reprend des sessions cassées depuis Claude Code, Codex, OpenCode ou pi directement. Le cache Anthropic refroidit au bout de cinq minutes et vous guette un cache miss coûteux ? L’UI vous prévient avant que vous ne dépensiez les tokens. Un « agent grep » enrichit les retours avec la structure du fichier (liste de fonctions, déplacements) pour que l’agent infère plus sans tout lire, avec troncature adaptative selon ce qu’il a déjà vu.

Mon avis est franc. JCODE force le respect : un seul développeur a réécrit le renderer mermaid, un terminal, un graphe de mémoire sémantique et un orchestrateur Swarm — parce que les outils existants ne suffisaient pas. Les benchmarks auto-rapportés demandent vérification indépendante, mais la rigueur de la démarche (méthodologie documentée, intervalles mesurés sur 10 lancements) est crédible. La réserve est la maturité face aux acteurs institutionnels : 14,9k stars et 6 500 commits, c’est un projet suivi et actif, mais l’écosystème autour (extensions, intégrations entreprise) reste à construire. Pour qui veut un harness hyper-optimisé et bidouillable jusqu’au métal, c’est l’un des plus intéressants du moment.

Points clés :

• ⚡ 14 ms au démarrage, 27,8 Mo RAM/session (vs 13,9× et 245× pour Claude Code)
• 🧠 Mémoire sémantique : graphe vectoriel + sideagent de vérification
• 🐫 Swarm : multi-agents auto-gérés, notifications de fichiers, équipes de workers
• 🔧 Self-dev : l’agent édite et rebuild son propre code à chaud
• 🔌 30+ providers, multi-compte natif (/account)
• 🎨 Side panels, mermaid inline (renderer Rust), terminal custom Handterm
• 🔁 Reprise de sessions Claude Code, Codex, OpenCode, pi
• 📦 Rust, MIT, 14,9k stars, macOS/Windows/Linux