Claude Code 的多云端线程功能让 Agent 异步执行变得真正可用

如果你需要处理多任务并行，或者希望 Agent 能在后台异步跑任务，Claude Code 新上的 Projects 功能是个非常实用的落地方案。它打破了简单的「聊天+调用工具」模式，支持从一个主对话衍生出多个并行的云端 Session，且线程间可以传递上下文。最核心的提升在于，即使关闭窗口，任务依然在云端运行，解决了此前必须时刻盯着控制台的痛点。

关于这种多 Session 编排，Anthropic 实际上是将「协调器（Coordinator）」概念产品化了。根据 Cat Wu 和 MikeyK 的内部描述，这是一个更高层级的抽象，由一个主控 Claude 来管理长时运行的内存与状态更新。

这种设计比单纯扩充上下文窗口更有价值。过去在长对话中堆砌内容会导致模型注意力分散且 Token 成本激增，而现在的「一个主对话 + 多个并行线程」模式，让开发者能以类似编程的逻辑组织任务，摆脱单线程的线性限制。但需要注意，目前这些线程仅在云端运行，本地工作流尚未开放。

在基础设施标准化方面，Google 的更新同样硬核。Gemini 的托管 Agent 引入了基于 Antigravity 的新 Harness，其中两个 API 非常实用：

• Credentials API：通过占位符和受信任域的出口代理隔离 Secrets，避免将密钥直接放入 Model Context。
• Files API：解决了 Artifact 传输与持久化沙箱的问题。

官方数据显示，成本最高降低了 30%，缓存命中率提升了 22%。结合 Perplexity 的 Computer、Base44 的电话 Superagent 以及 Meta 的 Muse for Mac 来看，Agent 必须具备 scoped permissions（作用域权限）、用户特定上下文和异步执行能力，这应该是默认的 UX 而非插件功能。

如何正确定位 TypeSafe Jev 分类模型的角色

至于 TypeSafe 的 Jev 分类模型，正确的使用姿势是将其视为「快速、廉价的约束输出原语」，而非简单的聊天机器人。

Jev 就像 AI 版本的 if 语句。在构建复杂 Agent 架构时，不应使用昂贵的前沿模型处理路由、判断或结构化提取，而应将这些高频、简单的决策交给 Jev 这种判别式模型，让推理模型专注于困难的 Reasoning。

目前的成熟玩法包括：

• LLM-as-judge：利用 Jev 进行快速评测。
• Harness Routing：在子 Agent 之间进行分发。
• Typed Extraction：强制输出特定类型。
• 开源替代：出现了使用 Qwen3.6-35B-A3B 搭配 SGLang radix cache 实现的 openjev-s，效率很高。

使用 Jev 进行内存压缩时有哪些潜在风险

最后提醒一个关于内存压缩的坑：不要试图用 Jev 做激进的逐行历史压缩（Compaction），这可能会导致性能下降。

Theo 指出，压缩并非简单的过滤，强行删除隐藏的推理 Payload（Reasoning payloads）会导致前沿模型推理能力掉档。此外，编辑历史记录可能导致之前的 KV Cache 失效，成本反而高于不压缩。建议不要盲目追求「压缩内存」，而应关注未来的 Harness 能否在底层屏蔽 KV Caching 的复杂性。