Claude Code 那个一个对话开多个云端线程的功能确实有点意思

直接说结论，如果你在折腾多任务并行或者需要 Agent 在后台异步跑任务，Claude Code 最近上线的 Projects 功能是个正经好用且能落地的方案。它不再是简单的「聊天+调用工具」，而是允许一个主对话衍生出多个并行的云端 Session，而且线程之间能传上下文，最关键的是你关掉窗口它还在云端跑，这解决了之前很多 Agent 必须死盯着控制台的痛点。

怎么看待这种多 Session 编排？

这次 Anthropic 的操作其实是把「协调器（Coordinator）」这个概念产品化了。从 Cat Wu 和 MikeyK 的内部描述来看，这其实是一个更高层级的抽象，通过一个主控 Claude 来管理那些长时运行的内存和状态更新。

对我来说，这种设计比单纯增加上下文窗口更有意义。以前我们习惯于在一个长对话里塞所有东西，结果导致模型注意力分散且 Token 成本爆炸。现在这种「一个主对话 + 多个并行线程」的模式，让开发者可以用一种更像编程的逻辑去组织任务，而不用担心单线程的线性限制。不过目前这些线程都跑在云端，本地工作流还没放出来，这点得注意。

基础设施的标准化趋势

除了 Claude，Google 这一波更新也挺硬核的。Gemini 的托管 Agent 引入了基于 Antigravity 的新 Harness，最实用的是这两个 API：

• Credentials API： 终于不用把密钥直接塞进 Model Context 这种危险操作了，它通过占位符和受信任域的出口代理来隔离 Secrets。
• Files API： 解决了 Artifact 传输和持久化沙箱的问题。

官方给出的数据是成本降低了最高 30%，缓存命中率提升了 22%。结合 Perplexity 的 Computer、Base44 的电话 Superagent 还有 Meta 的 Muse for Mac 来看，现在的趋势非常明显：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，而不是什么插件功能。

Jev 这种分类模型到底怎么用才对？

最近 TypeSafe 的 Jev 讨论度极高，很多人把它当成聊天机器人，这其实是误区。在实际构建系统时，把 Jev 当成一个「快速、廉价的约束输出原语」才是正确姿势。

简单来说，Jev 就像是一个 AI 版本的 if 语句。如果你在做复杂的 Agent 架构，不要用最贵的前沿模型去做路由、判断或结构化提取，那样太浪费。把这些高频、简单的决策交给 Jev 这种判别式模型，让昂贵的推理模型只处理真正困难的 Reasoning。

目前社区里已经有很成熟的玩法了：

• LLM-as-judge： 用 Jev 做快速评测。
• Harness Routing： 在子 Agent 之间做分发。
• Typed Extraction： 强制输出特定类型。
• 开源替代： 已经出现了 openjev-s，是用 Qwen3.6-35B-A3B 搭配 SGLang radix cache 实现的，效率很高。

关于内存压缩的坑

这里得分享一个关于 Jev 的反直觉观点。很多人想用 Jev 来做激进的逐行历史压缩（Compaction），但这可能会导致严重的性能下降。

Theo 提到了一个关键点：压缩不只是简单的过滤。如果你强行删掉隐藏的推理 Payload（Reasoning payloads），前沿模型的推理能力会直接掉档。更坑的是，编辑历史记录可能会导致之前的 KV Cache 失效，结果反而比不压缩更贵。

所以我的建议是，不要盲目追求「压缩内存」，而应该关注未来的 Harness 能不能在底层把 KV Caching 的复杂性给屏蔽掉。