cjh · 仓颉语言实现的 Harness

杨洋_866

4人浏览 · 2026-09-12 20:55:54

杨洋_866 · 2026-09-12 20:55:54 发布

用华为仓颉语言从零实现的交互式编码代理（coding agent harness）。

终端里用自然语言描述任务 → Agent 理解意图、自主规划、调用工具、观察结果、迭代直至完成。全流程在 TUI 中实时呈现，亦可通过 Web 远程驱动。

cjh 是仓颉语言原生实现的 coding agent harness：单二进制零依赖分发（一个文件 = 一个 agent）、语言级内存安全加持的插件信任链、以「省 token + 高执行效率」为双硬性指标的系统化工程优化。终端 TUI 与 Web 远程双驱动，并面向 多 agent 并行编排 演进（借鉴 swarm 等成熟范式，取并行子代理取向）。

在这里插入图片描述

🎯 立项初衷：仓颉原生的差异化价值

AI 编程 agent 领域已有 codex、claude code、deepseek dsh、pi、omp 等成熟方案，功能层面已被充分验证。cjh 的价值，是用仓颉语言从底层把一个 完整、可运行、可复用的 coding agent harness 重新实现出来——源码注释完备、可读可学习，是仓颉做 agent 的一手参考实现。单二进制分发、语言级安全、多后端编译、M:N 原生并发，这些仓颉语言特性在 agent 这一真实工程场景里完整落地，并由此支撑 多 agent 并行编排。

立项核心命题：主流 agent 已证明功能可行，功能堆砌无意义；仓颉独有优势才是立身之本。 三个硬约束贯穿全部设计：

不重复造轮子：功能层面主流 agent 已证明可行，功能堆砌无意义；
仓颉独有优势是前提：别的语言能轻易做到的，不构成竞争力；取长补短，好的当然可以借鉴，但仓颉语言特性带来的差异化更值得做；
生态贡献是目标：像 dsh 的插件生态一样，让社区愿意为 cjh 贡献——这要求插件门槛足够低、分发足够顺、信任机制足够完善。

仓颉语言特性如何命中痛点

仓颉特性	解决的痛点	差异化优势
静态编译单二进制（cjnative）	运行时包袱、分发成本	无 Node/Bun/npm 依赖树，一个文件 = 一个 agent，<10MB
强安全语言设计（安全 DNA）	安全模型	插件/技能编译期类型检查，内存安全，恶意代码风险结构性降低
多后端编译 + 终端层平台抽象（cjnative/cjvm + 鸿蒙位）	平台覆盖	Linux / macOS / Windows 原生运行，鸿蒙预留；终端层 VT 输出统一 + 平台后端条件编译，一份源码多平台二进制
M:N 轻量线程 + 高性能	上下文管理、并发	原生并发处理流式/多 agent，低开销
国产根技术	信创/自主可控	政企、金融等敏感场景无涉外运行时依赖

🎯 两大硬性指标

cjh 的核心设计目标是两大硬性指标：省 token + 高执行效率。这两点直接决定 coding agent 的实用价值与成本。

指标一：省 token

LLM API 按 token 计费，coding agent 多轮工具调用累积 token 消耗惊人。cjh 参考 Pi agent 的省 token 工程化经验，从四个维度系统优化：

优化手段	实现方式	效果
工具结果截断与回溯	超阈值工具结果保留头尾 + 完整落盘 `~/.cjh/spill/<sessionId>/<toolCallId>.txt` + 省略标记含落盘路径，模型可用 `read_file` 按需读回	避免像某些 agent 只取开头和结尾丢失中间信息；落盘回溯既省 token 又不丢信息
自动 Compaction	消息条数或估算 token 超阈值触发 LLM 摘要压缩早期历史	长会话不爆上下文窗口，省 token 又防溢出
prompt cache 利用	DeepSeek `prompt_cache_hit_tokens` + Anthropic `cache_read_input_tokens` 统计与展示	利用 Provider 的 prompt 缓存，重复前缀不重复计费
回合总结条	每轮结束显示 `✓ 2 rounds · 3 tools · 42.6s · 1.5k tokens · 99% cached`	token 消耗实时可见，便于人工干预

指标二：高执行效率

优化手段	实现方式	效果
V2d 并发执行引擎	DAG 依赖分析（从 ToolCall 提取资源访问 `(path, isWrite)`）+ 拓扑分组调度（同组 spawn 并发，组间串行）	LLM 并行工具调用自动并发执行
hashline 文件改写（借鉴 OMP）	行号锚点 `@@N` + 内容验证编辑	避免 read 整文件 + write 整文件的开销，大文件精确行级编辑
keep-alive 连接复用	上一轮响应自然读完的连接入池，下一轮 chatStream 优先复用	多轮任务省 TCP+TLS 握手（实测 2-5s/轮次）

📊 实测基准（真实 LLM 任务）

指标	优化前	优化后	说明
prompt 峰值	42.9K token（无上限爬升）	9.4K（压缩后重置 5-7K）	历史压缩机制修复
同窗口轮次	48 轮 / 300s	15 轮 / 240s	单轮耗时降为 2-5s（此前 5-22s）
压缩触发	从不触发	每 ~5 轮自动压缩	双阈值：消息条数 OR 真实 prompt token
工具执行耗时	<100ms	<100ms	框架本身非瓶颈

🚀 功能一览

Agent 核心

多轮工具调用循环：消息历史 → LLM → 工具调用 → 结果回填 → 再调用
三域 Capability 安全模型：commands / tools / resources 白名单 + 危险操作审批链
自动 Compaction（后台异步）：后台 spawn 摘要，不阻塞主循环
项目指令：自动加载 AGENTS.md / .atomcode.md 注入 system prompt

工具系统（14 个内置 + 可扩展）

bash：执行 shell 命令
read_file / write_file / append_file：文件读写与追加
hashline_edit / edit：精确行锚点编辑与字符串替换
grep / glob / ast_grep：代码搜索与匹配
list_dir：列出目录树
todo_write：任务列表管理
task：派发子代理（explore/worker）
web_search / web_fetch：联网搜索与网页抓取

LLM Provider 层

支持 OpenAI, DeepSeek, GLM, Anthropic, Ollama, MCP 服务器。

📁 架构

┌─────────────────────────────────────────────────────────┐
│             cjh 主入口 (entries.cj + main.cj)             │
│              CLI / TUI / JSON / Web / Mock               │
├─────────────────────────────────────────────────────────┤
│  TUI 层 (tui/)          │  Web 层 (web/)                │
│  差分渲染 + 按键 + 主题   │  HTTP Server + WebSocket       │
├─────────────────────────────────────────────────────────┤
│              Agent 运行时 (agent/loop.cj)                │
│        消息状态机 + 工具调用协议 + DAG 并发调度             │
├──────────────────┬──────────────────────────────────────┤
│  工具集 (tools/)  │  LLM 层 (libs/cjllm/)               │
│  bash/read/write  │  OpenAI / Anthropic / Ollama / Mock  │
│  grep/list/edit   │  SSE 流式解析 + 累加器                │
│  plugin/mcp/todo  │                                      │
├──────────────────┴──────────────────────────────────────┤
│  基础设施库 (libs/)                                      │
│  cjterm（终端UI）· cjcfg（配置）· cjutil（工具）· cjlog  │
└─────────────────────────────────────────────────────────┘