핵심 내용
GeekNews 최신 글 페이지에서 9월 19일 오전 기준 가장 눈에 띄는 AI 개발 신규 글은 jcode다. 프로젝트는 Rust 기반 코딩 Agent harness로, Claude·OpenAI/Codex·Gemini·GitHub Copilot과 여러 OpenAI-compatible endpoint, Ollama·LM Studio 같은 로컬 런타임을 지원하며 여러 세션을 한 서버에서 병렬로 돌리는 데 초점을 맞춘다. MIT License로 공개돼 있다.
프로젝트 자체 benchmark에서 10개 active session의 PSS 메모리는 jcode 약 260.8MB, Codex CLI 약 334.8MB, Claude Code 약 2.30GB, OpenCode 약 3.24GB로 측정됐다. 세션 하나를 추가할 때 증가하는 메모리는 jcode 약 10.4MB, Codex CLI 약 21.6MB, Claude Code 약 212.7MB로 제시됐다. 이 수치는 프로젝트 제작자가 특정 Linux 환경과 특정 버전에서 수행한 자체 benchmark이므로 다른 OS·모델·플러그인 구성에서는 결과가 달라질 수 있다.
Swarm 기능도 특징적이다. 같은 repository에서 여러 Agent를 띄우면 서로 파일 변경을 감지하고, 다른 Agent가 이미 읽은 파일이 수정됐을 때 해당 Agent에게 알림을 보내며, Agent끼리 DM·broadcast를 할 수 있다. 메인 Agent가 하위 Agent를 자동 생성해 coordinator/worker 구조로 병렬 작업을 수행할 수도 있다. 별도의 memory graph와 session search, side panel·diff viewer·Mermaid rendering도 제공한다.
배경
코딩 Agent 사용방식은 하나의 Agent와 긴 대화를 이어가는 형태에서 backend 구현, test, review, migration 같은 작업을 여러 Agent에 병렬로 맡기는 방향으로 이동하고 있다. 이 경우 모델 호출비용뿐 아니라 각 CLI 프로세스의 RAM, startup latency, 작업 충돌 관리가 실제 개발자 경험을 좌우한다. GeekNews에 최근 Proliferate 같은 다중 Agent orchestration 도구가 연이어 등장한 것도 같은 흐름이다.
산업·시장에 미치는 영향
Coding Agent 경쟁의 단위가 모델 성능에서 harness·memory·swarm·provider portability·resource efficiency로 넓어지고 있다. 개발자는 Claude Code나 Codex 중 하나만 선택하기보다, 같은 프로젝트에서 역할별로 여러 provider를 조합하는 방식으로 이동할 수 있다. 이런 도구가 성숙하면 coding agent가 IDE plugin보다 local compute scheduler에 가까운 형태가 될 가능성이 있다.
실무에서 바로 활용할 수 있는 시사점
여러 코딩 Agent를 동시에 돌리는 팀이라면 실제 repository 하나를 대상으로 동일 작업 1세션, 5~10개 병렬 세션, Agent 간 파일충돌 세 가지를 직접 측정해보는 것이 좋다. RAM 사용량뿐 아니라 PR 충돌률, 중복작업, 사람 review 시간, 완료 task당 token 비용을 함께 비교해야 한다. subscription OAuth와 local endpoint를 한 harness에서 섞을 수 있다는 점은 실험에 유용하지만, credential 저장 위치와 telemetry 설정은 도입 전에 별도로 점검하는 편이 안전하다.