Zed 1.19.0-pre 更新解析:调用层级、AI 会话优化与 Git 多选

Zed v1.19.0-pre 新增调用层级导航与 Git 多选,并优化 AI 会话内存及多模型兼容性。
Zed v1.19.0-pre 是一次覆盖 AI 智能体、代码导航、Git 工作流与编辑器体验的综合性更新。最值得关注的两项改进分别是:面向重度 AI 用户的长会话内存占用优化,以及补齐 IDE 核心能力的调用层级(Call Hierarchy)支持——后者让开发者可通过树状结构快速梳理函数间的入调用与出调用关系。Git 面板新增多选操作,显著提升批量文件处理效率。此外,项目搜索默认改为输入即时触发,属于破坏性变更,大型代码库用户需手动关闭。本次更新还修复了多个模型接入层的兼容性问题(Gemini、Anthropic、Ollama),并新增 effort-based reasoning 支持,整体展现出 Zed 在功能完善与稳定性之间的持续平衡。
概述
Zed 编辑器发布了 v1.19.0-pre 预览版本,作为一款以性能著称的现代化代码编辑器,本次更新覆盖了 AI 智能体、Git 面板、语言支持等多个核心模块。其中最值得关注的包括调用层级(Call Hierarchy)支持、Git 面板多选功能、无标题缓冲区的自动语言识别,以及默认开启的输入即时项目搜索。
本文将从开发者实际使用的角度,梳理这次更新中真正有价值的改进,帮助你判断是否值得升级尝鲜。

AI 智能体的深度优化
作为一款大力押注 AI 编程能力的编辑器,Zed 在本次更新中对 AI 相关功能进行了多项打磨。
内存与流式性能改进
最实用的改进当属长时间 Agent 会话中的内存占用优化(#63053)。使用 AI 智能体进行长对话或复杂任务时,内存持续增长一直是困扰用户的痛点,此次优化对重度 AI 用户意义重大。
同时,Zed 改进了 OpenAI 兼容供应商的流式输出(#63520),并对 Claude Fable 5.1 提供了更好的支持(#63571)。对于 OpenRouter 模型,还新增了**基于推理强度(effort-based reasoning)**的支持(#61308),让用户可以在推理深度和响应速度之间做权衡。
基于推理强度(effort-based reasoning)是 OpenAI o 系列模型(如 o1、o3)引入的一项参数控制机制,允许用户通过 reasoning_effort 字段指定 low、medium、high 三档,在推理链路的深度与 token 消耗、响应延迟之间做取舍。高强度推理适合需要多步逻辑推导的复杂任务,低强度则可加快简单补全或问答的响应速度。OpenRouter 作为多模型聚合路由层,通过统一 API 将该参数透传给底层支持的模型。Zed 此次将该能力集成进来,意味着用户可以在编辑器设置中直接控制推理深度,而无需手动修改 API 请求参数,对需要频繁在速度与质量之间切换的工作流有实际价值。
多模型接入的 Bug 修复
几个模型接入层面的修复也值得关注:修复了 Gemini 因工具 schema 无法在 Zed 受限方言中表达而拒绝请求的问题(#63342);修复了 Anthropic 的「prompt 过长」HTTP 400 错误未被识别为上下文窗口溢出的问题(#63596);此外还修复了 Ollama 未能作为编辑预测供应商出现的问题(#63519)。这些修复表明 Zed 正在持续打磨多模型生态的兼容性。
调用层级:补齐 IDE 核心能力
对代码浏览体验影响最大的新功能是调用层级(Call Hierarchy)支持(#53239)。开发者现在可以通过 call hierarchy: show incoming calls 和 show outgoing calls 命令,查看某个函数被谁调用、以及它调用了哪些函数。
默认快捷键在 macOS 上为 cmd-k cmd-h,在 Linux 和 Windows 上为 ctrl-k ctrl-h。这是传统 IDE(如 IntelliJ、VS Code)早已具备的能力,Zed 补齐这一功能后,进一步缩小了与成熟 IDE 之间的差距,对阅读大型代码库尤为关键。
此外,语言支持方面还新增了对 .bash_login 文件的 Shell 脚本识别(#63466),以及对 CSV/TSV 等表格数据的预览功能(cmd-shift-v,#63369)。
调用层级(Call Hierarchy)是一项基于语言服务器协议(LSP)的代码导航功能。「入调用(Incoming Calls)」展示哪些函数或方法调用了当前符号,帮助开发者快速定位调用方;「出调用(Outgoing Calls)」则展示当前函数内部调用了哪些其他函数,便于理解依赖链路。这两个视角结合起来,可以在不逐行阅读代码的情况下,快速建立对陌生代码库的调用关系认知。在大型单体应用或微服务项目中,一个函数可能被几十处调用,调用层级功能可以将这些引用以树状结构组织,远比全局搜索更直观。Zed 的实现依赖各语言的 LSP 服务端支持,因此实际可用性取决于对应语言服务器是否实现了 callHierarchy 能力(如 rust-analyzer、clangd、pyright 等均已支持)。
Git 工作流增强
Zed 内置 Git 面板一直是其一大特色,本次更新继续强化:
- Git 面板多选(#60340):可以一次性对多个文件执行暂存、丢弃等操作,大幅提升批量处理效率。
- 新增 Open File on Remote 和 Copy Remote File URL 选项(#62177),方便快速跳转到远程仓库对应文件。
- 打开包含大量合并冲突的项目 diff 时性能得到改善(#63394、#63395)。
配套还修复了多个 Git 相关问题,包括部分克隆(partial clone)下无法识别远程仓库、裸仓库的 worktree 命名问题,以及从 Git Graph 打开提交 diff 后「返回」失效的问题。
编辑器体验的细节打磨
除了大功能外,Zed 也在众多细节上持续改进。
默认开启输入即时搜索
这是一项破坏性变更(Breaking Change):项目搜索现在默认在输入时即时执行(#62506)。习惯了「输入完再回车」的用户可能需要适应,若想恢复旧行为,可在设置中添加 { "search": { "search_on_type": false } }。
「输入即时搜索(search on type)」是指每次键入字符后立即触发一次全项目搜索,而非等待用户按下回车键确认后再执行。这种模式在小型或中型项目中体验流畅,但在大型 monorepo 或文件数量极多的工作区中,每次击键都可能触发一次高负载的文件系统遍历,导致输入卡顿或 CPU 占用飙升。Zed 将其设为默认行为,是一次基于大多数用户场景的权衡决策,但对于大型代码库用户而言需要特别注意。通过 search_on_type: false 恢复手动触发模式后,搜索仅在按下回车键时执行,可有效避免性能问题。这类「行为变更类默认值调整」在语义版本号上属于 breaking change,升级前建议确认该配置是否符合自己的工作习惯。
性能与持久化改进
- 使用
.editorconfig文件的项目,输入和渲染性能得到提升(#63323)。 - Zed 退出、更新后重启或重载工作区时的数据持久化更加可靠(#63213)。
- 命令面板改进了排序逻辑,按使用近期度排序,把常用命令排在前面(#63388)。
新增多项配置项
本次更新新增了若干实用设置,包括 reveal_if_open(在已打开的面板中显示缓冲区)、folder_indicator(同时显示折叠箭头和文件夹图标)、outline_panel.multi_buffer_hide_symbols(多缓冲区视图只显示文件和目录)等,进一步提升了编辑器的可定制性。
崩溃与稳定性修复
作为预览版,本次更新修复了大量崩溃和挂起问题,值得关注的包括:
- 修复了语言模型供应商流式传输大型工具输入时的 UI 挂起(#63241)。
- 修复了 Agent 终端工具调用在 macOS 上泄漏文件描述符的问题(#62978)。
- 修复了多缓冲区替换文件内容时可能引发的崩溃(#62636)。
- 修复了 Windows、Linux 上的多个平台特定崩溃问题。
这些修复表明 Zed 团队在快速迭代新功能的同时,也在严格把控稳定性。
总结
Zed v1.19.0-pre 是一次功能与稳定性并重的更新。AI 会话内存优化和调用层级支持是本次最实用的两项改进,前者面向重度 AI 用户,后者面向大型代码库开发者。Git 多选、默认即时搜索等则在日常工作流层面持续优化体验。
作为预览版本,尝鲜者可以提前体验这些新特性,但需注意默认搜索行为的变更。对于追求性能与原生 AI 集成的开发者而言,Zed 的迭代节奏依然值得持续关注。
相关推荐

Manim动画引擎及主流技术动画工具全面解析
深入解析Manim Community动画引擎的核心优势与学习曲线,对比D3.js、After Effects、Processing等主流技术动画工具,帮助创作者根据技术背景和内容类型选择最适合的动画制作方案。

Cursor编辑器深度吐槽:UI卡顿、内存爆炸与交互Bug全解析
深度剖析Cursor编辑器的用户体验痛点,包括内存占用过高导致MacBook卡顿、项目会话管理混乱、窗口位置不记忆、always allow按钮失效等问题,探讨AI编程工具模型能力与产品体验的落差困境。

基于模型的强化学习详解:从Dyna到MCTS再到AlphaGo演进路线
系统解析基于模型的强化学习(MBRL)核心技术路线,涵盖Dyna架构的经验融合机制、蒙特卡洛树搜索MCTS原理,以及AlphaGo到MuZero的算法演进,帮助你建立完整的MBRL认知框架。