AI news

官宣|zilliz 推出开源版Claude Tag(附github地址)

By Zilliz0 viewsSource: Zilliz
官宣|zilliz 推出开源版Claude Tag(附github地址)

前两天,Anthropic 发布了 Claude Tag,可以把 Claude 变成你 Slack 里的常驻同事,不仅能以同事身份参与团队协作,支持多人共享同一会话线程,最重要的是,它还具备主动持续学

The full text has not been translated yet. The Chinese original is shown below.

前两天,Anthropic 发布了 Claude Tag,可以把 Claude 变成你 Slack 里的常驻同事,不仅能以同事身份参与团队协作,支持多人共享同一会话线程,最重要的是,它还具备主动持续学习团队上下文的能力。

也就是说,你可以在Slack频道里直接@Claude,然后它就会根据当前上下文的情况去执行工作中的操作,就像一个真实的同事一样。

文章配图

但是它的门槛不低:仅限Claude CodeEnterprise 和 Team 客户使用,个人用户没份,codex玩家更是只能干巴看着。

文章配图

但巧了不是,我们内部研发了快半年的项目MFS,和 Claude Tag想到一块去了。

项目地址:https://github.com/zilliztech/mfs

并且,基于我们的MFS项目,任何人都可以很快地复刻一个开源版本的Claude Tag,并做到普通Claude用户和Codex用户,都能免费使用。

以下为我们基于MFS,两天天手搓的 zilliz 版本开源Claude Tag,我们管它叫Open Tag。它的使用体验和Claude Tag非常相似。

Open Tag 示例:

https://github.com/zilliztech/mfs/tree/main/examples/open-tag-skill

举个例子,你可以在你的Slack频道里@OpenClaude,(用 Codex 就是 @OpenCodex)。然后扔给它你的需求,它就能先读懂当前线程在聊什么,再结合你授权给它的上下文(代码、文档、工单、聊天记录、数据库里的行),直接输出结果,最终把结果直接贴回 Slack。

文章配图

01

Zilliz 版Open Tag效果展示

话不多说,先看Open Tag的效果和安装使用教程,这里有几个简单的录屏。

第一步,自动化配置与安装

通过调用 open-tag-admin Skill,Agent 会引导你完成 Open Tag 的本地安装与环境配置:

文章配图

第二步,真实工作流 review

配置好后,我建了OpenClaude这个Slackbot。然后我把它邀请进 Slack 频道后,直接 @OpenClaude,输入具体指令。

文章配图

文章配图

例如,在研发场景中,我让其 Review 我的开源项目 memsearch 的最新 PR 和 Issue 并给出专业意见。

可以看到它工作3分钟之后,就给出来了详细的回复和建议,我甚至可以继续让它进行PR合并之类的操作。

文章配图

这边只是演示一个接入GitHub的例子。除此之外,我们可以在设置的时候接入各种数据源,让它有更多的数据接入和控制能力。

想看它具体怎么装、怎么跑,点击开源链接即可:

https://github.com/zilliztech/mfs/tree/main/examples/open-tag-skill

注:由于目前展示的是在本地运行的 Demo,我们暂未对该示例实现严格的沙箱隔离与权限管理机制。在生产环境中部署前,建议务必理解其底层原理与安全边界。

02

解构 Claude Tag:构成三要素与核心瓶颈

看完了效果,我们来看看Claude Tag以及Open Tag,是怎么运行的。

Claude Tag 说白了,就是把一个 agent 拆成三块拼起来:大脑负责策略、memory 负责记忆,tools 负责执行。

一个大脑负责想,一份记忆让它记得住事,一双手脚让它够得到外面的工具和数据。

  • 大脑:负责长期意图理解与策略规划,接入 Claude、Codex即可。
  • memory :负责持久化跟踪频道内的上下文,避免在每次交互时进行从零开始的 Prompt 灌输。
  • tools +数据:触达外部系统的工具和数据源,完成具体的执行操作。

总结来说ClaudeTag = Brain (大脑)+ Memory (记忆) + Tools (工具/数据接口)

对于 Open Tag 而言,还原大脑并不难,挂载 Claude Code 或 Codex exec 即可;还原 Slack 的消息外壳也不难,只需通过监听 app_mention 事件,读取线程上下文并实现收发适配器,几百行代码就能搞定。

真正难点是另外两块,记忆和tools 。即如何让 Agent 能够实时跨越十几个相互孤立的系统,精准、低成本地检索并引用上下文。

而Open Tag,我们可以理解它只是一个收发消息的轻量级适配器。其背后真正提供跨源数据对齐与上下文召回能力的,是我们的核心开源底座项目:MFS。

MFS 项目地址:https://github.com/zilliztech/mfs

文章配图

03

MFS 的技术实现

为了让 Agent 能够像人类工程师一样理解复杂的企业数据,MFS 在工程上做了两项重构:

1、统一的URI操作界面

目前业界的共识是,Agent 最天然、信息密度最高的交互接口是 CLI(命令行界面)。既然 Agent 天生对 Shell 命令有极高的泛化执行能力,MFS 索性将所有异构数据源,在底层全部抽象为统一的虚拟树结构。

  • 一个 Postgres 表,被抽象为一棵可以 ls 进去的树,每一行记录就是一个可以 cat 的 JSON 对象。
  • 一个 PDF、一个 S3 桶、一个 GitHub 仓库连同它的 issue,也全是树,甚至一个 Slack 聊天线程,都能映射为具备稳定 URI 的标准节点。

Agent 只需要使用一组标准的原子命令(tree、ls、cat、search、grep),就能以极低的 Token 成本遍历所有异构空间:(tree 摊开一个源的结构,ls 看某一层有什么,cat 把一个对象读出来。要快速定位,还有 search 做语义搜索、grep 做精确匹配。)

mfs tree github://acme/backend -L 1      # 摊开一个仓库的结构 ├── src/ ├── tests/ └── README.md mfs ls postgres://prod/public            # 看数据库里有哪些表 tickets/   users/ mfs cat jira://acme/PLAT/issues.jsonl --locator '{"id":"PLAT-491"}' # 把那条工单的原文读出来

在 CLI 之上,MFS 还将这些原子能力打包成了两个面向 Agent 的标准Skill:

  • mfs-ingest:负责数据源的注册、配置生成、增量同步与索引构建,必要时排查为什么没有 ingest 成功
  • mfs-find:负责跨源的搜索和浏览,在已经接入的源里 search / grep,再用 tree / ls / cat 一路定位到原文证据。

安装它们只需要一条命令。跑完以后,mfs-ingest 和 mfs-find 这两个 Skill 会自动装上;不管你用的是 Claude Code 还是 Codex,所有支持 Skill 的 agent 都能用:

npx skills add zilliztech/mfs --all -g

装完,打开你的 agent,连命令都不用记,直接用大白话说就行:

> 把我这个仓库 ingest 了,再帮我找找 webhook 重试的逻辑在哪

剩下的它自己会调对应的 mfs 命令搞定。

2、双轨制检索:搜索与浏览的两条腿走路

在 Agent 获取上下文的路径上,行业长期存在两大流派的争论:

搜索派(RAG/索引):强调先建向量索引,再做语义检索。传统 RAG、大型知识库,或者 Cursor 是其中代表

浏览派(progressive disclosure):代表性玩家是 Anthropic ,不一次性暴露所有数据,让 Agent 顺着 Skill 线索一层层渐进式披露,需要哪块看哪块。Skill 的按需发现机制也是这个路子。

文章配图

很多人把这两派看成二选一,但我们回想一下人类寻找信息的真实链路:

搜索信息,我们会先通过 Google 搜索获取高召回的候选列表(搜索),再点击进入具体网页顺着目录精读(浏览)

文章配图

去图书馆找书也一样。你不会从头到尾一本一本翻,你会 1)先查索引、顺着它定位到某一排书架。 2)然后你走过去,抽出那本,翻到具体那一页。

这两个例子都有一个很明显的特征,需要我们把搜索与浏览紧密结合。其中,搜索负责把范围缩小,浏览负责提供更精确的信息。

MFS 的设计也是同理。先用 search、grep 在大范围里快速框出候选,再 tree、ls、cat 顺下去把它核实。一边提召回省 token,一边提精度保准确,这在 agent 的上下文定位和记忆召回里特别好使。

在测试中,我们拿两千个文件的复杂代码库做了测试,纯原生 Shell 的 Agent 检索平均消耗962 tokens(命中率 22/24);而采用 MFS 的“搜索+浏览”双轨制方案后,Token 消耗骤会降至460 tokens,同时命中率提升至 23/24。相关记录和详细结果都在代码仓库的报告里。

文章配图

04

异构数据源的统一与架构弹性

1、全源检索的实际价值

mfs的一大优势是,能通过一个 --all,检索你注册进来的全部源,代码、数据库、文档、网页、工单等等,并返回相同格式。

比如我们同事想搞清楚,在 zilliz 内部,手头到底已经有哪些跟混合检索相关的研发资料,又散在哪儿了。只需要:

mfs search "我们现在到底已经有哪些跟混合检索相关的东西?" --all

postgres://prod/public/engineering_tickets/rows.jsonl   score=0.88 #482 hybrid retrieval flaky on long queries — dense recall drops near ... notion://workspace/design/retrieval-rfc.md              score=0.85 Hybrid search: combine dense + sparse, fuse with weighted RRF ... web://milvus-tutorials/hybrid-search                    score=0.81 Hybrid search runs an ANN search and a BM25 search, then reranks ... file://local/repo/src/milvus.py                         score=0.76 423  def hybrid_search(self, query: str, top_k: int = 10): github://your-org/bootcamp/notebooks                    score=0.69 bootcamp/hybrid_search.ipynb — end-to-end hybrid retrieval walkthrough

可以看到,一条命令,把工单里的反馈、设计文档里的方案、官方教程、你自己代码库里的实现、github 上的示例,本来散在五个毫不相干的系统里的内容,全都排在同一个结果列表里。

在 agent 里它还会更进一步,把这几个源的命中综合成一段回答,最后做进一步分析。

这个例子已经录制成以下的 GIF:

文章配图

目前 MFS 已经原生支持了 20 多种主流的数据源:

文章配图

过去这些业务含义不一样,连物理形态也不一样的数据源,很难直接用于搜索,但MFS 可以屏蔽了底层的物理形态差异,(通过文档转文本,图片转描述,表格行和消息线程整理成结构)让它们始终是同一套树、用同一套命令操作,直接服务于 agent的搜索、读取与引用。

另外,MFS 还在底座层内置处理了增量同步、认证鉴权、文档切块(Chunking)、Embedding 复用、索引和元数据一致性、缓存、删改清理、任务中断恢复的系统级工程。

值得一提的是增量同步,过去数据库看 updated_at,聊天靠消息游标,文件夹比内容哈希,发现变化的方式各不相同,但现在MFS 框架可以替你判断怎么同步,最后统一汇报成新增、改动、删除。

这里先不展开这些繁琐细节,后面我会单开一篇讲它背后的工程设计。

如果你想贡献新的 Connector,也不用重写一整条检索管线。框架已经把共性抽成了接口和父类,你只要把这个源里有什么、怎么读、怎么发现变化讲清楚,后面的转换、同步、embedding、索引、缓存和搜索,都由 MFS 接着往下走。

2、架构的弹性:从本地单机到企业级生产

架构上,MFS 采用彻底的 Client/Server 分离架构,向量库、元数据库、缓存这些后端部件全部解耦,支持无缝的平滑扩容。从而让它既可以很快在本地跑起来,也可以快速 scale 到生产环境。具体来说

  • 开发者本地快速 demo:后端默认进入 本地的轻量化模式。向量数据库采用 Milvus Lite,元数据采用 SQLite,Embedding 默认调用本地约 600MB 的 ONNX 模型。无需任何云端 API Key 和GPU,单机一分钟拉起。
  • 企业级生产部署:当数据量与并发请求激增时,可将后端组件解耦替换。向量库无缝指向 Zilliz Cloud(高性能分布式托管),元数据切换至分布式 PostgreSQL,Server 端打包为标准容器镜像,通过 Kubernetes 进行弹性编排。

使用过程中,用户不用先纠结自己要本地还是生产。这些判断都写进 Skill 里了。只要把需求说清楚,顺手给个 server 地址(如果有的话),agent 就能接着往下走:想连什么数据源、怎么连、凭证怎么配,它都会一步步教你;想快速本地试玩,它带你跑通 quick start;想自己部署,它引导你搭起来。一句话起步,剩下的它接管。

举例:

1. 用 mfs-ingest 帮我把这个本地仓库先加进去,我只想最快跑通一个 demo。

2. 帮我把 Slack 和 Jira 都接上,token 应该放在哪、哪些字段不能明文写,你一步步带我来。

3. 我想按生产方式部署 MFS,向量库用 Zilliz Cloud,元数据用 Postgres,server 准备用 Docker Compose 跑。

4. 帮我看看现在有哪些 connector 已经接好了,再用 mfs-find 搜一下有没有关于 webhook retry 的背景信息。

05

基于MFS 创建自己的“Open Tag”

到这儿你可能觉得,MFS 就是个给自己用的搜索工具。

不止。它同时是一个底座。

Open Tag只是构建在 MFS 之上的一个轻量级示范性应用,你完全可以基于 MFS 提供出来的 CLI 和 SDK,构建自己上层的 Agent 应用/plugin/MCP/Skill。

文章配图

写在最后

过去几年,随着大模型在推理能力跨过临界值,业界的关注点开始聚焦于 Agent Harness、持久化 Memory 以及Skill管理。

而这些层出不穷的新概念,本质上都是在解决同一个问题:让模型真正、稳定地融入人类的生产流。

这也是我们推出Vector Lakebase架构所秉承的初心——语义数据不应长成实时检索、交互探索、批量分析一个个互不相通的知识孤岛,而应当沉淀在一个统一的 Lake-native 基础设施上。

MFS 则是这层基础设施面向 Agent 演进的产物。让 Agent 能够安全、高效、廉价地触达和组织真实世界里的上下文,让它搜索、能渐进式浏览,还能自主处理结构、更新和变化,让 agent 在需要时自己发现、核实、组织线索,减少对人工投喂的依赖,从而让Agent真正从工具进化为一个懂你、懂业务、有上下文的工作搭档。

也欢迎大家体验、提 issue、加 connector:

项目地址:https://github.com/zilliztech/mfs

Open Tag示例:https://github.com/zilliztech/mfs/tree/main/examples/open-tag-skill

文档:https://zilliztech.github.io/mfs/

Discord:https://discord.com/invite/FG6hMJStWu

文章来自于微信公众号 “Zilliz”,作者 “Zilliz”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)