mfs
为AI智能体提供统一的多源上下文搜索与管理能力
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：mfs。 它的用途是：为AI智能体提供统一的多源上下文搜索与管理能力 完整的 Skill 内容见：https://321skill.com/skills/mfs/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“使用mfs-find技能，在项目代码、上周的会议纪要和产品需求文档中，搜索所有关于‘用户登录流程优化’的讨论。”，它会调用`mfs search`命令，跨越代码注释、Markdown会议记录和Confluence文档，返回所有相关片段，并允许你通过`cat`命令查看具体内容。
介绍
现代AI智能体依赖海量上下文信息，但这些信息通常分散在代码库、文档、聊天记录、数据库等数十个来源和格式中，难以管理和精准定位。MFS解决了这一核心痛点，它将所有数据源整合到一个统一的文件树状命名空间下，让智能体能够像浏览本地文件一样，无缝搜索和访问来自不同源头的信息。
MFS通过两个核心技能模块来工作：mfs-ingest负责将各种数据源（如GitHub、Notion、Slack、PostgreSQL等）注册、索引并同步到统一的工作区；mfs-find则提供强大的搜索和浏览命令，如search、grep、ls、cat等，让智能体能够快速定位到所需的精确信息片段。
它非常适合需要处理复杂、多源上下文的AI智能体开发者、全栈开发者以及数据分析师。无论是构建需要理解项目全貌的编码助手，还是开发需要综合客户历史、产品文档和内部沟通的客服机器人，MFS都能提供坚实的数据基础层。
建议在部署时，先通过mfs add命令连接最关键的几个数据源（如主代码仓库和核心知识库），让智能体体验统一搜索的便利。随后再逐步扩展，接入更多辅助数据源，以构建更全面的智能体工作记忆。
核心特点
MFS的核心区别在于其“文件系统”抽象层，它将异构数据源统一映射为类似POSIX的文件树结构，使智能体可以使用熟悉的文件操作命令（如ls, cat, grep）直接访问和搜索所有上下文，而非仅为每个数据源提供独立的API或查询语言。
注意事项
MFS主要作为智能体的上下文管理基础设施，不适合直接用于生成内容或执行具体业务逻辑（如编写代码、回复邮件）。
常见问题
MFS和普通的向量数据库有什么区别？
MFS不仅提供向量搜索，更重要的是通过“文件系统”抽象统一了多源数据的访问方式，并集成了关键词搜索、浏览等传统文件操作，是构建在向量数据库（如Milvus）之上的智能体上下文管理工具。
MFS需要一直运行一个服务吗？
是的，MFS采用客户端-服务器架构，需要先运行`mfs-server`作为后端服务，负责数据索引和查询，然后智能体通过`mfs-ingest`和`mfs-find`技能与之交互。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/mfs/raw/index.md 读取 mfs 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/mfs/raw/index.md（查看排版版本）