Claude Tag的国产开源平替来了，还有保姆级教程！- 大数跨境

首页

Claude Tag的国产开源平替来了，还有保姆级教程！

智猩猩AI

2026-06-27

导读：让 Agent 真正读懂团队上下文~

智猩猩AI整理

编辑：没方

2026年初，OpenClaw 因为能够接入飞书等通讯协作工具，引发了不少关注。

过去我们使用智能体，通常需要主动打开一个工具，把任务背景、项目资料、代码路径、需求细节一遍遍告诉它。可真实工作流往往发生在团队协作平台里，所以把智能体接入通讯工具，成为团队里的“虚拟同事”，就成了一个很自然的方向。

但通讯工具接入只是第一步。更难的是，Agent 能不能真正理解团队上下文，能不能从历史对话、代码仓库、文档、Issue、数据库等分散信息里，主动找到完成任务所需要的背景知识。

2026年6月23日，Anthropic 推出的 Claude Tag，把这个方向又往前推了一步。

Claude Tag 可以接入 Slack（海外团队常用的类似飞书的沟通平台）。在 Slack 频道里，团队成员只需要像 @ 同事一样 @Claude，就可以让 Claude 参与讨论、读取线程上下文、检索相关资料，并协助完成分析、总结、查代码、整理任务等工作。

它真正有吸引力的地方，不只是“Claude 进了 Slack”，而是让 Agent 开始具备一种团队协作记忆。

比如，一个需求在 Slack 线程里已经讨论了几十轮，Claude Tag 不需要用户重新复制粘贴所有背景，就能直接基于这段讨论继续推进；一个 bug 牵涉到历史决策、相关文档和代码实现，Claude 也可以在授权范围内结合上下文去理解问题；团队反复处理类似任务时，Claude 不再只是回答当前一句话，而是更像一个知道项目背景、能接住上下文的协作成员。

这对于企业团队来说很重要。

因为团队里的知识从来不是整齐地写在一份文档里，而是分散在群聊、会议纪要、代码提交、PR 讨论、Issue、客服反馈和数据库中。一个真正可用的团队 Agent，必须能把这些碎片化信息连接起来，形成可持续调用的工作记忆。

不过，目前 Claude Tag 还处在 beta 阶段，官方主要面向 Claude Enterprise 和 Team 客户使用。对于普通个人用户想研究这类 Slack-native Agent 工作流的人来说，想直接体验这套能力，门槛并不低。

于是，Zilliz团队基于他们的MFS框架，复刻了一个Claude Tag的国产开源版本Open Tag。普通人都能用，而且纯开源。

Demo项目地址：
https://github.com/zilliztech/mfs/tree/main/examples/open-tag-skill

背后的框架，MFS项目地址：
https://github.com/zilliztech/mfs

从Slack入口到MFS记忆：

Open Tag如何复刻Claude Tag核心体验

Open Tag目前是基于MFS项目构建出的一个Demo方案，快速复刻了Claude Tag的主要核心能力和使用体验，把“在群聊里 @ 一个 Agent 干活”这件事拆成了可研究、可改造的技术方案。

在 Open Tag 的设计里，Slack 只是入口。

用户在 Slack 线程里 @OpenClaude 或 @OpenCodex，Slack Bridge 会捕获这次 mention，读取当前线程上下文，然后把任务交给后端 CLI Agent。

这个后端可以是 claude -p，也可以是 codex exec。真正负责“思考和执行”的不是 Slack Bot 本身，而是后面的命令行 Agent。

这点很关键，很多 Slack Bot 只是把用户消息转发给模型 API，然后把模型回复贴回来。它们更像“接了一个聊天入口”。

而 Open Tag 的思路更接近 Agent Harness：Slack 负责触发，MFS 负责上下文，CLI Agent 负责执行，Python 脚本负责把这些环节粘起来。

Open Tag 的第二个核心，是 Memory。

在普通 AI 助手里，记忆往往来自当前对话窗口。窗口里有什么，模型就能看到什么；窗口外有什么，模型基本不知道。Claude Tag 之所以有吸引力，很大程度上是因为它能在团队授权范围内积累和调用上下文。

Open Tag 通过 MFS 实现了类似能力。

MFS 会把已经索引的数据源变成统一的“文件式命名空间”。这些数据源可以是本地代码仓库，也可以是 Slack 历史、GitHub Issue、Linear 任务、Postgres 数据库、MongoDB、BigQuery、S3、文档目录等。

对于 Agent 来说，它不需要分别学习每个系统的 SDK，也不需要为每种数据源写一套检索逻辑，而是通过类似 search、grep、ls、cat、tree 这样的通用命令完成查找和读取。

这背后其实是一个很重要的 Agent 工程理念：不要一上来就把所有东西塞进 Prompt，而是先检索，再打开，再精读。

MFS 提供的是“Search + Browse”的两段式工作流。

第一步用语义检索和关键词检索从大规模上下文里找到可能相关的片段；

第二步再用文件式浏览能力打开具体位置，读取精确内容。

这样做的好处是，Agent 不需要一次性吞掉整个代码库、整个 Slack 历史或整份文档，而是只取任务真正需要的上下文。

对于长程任务和企业协作来说，这件事很重要。因为 Agent 最大的问题之一，不是模型完全不会推理，而是上下文太散、太多、太不可靠。把无关信息全部塞进上下文，会带来 Token 浪费，也会增加幻觉和误判。

Open Tag 借助 MFS，把“找上下文”变成一个独立、可控、可审计的过程，让 Agent 在群聊里接任务后，能够按授权范围去查资料，而不是盲目猜测。

Open Tag 的第三个特点，是它并不绑定单一智能体框架。

项目文档中推荐了两种 Slack Bot 命名方式：如果后端使用 Claude Code，可以叫 OpenClaude；如果后端使用 Codex，可以叫 OpenCodex。

这意味只要你有安装Claude Code或者Codex，你就可以通过比如CC Switch这种工具，或者通过将API key和base URL来切成你自己使用的模型，就能接到类似的工作流里。也就是说，使用Open Tag的门槛大大降低了。

使用教程

使用OpenTag非常简单，它的使用方式已经做成了Skill，放在MFS仓库中。

安装命令如下：

npx skills add zilliztech/mfs --full-depth --skill open-tag-admin -a claude-code -a codex -g

这里的 -a claude-code -a codex 表示同时安装给 Claude Code 和 Codex 使用，-g 表示全局安装。如果只想安装到当前项目，可以去掉 -g。

然后启动你的Claude Code或者Codex，你只需要使用自然语言输入你的描述，包括你需要允许OpenTag机器人能够看到的你的工作的数据源，还有你准备好的一些权限的凭证（比如环境变量等），这些需求告诉他，他就会自动的帮你启动和导入。

比如以上这个例子当中，就使用自然语言描述了四个数据源可以给Open Tag使用的（本地的项目目录、GitHub上的项目、Slack里的历史聊天，以及一个文档网站的所有页面），以及已经配置好的一些凭证。

如果你不知道要怎么样获取凭证，还有可以导入哪些数据源和上下文，你也可以直接用自然语言问它就好。

在执行过程中，它也会跟你汇报目前的添加状态。

等所有的数据源都添加好之后，Open Tag已经就可以直接在Slack里使用。

以上演示的是用自然语言来进行配置，但其实它背后跑的有以下几步，可以使用一些确定性的命令来去一步一步操作和启动（可以选择性跳过）：

第一步，安装并运行 MFS Server：

uv tool install mfs-servermfs-server run

默认情况下，MFS Server 会绑定到本地地址：127.0.0.1:13619

第二步，索引你的数据源。

因为 Open Tag 本身不负责配置连接器，它只消费 MFS 已经索引好的上下文。也就是说，你需要给你的Open Tag里加的所有的，它能用的数据源，要先通过MFS命令来去添加。最简单的方式，是先索引一个本地代码仓库：

mfs add /path/to/repo

如果你已经安装了 mfs-ingest skill，也可以直接让 Agent 帮你完成这件事，比如在 Claude Code 里输入：

Use the mfs-ingest skill to index my local repo at /path/to/repo.

MFS 支持的数据源不止本地文件，还包括 Slack 历史、GitHub、Linear、Postgres、MongoDB、BigQuery、S3、Web 文档等。

索引之后，这些数据源都会变成 Open Tag 可以访问的 Memory，但前提是你把对应 root 加入允许范围。

第三步，配置 Slack App。

Open Tag 需要你创建或复用一个 Slack App，开启 Socket Mode，并订阅 app_mention 事件。然后给 Bot 添加必要权限，把它安装到工作区，并邀请到一个隔离的测试频道里。

第四步，设置允许访问的 MFS 范围。

Open Tag 的能力边界，取决于 MFS 里有哪些数据源，以及你在环境变量中开放了哪些 scope。比如你只想让它访问某个本地仓库，就只把该仓库的 root 加到 MFS_ALLOWED_SCOPES。

这一步非常重要。它决定了 Slack 里被 @ 的 Agent 能看到什么、不能看到什么。

第五步，选择后端。

Open Tag 支持两种后端：

OPENTAG_BACKEND=claude#或者：OPENTAG_BACKEND=codex

前者会调用 Claude Code 的 claude -p，后者会调用 Codex 的 codex exec。

第六步，运行预检查。

进入示例目录：

cd examples/open-tag-skill/open-tagpython scripts/opentag_doctor.py --help

正式检查时，可以传入 Slack Channel ID：

python scripts/opentag_doctor.py --channel-id <channel-id>

这个脚本会检查环境变量、Slack Bot 访问、MFS 可用性、允许 scope、后端 Agent 是否可用等。如果缺少关键配置，它会尽早失败并给出提示。

第七步，启动 Slack Bridge：

uv run --with slack-bolt python scripts/slack_socket_agent.py --backend claude

如果使用 Codex 后端，则改成：

uv run --with slack-bolt python scripts/slack_socket_agent.py --backend codex

启动之后，Open Tag 会打印当前运行状态。此时回到 Slack 的测试频道，@OpenClaude 或 @OpenCodex，就可以把一个真实任务委托给它。

例如，一个典型使用案例是：

@OpenClaude 请基于当前的需求讨论，和仓库的GitHub上面的最新提的PR和Issue,给出可以优化的内容,以及后续咱们项目还有哪些模块需要改造？

Open Tag 会读取 Slack 线程上下文，把任务交给后端 Agent。后端 Agent 再通过 MFS 的搜索与读取工具，在允许范围内查找相关代码、文档或 Issue，甚至执行一些具体的操作和任务，最后把结果回复回 Slack 线程。

如果团队已经把 Slack 历史、GitHub Issue 和本地仓库都索引进 MFS，那么这个工作流就会更接近真实的 Claude Tag 体验，不是让 AI 只看当前一句话，而是让它围绕一个共享任务现场，主动寻找上下文并完成分析。

Open Tag 的真正价值：

构建可检索的团队知识空间

Open Tag + MFS 的开源，为广大开发者提供了一条低门槛、自托管的路径，让 Claude Tag 式的“@AI同事”协作模式，从企业封闭功能走向了人人可用的开源实践。

它不再依赖高昂的企业订阅，而是通过 Slack 作为触发入口、MFS 构建统一文件式记忆层、CLI Agent 负责执行思考的三层架构，巧妙复刻了团队上下文感知的核心体验。

无论是历史对话、代码仓库、Issue、文档还是数据库，MFS 都可以通过“Search + Browse”的方式，把分散在不同系统里的团队知识组织成 Agent 可检索、可浏览的上下文空间。这样一来，Agent 不再只能围绕当前一句话回答，而是有机会基于项目背景、历史讨论和相关资料继续推进任务。

未来，当智能体越来越多地进入飞书、Slack、企业微信等团队协作平台，真正决定它能否落地的，可能不只是模型能力，而是它能否持续、准确、可控地接住团队上下文。

END

✦

2026中国AI智能体大会

✦

智猩猩主办的2026中国AI智能体大会7月2-3日杭州举行，大会设有开幕式，企业级AI智能体、AI智能体产品创新2场论坛，以及Coding Agent、自进化智能体、深度研究智能体、Computer-Use Agent、多智能体协同、Agent Skills、Agent Harness7场技术研讨会。最终议程已公布。