AI 实用工具 · 2026-05-31

AI 实用工具

2026-05-31

Mirage — 给 AI Agent 一个统一的虚拟文件系统

用 AI 编程助手写过代码的人都有这种体验：让 agent 操作 S3 文件需要装一个 MCP，操作 Google Drive 需要另一个 MCP，查 Slack 消息又需要一个，每个 MCP 都有自己的一套工具名和参数规则。agent 在十几个工具之间跳转，上下文窗口被工具 schema 塞满一半，多服务编排几乎不可能。

Mirage 用一个统一抽象解决了这个问题：把所有数据源——S3、Google Drive、Slack、Gmail、Redis、MongoDB、GitHub、Notion、SSH 等等——挂载到同一个虚拟文件系统树下。agent 用 ls、cat、cp、grep 这些 LLM 最熟悉的 Unix 命令操作所有后端，不需要学任何新 API。管道可以像本地文件操作一样跨服务串联。

核心理念是"agent 只需要理解一个抽象层"：文件的路径语义。无论底层是 S3 bucket 还是 Slack channel，agent 看到的都是同一棵树，用的是同一个 bash 词汇——这恰好是现代 LLM 训练语料里最密集的领域。

该项目提供 Python 和 TypeScript SDK，可以直接嵌入 FastAPI、Express 或浏览器应用中，无需独立进程。支持 OpenAI Agents SDK、Vercel AI SDK、LangChain、Pydantic AI、CAMEL、OpenHands 等主流 agent 框架。CLI + daemon 模式可接入 Claude Code 和 Codex。

# Python 安装
uv add mirage-ai

# TypeScript 安装
npm install @struktoai/mirage-node      # Node.js 服务端
npm install @struktoai/mirage-browser   # 浏览器/边缘运行时

# CLI 独立安装
npm install -g @struktoai/mirage-cli
# 或
uvx mirage-ai

同类工具对比

Mirage 的优势在于抽象粒度：它提供一个统一的文件系统树而不是 N 个 MCP 工具，agent 不需要在十几个工具 schema 之间做上下文切换。RelayFile 偏向 SaaS 集成，mcpfs 是把已有 MCP 挂成文件系统（包装层而非新建抽象层），Mirage 从底层资源接入做到统一文件树。如果你的 agent 需要同时操作多种数据源，Mirage 是目前最完整的方案。

2815 · v0.0.1 · Apache 2.0 · github.com/strukto-ai/mirage · strukto.ai/mirage

HarnessForge — 一命令让所有编码 agent 开局就懂你的仓库

有多少次你打开新仓库、启动 Claude Code 或 Cursor，第一件事就是手动解释项目结构："这是前端，这是后端，config 在那边，数据库 schema 在这里，别碰 scripts/deploy 目录……"——然后 agent 在头几轮对话里反复犯错，直到你把这些话在 CLAUDE.md 里写清楚为止。

HarnessForge 用一个命令解决这个问题。uvx harnessforge init 会在 ~3 秒内走完仓库目录树，自动生成 AGENTS.md、SOUL.md、TOOLS.md、MEMORY.md、SKILLS/ 目录以及每个 IDE 的适配文件（.claude/CLAUDE.md、.cursor/rules、.windsurf/rules、.continue/config.json 等）。整个过程完全确定性，不调 LLM、不走网络、不需要 API key。

它提供五套蓝图（blueprint）模板：python-cli-app（通用 Python 项目）、finance-agent（金融数据分析）、rag-agent（检索增强问答）、support-agent（客服系统）、workflow-agent（多步骤编排）。蓝图决定了预装什么技能——比如 rag-agent 蓝图会附带 chunk-and-embed、retrieve-and-rerank、answer-with-citations、eval-recall-precision 四个技能文件。

该项目有 186 个测试，83% 行覆盖率，mypy strict + ruff 通过。可选的 MCP 模式让 agent 能调用 harness_inspect、harness_verify、harness_skills_list 等工具做运行时代码仓库自检。

# 一行安装
uvx harnessforge init

# 或全局安装
pipx install harnessforge
harness init

# 指定蓝图
harness init --blueprint rag-agent

# CI 漂移检测
harness sync --check

同类工具对比

HarnessForge 的核心差异化在于"确定性"——不调 LLM 意味着零延迟、零费用、输出完全可复现。Agent Harness 和 context-forge 走的是 LLM 驱动路径（质量可能更高但慢、贵、不可复现），适合有明确质量要求的团队。HarnessForge 更适合快速启动新仓库或个人项目——3 秒跑完，提交即生效。另一点是蓝图系统：HarnessForge 不只是生成元文件，还预装与项目类型匹配的技能文件，这个在同类工具中独一份。

2 · v0.2.2 · MIT · github.com/jcaiagent7143-ui/harnessforge

PMC Engine — AST 层面压缩上下文，token 费用砍 90%

Uber 2025 年 12 月给 5000 名工程师开了 Claude Code 权限，到 2026 年 3 月底，全年预算已经烧完——四个月花光一年的钱。这还不是孤例。AI 编程工具最大的隐性成本不是订阅费，是每次对话背后被浪费的 token：agent 为了修一个 race condition 先读了 15 个文件、45000 个 token，而真正需要的信息只有 500 个。

PMC Engine（Predictive Minimal Context）用 AST 分析在发送请求之前做"外科手术式压缩"：只保留函数签名、类型定义、import 语句和相关代码的调用关系，去掉大段函数体、注释、空行。在 FastAPI 代码库（48 文件、294 符号、33K 行）的实测中，原始请求 92000 token，压缩后稳定在 7500 token 左右——减少了 91.8%。质量验证中 10/10 任务通过，模型给出的答案与原始上下文一致。

项目今天刚发布（2026-05-30），MIT 协议，pip 安装。支持三种接入方式：HTTP 代理（设置环境变量即可，零代码改动）、MCP 服务器（agent 直接调用）、Claude Code Hooks（每次编辑后自动压缩）。支持 Claude Code、Cursor、Cline、Continue、Aider。

pip install pmc-engine

# 构建索引（一次性，~500ms）
pmc index ./my-project

# 启动代理
pmc serve --port 8080

# 在另一个终端：
export ANTHROPIC_BASE_URL="http://localhost:8080"
claude "fix the race condition in login"

同类工具对比

PMC Engine 在压缩率和易用性上做到了最好的平衡。91.8% 的实测节省率是所有方案中最高的之一，而且作为透明 HTTP 代理接入只需要一行环境变量——比 TokenForge 的 Rust 编译门槛低得多，比 mcp-code-context 的符号级交互简单得多。mcp-code-context 是服务器本身（agent 调用它的工具），PMC 是无侵入代理（agent 根本感知不到）；TokenForge 功能最全但安装最重（Rust 工具链），适合追求极致性能的团队。如果你今天就想省 token 费用，PMC 是最快上手的选项。

1 · v 首发 · MIT · github.com/mdayan8/pmc-engine