dmtrKovalenko/fff

📌 fff：AI 代理也愛的超快檔案搜尋工具包

你以為 ripgrep 已經夠快？當 AI 需要反复搜尋程式碼時，傳統 CLI 會浪費大量時間。fff 把搜尋變成庫，讓 AI 代理直接呼叫，速度提升顯著。

🤔 為何檔案搜尋成為 AI 工作流的瓶頸
現代 AI 輔助編程（如 Claude Code、Cursor）經常需要在專案中查找符號、重複 grep 或讀取檔案內容。每次啟動外部程式都會產生啟動開銷與上下文切換，尤其在長時間運行的代理中，這些開銷會累積成顯著延遲。

🧪 fff 的核心設計：庫化、防錯字與 frecency

• 庫化介面：透過 MCP server 將搜尋功能暴露為 ffgrep、ffind、ffg-multi-grep，AI 代理只需發出「use fff」即可直接呼叫，免除重複啟動成本。
• 防錯字路徑與內容搜尋：支援模糊匹配，減少因拼寫錯誤導致的遺漏結果。
• frecency 排名：根據實際開啟紀錄（git touch history）自動提升常用檔案的權重，越用越快。
• 背景觀察器與記憶索引：在後台維護輕量級記憶內容索引，使得重複查詢無需重新掃描磁碟。

🚀 效能優勢：比傳統 CLI 快上許多
根據專案說明，在需要多次搜尋的長時間進程中，fff 的響應速度明顯優於 ripgrep 與 fzf，這正是它最初作為 Neovim 外掛受到歡迎的原因——現在同樣的優勢被搬移到 AI 代理的工作流中。

💡 為什麼 frecency 與預熱會帶來實際提升
傳統搜尋每次都從零開始掃描，而 fff 透過：

1. 記憶實際開啟的檔案：你常編輯的檔案在下次搜尋時會被優先匹配。
2. 自動從 git touch 紀錄預熱：在代理啟動時，根據最近變更的檔案建立暖身索引，減少首次查詢的延遲。
3. 定義優先提示：對看似函式或類別定義的行給予更高分數，幫助代理快速定義符號而非雜內容。

⚠️ 目前已知的限制

• 依賴 MCP 生態：只有支援 MCP（Model Context Protocol）的客戶端才能直接使用 fff 工具。
• 主要針對 git 索引目錄：預設行為假設工作目錄受 git 追蹤，非 git 專案可能需要額外設定。
• 尚未見長期基準測試：文件著重於「長時間 Process 中的重複搜尋」優勢，長期資源佔用與極端大規模碼庫的表現尚未在說明中詳述。

🎯 實務建議：如何在你的 AI 工作流中啟用 fff

1. 安裝 MCP server（依作業系統選擇腳本）：
   • Linux/macOS：curl -L https://dmtrkovalenko.dev/install-fff-mcp.sh | bash
   • Windows PowerShell：irm https://raw.githubusercontent.com/dmtrKovalenko/fff.nvim/main/install-mcp.ps1 | iex
2. 將以下提示加入專案的 CLAUDE.md（或等效設定）：

   For any file search or grep in the current git-indexed directory, use fff tools.

3. 在代理對話中說「use fff」，之後即可直接呼叫 ffgrep、ffind、ff-multi-grep 進行快速防錯字搜尋。

🔗 專案連結
📂 https://github.com/dmtrKovalenko/fff
👤 作者：dmtrKovalenko
📌 安裝腳本位置：install-mcp.sh（Linux/macOS）與 install-mcp.ps1（Windows）

你的 AI 編碼助手是否已經在使用這樣的庫化搜尋？歡迎在留言區分享你的體驗或其他提升檔案搜尋效率的技巧！

#AI #MCP #ファイル検索 #fff #ClaudeCode #Cursor #開發工具 #生產力提升