技术博客
AI 原生开发方法论、代码知识图谱、工程实践与洞察。基于我们自己构建和使用工具的真实经验。
/exp：上线前，让 AI 像真实用户一样用你的产品
代码测试通过，不等于用户体验正确。/exp 让 AI Agent 模拟真实用户操作产品，在上线前发现那些「技术上没错但用户会遇到问题」的 Bug。
/tc：让测试覆盖率从 30% 到 80%，不靠堆时间
大多数项目的测试覆盖率低，不是因为工程师不写测试，而是不知道该写哪些。/tc 用图谱排优先级，把有限的精力集中在最高风险的路径上，让覆盖率的每一个百分点都是有效的。
/dao：系统性清理代码复杂度的正确方式
代码复杂度是软件项目最隐蔽的成本。它不会触发报错，但会让每一次改动都比上一次慢一点。/dao 用三层分类 + 图谱验证，把复杂度清理变成可重复执行的系统性流程。
基于图谱写代码：manon_search、manon_graph 与 manon_impact
开发阶段的图谱工具不是搜索引擎的替代品，而是让 AI 在写代码时「看得见」调用关系和依赖链。本文介绍三个查询工具的使用场景，以及 commit 后影响分析的工作原理。
/idea：在写代码之前，先把需求问清楚
大多数 AI 编程失控的根源不在写代码阶段，而在需求没有被正确理解就开始写了。/idea 用知识图谱感知 + 苏格拉底式追问，把模糊需求变成基于代码事实的开发文档。
AI 原生软件开发：我们的工作流程
我们不是「用 AI 辅助开发」，而是把 AI 深度嵌入开发流程的每一个环节。本文介绍我们的 5 阶段开发工作流，以及它与传统软件开发公司的本质差异。
用自己的工具开发自己：Manon 自举验证报告
最好的工具验证方式是用它开发它自己。Manon v1.0 到 v1.2.4 完全通过自己的开发技能体系完成迭代。本文是这个过程的真实记录，包含所有关键数据节点。
代码知识图谱的工作原理
代码知识图谱不是新概念，但把它和向量检索结合、与 AI 开发工作流集成，是另一回事。本文介绍 Manon 的知识图谱架构，以及它如何在真实项目中把代码理解效率提升 16-24 倍。
AI 编程的两个结构性缺陷
AI 编程工具普及后，一个反直觉的问题出现了：模型越强，某些类型的错误反而越严重。本文分析 AI 编程的两个根本性缺陷，以及为什么这两个问题会随模型能力提升而恶化。
Manon：我们的代码知识图谱与开发方法论
我们如何用知识图谱 + 五个开发技能体系，把 AI 编程的两个结构性缺陷解决掉。这不是一篇产品介绍，而是我们交付软件的实际工作方式。