「我们用 AI 编程」——这句话现在几乎每家软件公司都在说。但「用 AI 辅助编程」和「AI 原生开发流程」是两件完全不同的事。
前者是：开发者写代码，遇到问题问一下 AI，AI 给个建议，开发者判断采不采纳。AI 是工具，和 Google 搜索差不多。
后者是：AI 参与每一个阶段，但每一步都有结构约束，决策基于代码事实而非 LLM 想象。这是我们实际的工作方式。
五个阶段，每步基于代码事实
阶段一：需求精化（/idea）
接到需求后，我们不直接开始写代码。/idea 先查询知识图谱，找到与需求最相关的现有模块，然后基于代码事实进行追问：
- 「这个模块的扇入是 12，新功能直接加进去还是拆出独立模块？」
- 「现有的
auth_middleware覆盖了 7 条路由，这次的需求需要新增一条，兼容性怎么处理？」
3-7 轮追问后，输出 2-3 个技术方案 + 影响分析 + 可审阅的开发文档。客户和我们的工程师都在这个文档上对齐，然后才开始写代码。
阶段二：基于图谱写代码
开发时，每次需要理解一个不熟悉的模块，我们用 manon_search 或 manon_graph，而不是靠人工阅读文件。每次 commit 后，manon_impact 自动分析影响传播，输出 0-100 风险评分。
高风险提交不是不做，而是要明确知道「我知道这次改动影响了哪里，我有意为之」。
阶段三：代码健康维护（/dao）
每个功能完成后，我们跑一次 /dao：
- 架构层和模块层的问题展示面板，人工决策
- 代码层（死代码、循环依赖、过碎的函数）全自动修复，每步图谱验证
这样做的结果是：项目越做越干净，而不是传统项目那样越做越乱。
阶段四：测试覆盖（/tc）
/tc 扫描覆盖率数据，查询图谱获取实体的结构重要性（扇入高的函数更重要），生成优先级列表，然后按优先级写测试、跑测试、验证。
不是随机补测试，是按「这个函数被多少地方依赖」来排序。结构上最重要的代码先有测试保护。
阶段五：体验验证（/exp）
上线前，AI Agent 像真实用户一样操作产品。Playwright 驱动浏览器，真实点击、真实输入、读取真实日志。
最多 3 轮自动修复循环，每轮找到的问题都在代码层修复后重测。只有全部场景通过，才算完成。
与传统软件开发公司的对比
| 维度 | 传统软件公司 | 一码行云 |
|---|---|---|
| 需求分析 | 周级文档沟通，问题基于经验假设 | 图谱感知追问，1 天出开发文档，问题基于代码事实 |
| 代码理解 | 新模块上手 8-12 小时 | 30 分钟，准确率 95%+ |
| 影响评估 | 人工走查，依赖经验，容易漏 | 秒级影响传播图，0-100 风险评分 |
| 测试覆盖 | 30-50%，随机补测，覆盖死区多 | 图谱优先级驱动，61%+，结构重要的先覆盖 |
| 上线验证 | 人工测试，覆盖不全 | AI 真实行为验证，多轮自动修复 |
| 技术债 | 堆积，项目后期越做越慢 | 每轮定期健康评分，主动清理，不积累 |
| 自证能力 | 客户无法验证开发质量 | 我们的产品就是用这套流程开发的 |
最强的证明：我们用这套流程开发自己的产品
所有上面说的，不是方法论文章，是我们实际在做的事。Manon、WorkClaw 的每一个版本都经过这个完整流程。我们在这个过程中积累的经验，直接转化为我们交付客户项目的能力。
如果你在考虑把软件开发外包出去，可以问一个简单的问题：这家公司有没有用 AI 开发自己的产品？他们能拿出真实的代码健康度数据吗？
我们可以。
我们接什么类型的项目
- AI 应用开发：需要集成大模型、RAG、Agent 的应用，这是我们最熟的领域
- 企业系统开发：ERP、CRM、OA 系统，或需要 AI 能力注入的现有系统改造
- API 与后端服务：Python/TypeScript/Java 后端，特别是需要高可维护性的中台系统
- 技术债清理：帮现有代码库做健康度评估和系统性重构
如果你有一个具体的项目想聊，欢迎联系我们。我们的习惯是：先理解问题，再说能不能做，以及怎么做。