我们把这个工具叫 Manon，但对外介绍它时，我们不想说「这是一款产品」。它更准确的定位是：我们交付软件时依赖的内部开发基础设施。
本文记录它是什么、怎么工作、以及我们实际用它开发软件时得到的数据。
起点：AI 编程的两个结构性缺陷
我们在把 AI 深度引入开发工作流的过程中，发现了两个反复出现的根本性问题：
缺陷一：上下文不足。AI 看到的永远是代码片段，看不到调用图、依赖链、模块边界。它能读懂你给它的文件，但不知道这个函数被哪 23 个地方调用，不知道这个改动会沿着调用边传播到哪里。结果是幻觉——技术上正确，但破坏了你的架构意图。
缺陷二：流程无结构。给 AI 一个需求，它会立刻开始写代码。没有需求精化，没有影响评估，没有测试策略，没有上线验证。代码写得越快，累积的技术债越快。
模型越强，这两个问题越严重——强模型以机器速度输出结构性错误，而且足够自信让人忽略检查。
两层解法
Manon 从两个层面解决这两个问题：
第一层：代码知识图谱（解决上下文问题）
索引代码库中每一个可命名的实体及其关系：函数、类、方法、模块，以及它们之间的调用（CALLS）、导入（IMPORTS）、继承（INHERITS）关系。
图谱构建流程：本地 tree-sitter 解析源文件 → 提取 AST 元数据（代码不离开本地）→ 上传到云端构建有向图 + 向量索引 → 支持混合查询（图遍历 + 语义搜索）。
四个查询工具解决四类场景：
| 工具 | 解决什么问题 |
|---|---|
manon_search | 不知道关键词，用自然语言描述找代码 |
manon_graph | 改这个函数会影响哪里（调用图遍历） |
manon_deep_query | 跨模块的架构理解（多轮迭代查询） |
manon_impact | commit 后的风险评分（0-100） |
第二层：五个开发技能（解决流程问题）
五个技能覆盖完整开发生命周期，每个技能只在普通 AI 对话无法胜任时存在——需要外部工具集成、确定性流程或结构化输出。
| 技能 | 阶段 | 做什么 |
|---|---|---|
/idea | 需求 | 图谱 + GitHub 调研 → 苏格拉底式追问 → 开发文档 |
| 图谱工具 | 开发 | 写代码时精准获取上下文，commit 后自动影响分析 |
/dao | 维护 | 健康扫描 → 三层分类 → 自动简化 + 图谱验证 |
/tc | 测试 | 覆盖率扫描 → 图谱排优先级 → 写测试 → 验证 |
/exp | 验证 | AI Agent 像真实用户操作产品，最多 3 轮自动修复 |
代码健康度：8 个维度
知识图谱让我们可以量化代码库的结构质量，而不是靠感觉判断「代码写得好不好」：
| 维度 | 衡量内容 |
|---|---|
| MC 模块耦合度 | 跨模块依赖比例 |
| CD 循环依赖 | 循环依赖数量 |
| FI 扇入集中度 | 高扇入实体比例（单点依赖风险） |
| DC 死代码 | 零调用者实体比例 |
| FS 函数复杂度 | 超大函数比例 |
| TD 技术债务 | TODO/FIXME 密度 |
| MF 模块碎片化 | 微型模块 + 深路径比例 |
| RE 间接层密度 | 桶式重导出比例 |
这个评分系统让「代码质量」从主观判断变成可追踪的数字。我们在每个客户项目上都会建立健康度基线，每个里程碑后重新评分。
真实效果数据
在 OpenClaw 项目（2,100 个文件）的对比测试中：
| 指标 | 有图谱 | 无图谱（原生工具） |
|---|---|---|
| 代码理解耗时 | ~30 分钟 | ~8-12 小时（快 16-24 倍） |
| 准确率 | 95%+ | 60-70%（+30%） |
| 每任务工具调用 | 1 次 | 13.7 次（减少 91%） |
| Token 消耗 | ~19.5K | ~350K（节省 94%） |
自举验证：用 Manon 开发 Manon
最有力的验证方式是用工具开发工具本身。Manon v1.0 到 v1.2.4 完全通过自己的技能体系完成迭代。关键数据节点：
/dao 应用于自身代码库（93 文件，800+ 实体）后：健康度 88→97，死代码 -38%，测试覆盖率 32%→61%。
/exp 在 v1.2.4 发布前测试 /idea 技能：3 轮测试，发现 4 个真实 Bug（Windows 编码崩溃、API 响应解析错误、中文查询崩溃）。没有 /exp，这些 Bug 会直接发布给用户。
这对客户项目意味着什么
我们把这套工作流用在每一个客户软件开发项目上。具体体现在：
- 需求阶段基于你现有代码库的事实追问，而不是泛泛的「你想要什么功能」
- 每次重要改动前有影响分析，你知道这次改动涉及哪些模块
- 每个里程碑后有代码健康度报告，项目越做越干净
- 上线前 AI 会像真实用户一样把主要功能点击一遍
这不是锦上添花，是我们交付质量的底层保障。