AI 编程工具普及后，「搜索代码」这件事变得更快了，但一个更深的问题没有被解决：AI 在写代码时，看不到它的改动会影响哪里。
这不是智能的问题，是信息的问题。即使是 Claude 3.7 Sonnet，如果你没有告诉它 process_payment() 被 23 个地方调用，它也不会知道。而「告诉它」这件事，靠人工贴代码效率极低，而且容易漏。
图谱工具解决的就是这个问题：在写代码的每一步，给 AI 精确的结构上下文。
三个工具，三类场景
manon_search：不知道关键词时
传统代码搜索（Grep）的前提是你知道关键词。如果你只是知道「我想找处理用户权限的代码」，但不知道函数名，Grep 帮不上忙。
manon_search 把自然语言转为向量嵌入，检索最语义相关的实体，然后沿图谱边展开关联。一次查询返回的不只是匹配的文件，而是与你的问题结构相关的整个代码区域。
典型使用：
- 「找一下处理 API 限流的逻辑」
- 「这个项目里哪里做了缓存？」
- 「找到负责数据库连接池管理的代码」
manon_graph：知道函数名，想看影响范围
知道具体函数名时，manon_graph 做有向图遍历：
- callers（上游）：谁调用了这个函数？改了它会影响哪里？
- callees（下游）：这个函数调用了什么？它的行为依赖哪些模块？
- both（双向）：完整的上下游视图
深度可配置。depth=1 只看直接调用者，depth=2 看调用者的调用者，以此类推。大多数场景 depth=2 已经足够。
典型使用场景：改一个函数之前，先跑 manon_graph(function_name, direction="callers", depth=2)，立刻知道这次改动的影响范围。
manon_deep_query：跨模块的架构理解
有时候你需要的不是「找一个函数」，而是理解一个跨越多个模块的系统行为。比如「这个项目的请求从入口到数据库经过了哪些层？」
manon_deep_query 在服务端运行一个多轮查询循环：它会自动识别信息缺口，补充查询，直到能给出一个完整的跨模块答案。一次调用可以覆盖普通搜索需要 10+ 次才能拼出来的架构图。
commit 后的影响分析：manon_impact
manon_impact 是开发阶段最重要的安全网。每次 git commit 后自动触发（通过 git hook），分析这次提交改动了哪些符号，以及这些改动会沿着调用边传播到哪里。
工作流程：
- 解析 diff，提取变更的函数/类/变量
- 对每个变更符号，沿调用边向上追踪 2 跳（直接调用者 + 调用者的调用者）
- 计算影响的实体数量、模块数量、关键路径
- 输出 0-100 风险评分，以及受影响的具体位置
风险评分的含义：
| 评分范围 | 含义 | 建议 |
|---|---|---|
| 0-30 | 低风险，影响局限在少数模块 | 正常 push |
| 31-60 | 中等风险，影响多个模块 | 确认受影响的测试都在跑 |
| 61-100 | 高风险，影响核心路径或大量模块 | 先做 code review，再 push |
Hooks：强制图谱优先
图谱工具有两个 Claude Code hooks：
PreToolUse（Grep/Glob 前触发）：在你用 Grep 搜索代码之前，提醒先查图谱。不是阻止，是提示。大多数情况下，图谱搜索比 Grep 更快、信息更完整。
PostToolUse（git commit 后触发）：自动调用 manon_impact，输出这次提交的影响分析。你不需要记得手动跑，每次提交都自动完成。
这两个 hooks 的设计意图是：把「查图谱」从一个需要主动记忆的步骤，变成开发流程的默认行为。
工具选择决策树
| 你的情况 | 用哪个工具 |
|---|---|
| 不知道关键词，描述功能找代码 | manon_search |
| 知道函数名，要看谁在用它 | manon_graph（callers） |
| 知道函数名，要看它依赖什么 | manon_graph（callees） |
| 理解一个跨模块的系统行为 | manon_deep_query |
| 刚 commit，想知道影响了哪里 | manon_impact（自动触发） |
| 知道确切关键词，找字符串 | Grep（图谱不适合这种场景） |
为什么这三个工具能减少 91% 的工具调用
在 20 个真实查询任务的测试中，使用图谱工具平均每任务调用 1 次，原生工具平均 13.7 次。
差距来自两点：
- 一次调用覆盖关联范围：Grep 找到一个函数后，还需要再搜这个函数的调用者，再搜调用者的调用者。图谱一次返回所有层级。
- 结构信息不需要二次推断：Grep 返回文本匹配，你需要自己理解「这些结果之间是什么关系」。图谱直接返回关系图，不需要二次推断。
减少工具调用的直接好处：Token 节省 94%，AI 的上下文窗口更干净，推理质量更高。