阶段 3 · 基础设施（可跳过）

给 AI 装上"眼睛和记忆"——业务知识 RAG、代码知识图谱、Skill 仓库、MCP 网关。

1. 为什么：AI 需要"眼睛和记忆"

工具和培训到位后（阶段 2），AI 还差最后一段：它不懂你的私有业务、看不见代码全貌、留不住团队能力。三个痛点直接拖垮落地质量：

• 不懂业务：通用大模型没读过你的产品手册、内部规范，问业务细节就幻觉——需要业务知识 RAG给它"开卷考试"。
• 看不见全貌：AI 改一个函数，不知道有几十处依赖它的返回类型，破坏性变更被悄然合并——需要代码知识图谱让它改前看到爆炸半径。
• 留不住能力：某个开发者很会用 AI，调走后经验也走了——需要Skill 仓库把高频能力沉淀成团队资产。

本阶段四件套（RAG / 代码图谱 / Skill 仓库 / MCP 网关）就是解决这三件事——让 AI 从"概率性盲读"升级为"确定性查证"。但它们是为大代码库/复杂业务准备的，小团队可跳过（见上方"跳过前提"）。

2. 业务知识 RAG 服务

通用大模型不懂你的业务（产品手册、内部规范）。RAG = 先检索知识库片段再喂给模型，让它"开卷考试"。自研业务 RAG 服务（基于 DB-GPT）的核心：向量库抽象 + 两阶段检索（多路召回→CrossEncoder 重排）+ 多租户隔离。

# milvus_store.py · 两阶段检索（召回率优先→精排提精度）
with concurrent.futures.ThreadPoolExecutor() as executor:
    future_default = executor.submit(self.similar_search_plus, text, topk, expr, None)
    future_v3      = executor.submit(self.similar_search_plus, text, topk, expr, self.embedding_v3)
    future_new     = executor.submit(self.similar_search_new,   text, topk, new_expr or expr)
# 三路并发召回 → 按原文去重 → CrossEncoder 重排 → min_score 过滤

# 多租户隔离：把租户标识拼进 Milvus 过滤表达式
expr = 'corp_code in ["{0}", "default"] and resource_type in ["knowledge","course"]'.format(body.corp_code)
all_docs = client.similar_search(body.current_question, 5, expr)  # default = 全租户共享

3. 代码知识图谱（内部工具：code-lens）

3.1 为什么用知识图谱，不用 RAG

AI 改代码常因"看不见全貌"酿成事故。传统 Graph RAG 让 LLM 发 4+ 次查询才拼出完整上下文；代码知识图谱在索引期就把关系预算好，一次调用拿全。三大价值：① 可靠——LLM 漏不掉上下文（工具响应已塞满）；② 省 token——不用 10 次查询去理解一个函数；③ 解放小模型——工具做了重活，降低对顶级模型的依赖（企业成本杀手锏）。

3.2 图谱建模设计

用属性图（Property Graph，非 RDF 三元组）——能跑 Cypher、能存向量、LLM 好写查询。

• 节点（按类型分表）：代码元素（File / Function / Class / Interface / Method）+ 抽象语义（Community 功能域 / Process 执行流 / Route API 端点 / Tool MCP 工具）。把"代码结构事实"和"分析后的抽象语义"都做成一等节点，Cypher 一次查询就能跨层（如"找认证社区里被登录流程调用的所有函数"）。
• 边（单张 CodeRelation 表 + type 属性区分）：所有关系进同一张表——CALLS / IMPORTS / EXTENDS / IMPLEMENTS / ACCESSES / OVERRIDES / HANDLES_ROUTE 等 16 种。这让 LLM 写 MATCH (a)-[r:CodeRelation {type:'CALLS'}]->(b) 即可，不必记几十种边表名（AI 友好的关键）。
• 每条边带 confidence（置信度）+ reason（来源：leiden-algorithm / trace-detection / route-handler-entry-point），可审计。

3.3 索引管线（6 阶段）

3.4 MCP 工具设计（14 个工具，三大类）

// 通用 MCP Server 创建（基于 @modelcontextprotocol/sdk）
const server = new Server(
  { name: 'code-graph', version: pkgVersion },
  { capabilities: { tools: {}, resources: {}, prompts: {} },
    instructions: CODEGRAPH_INSTRUCTIONS });   // ~80 行 MUST/NEVER 工作流

每个工具响应末尾自动追加 "Next 提示"（如 context 之后提示跑 impact），对抗"LLM 调一次工具就停"，形成自引导工作流。

3.5 企业级建设方案（上百项目团队）

整体架构四层：索引层（Tree-sitter 管线）→ 图存储层 → MCP 暴露层（统一网关）→ Agent 集成层（hooks 自动注入）。

图存储双轨：

• 日常开发：每仓库嵌入式图库（零运维 + 代码不出本机，隐私卖点）
• 企业治理：中心服务端图库（Neo4j / FalkorDB），各仓库图定期 ETL 进中心，做跨库架构治理 + 全局影响分析

多仓库索引策略：

• CI webhook：merge 到主干 → 触发该仓库 analyze
• 夜间 cron：活跃仓库全量刷新，低频仓库周末跑
• 跨库 sidecar 索引：消费者索引（谁调了我的接口）+ MQ topic 索引（谁消费了我的消息）+ SOA 服务注册表——"改一个接口谁会炸"必须能跨库秒答

推广路径：① 试点（3-5 个高频改动核心服务，量化"漏改率下降"）→ ② 标准化（AGENTS.md 模板 + CI 强制 detect_changes 门槛 + GUARDRAILS 失败模式沉淀）→ ③ 全员（中心 MCP 网关 + SSO + 项目级权限，普通开发者只读，架构治理角色开放跨库查询）。

4. Skill 仓库（团队 Skill 仓库）

把团队重复工作流沉淀成可复用 Skill，编排 OpenSpec（规范）+ Superpowers（执行）。核心：阶段路由表（6 阶段拆独立 .md，每次只读当前阶段）+ Hook 强制激活。

| 阶段 | 调用技能 | 代码图谱工具 |
| Stage 1 需求探索 | superpowers:brainstorming | — |
| Stage 3 计划拆分 | superpowers:writing-plans | impact, locate |
| Stage 5 验证 | verification-before-completion | detect_changes |
每次只读取当前执行的 Stage 文件（渐进式披露，省 Token）

4.1 两层 Skill 架构 + RAG 联动（降 Token 关键）

团队 Skill 仓库要分两层，核心是把"业务数据"和"能力逻辑"分离，让 Skill 保持轻量、Token 大幅下降：

Skill 生命周期：AI 生成初始 → 人工审核（符合规范）→ 试点验证 → 持续优化 → 复用推广，并与 RAG 数据更新保持同步。

5. MCP 工具网关

把企业内部 Nacos 注册的 Dubbo/Spring 服务零代码封装成 MCP 工具，供 AI Agent 调用。基于 Spring AI Alibaba MCP Gateway：

// GatewayController.java · 暴露 Nacos 工具
@GetMapping("/tools")
public List<Map<String,String>> listTools() {
    McpGatewayToolCallbackProvider provider = McpGatewayToolCallbackProvider.builder()
            .toolCallbacks(mcpGatewayToolsInitializer.initializeTools()).build();
    // 从 Nacos 动态拉取注册的 MCP Server → 封装成 ToolCallback[]
    return Arrays.stream(provider.getToolCallbacks()).map(t -> Map.of(
            "name", t.getToolDefinition().name(),
            "description", t.getToolDefinition().description())).toList();
}

6. 角色视角 + 案例 + 清单

案例：时代光华基础应用组用代码知识图谱工具 code-lens 给 AI 装"代码眼睛"，bug 排查时 cross_repo_search 定位跨仓库调用链，累计排查 144 个生产 bug（覆盖率 80.4%，code-lens 真实数据）；用业务 RAG 服务让 AI 准确回答业务知识问题，幻觉大幅下降。