1. 为什么大型代码库需要一张知识图谱接手一个几十万行的老项目时最痛苦的不是读不懂某个函数而是搞不清「谁调用了谁」。你改一个工具类结果三个模块编译失败你想找登录逻辑全局搜login出来两百个结果一半是测试用例。这种时候人脑的线性阅读方式已经不够用了你需要一张把文件、函数、依赖关系全部连起来的知识图谱。GitNexus 就是干这件事的工具。它扫描你的代码库把每个文件、每个符号抽成节点把调用、引用、导入抽成边最后渲染成一张可交互的图。更关键的是它支持--embeddings参数会为代码块生成向量索引让 AI 编辑器Claude Code、Cursor、Codex 这类能按「语义」而不是「关键词」去检索代码。比如你问「用户认证流程在哪」它能找到auth、session、token相关的代码哪怕这些文件里根本没出现「认证」两个字。这篇教程面向需要梳理大型项目依赖、又想让 AI 编辑器更懂代码库的开发者。我会把 GitNexus 从安装、索引、生成图谱到接入 MCP 的完整流程走一遍重点解决两个高频问题一是安装时的依赖冲突二是 embeddings 阶段因为网络环境导致的fetch failed。同时我会用 TaoToken 统一管理模型 Key让 GitNexus 的语义检索和 AI 编辑器共用一套凭证省得每个工具配一遍。整个流程走完你能在本地复现「配置 → 索引 → 图谱可用 → AI 编辑器能查」的闭环。下面直接开始。2. TaoToken 前置准备统一 Key 与 MCP 通道GitNexus 本身是本地分析工具索引、解析、聚类、图构建都在本地跑不消耗 token。但一旦开启--embeddings它需要调用 embedding 模型把代码块转成向量后续 AI 编辑器通过 MCP 查询图谱时也要走模型通道。如果每个工具单独配 Key管理起来很乱所以这里用 TaoToken 做统一入口。TaoToken 是一个模型 API 聚合服务提供 OpenAI 兼容的接口你可以把它理解成「一个 Key 打通多个模型通道」。对 GitNexus 场景来说它的价值在于embedding 请求和 AI 编辑器的对话请求可以共用同一个 base_url 和 Key配置一次多处复用。你需要先拿到两样东西第一是 API Key。登录 TaoToken 控制台在 API Keys 页面创建一个新 Key复制保存。这个 Key 后面会填进 GitNexus 的配置文件和 AI 编辑器的 MCP 配置里。第二是确认接入地址。TaoToken 的 API 端点是https://taotoken.net/api兼容 OpenAI 的/v1/chat/completions和/v1/embeddings路径。也就是说任何支持自定义 base_url 的工具把地址指向这里就能用。注意API 地址不要带查询参数直接写https://taotoken.net/api即可。控制台和文档入口在下面 CTA 部分给出。如果你还没创建 Key可以先去控制台建一个想先看看模型对话效果也可以直接进模型对话页面试一条请求确认 Key 可用再往下走。长期做编码和 Agent 的话Coding Plan 会更划算后面接入 MCP 时也能直接用。3. 可复制配置config.toml 与 settings.json 骨架GitNexus 的配置分两层一层是它自己的config.toml控制 embedding 模型和 API 通道另一层是 AI 编辑器的settings.json以 Claude Code 为例控制 MCP 服务器怎么连。下面给出两份可直接复制的骨架你只需要替换 Key。先看 GitNexus 的config.toml。这个文件一般放在项目根目录或者用户配置目录下GitNexus 启动时会读取# GitNexus 配置文件 # 放在项目根目录或 ~/.config/gitnexus/config.toml [embedding] # 开启向量索引后embedding 请求走这里 provider openai-compatible base_url https://taotoken.net/api api_key sk-你的TaoTokenKey model text-embedding-3-small batch_size 64 timeout_seconds 60 [analysis] # 索引时忽略的目录避免把依赖包也扫进去 ignore_dirs [node_modules, .git, dist, build, vendor, __pycache__] max_file_size_kb 512 [graph] # 图谱输出目录 output_dir .gitnexus/graph # 是否在索引后自动启动本地服务 auto_serve false几个参数说明一下。base_url指向 TaoToken 的 API 端点api_key填你刚创建的 Key。model选一个 embedding 模型即可text-embedding-3-small性价比高代码库大也能扛。batch_size控制每次请求送多少代码块网络不稳就调小到 32。ignore_dirs很重要不排除node_modules的话索引时间会翻好几倍。再看 AI 编辑器的 MCP 配置。以 Claude Code 的settings.json为例路径通常在~/.claude/settings.json或项目级.claude/settings.json{ mcpServers: { gitnexus: { command: npx, args: [-y, gitnexus, mcp], env: { GITNEXUS_GRAPH_DIR: /absolute/path/to/your/project/.gitnexus/graph, OPENAI_BASE_URL: https://taotoken.net/api, OPENAI_API_KEY: sk-你的TaoTokenKey } } } }这里GITNEXUS_GRAPH_DIR必须写绝对路径指向你项目里图谱输出目录。OPENAI_BASE_URL和OPENAI_API_KEY让 MCP 通道在需要调用模型时也走 TaoToken。配置完保存重启编辑器即可。提示如果你用的是 Cursor 或 CodexMCP 配置字段名可能略有差异但核心就是command、args、env三块。把上面的env原样搬过去基本能用。4. 安装、索引与图谱构建全流程配置骨架有了接下来走完整流程。第一步是安装 GitNexus。这里有个坑直接npm install -g gitnexus经常因为 peer 依赖版本冲突失败报一堆ERESOLVE。解决办法是加--legacy-peer-deps跳过严格校验npm install -g gitnexus --legacy-peer-deps装完验证一下版本gitnexus --version能打印出版本号就说明装好了。我试过在 Node 18 和 Node 20 下都能跑Node 16 可能会因为依赖语法报错建议升级到 18 以上。第二步进入你要分析的项目目录cd /path/to/your/project第三步是核心索引项目代码。先跑不带 embeddings 的基础索引确认分析链路通gitnexus analyze这一步会做四件事扫描文件、解析符号、聚类模块、构建图。全程本地不消耗 token。跑完后你会看到类似Analysis complete: 1240 nodes, 3870 edges的输出。确认基础索引没问题后再开 embeddingsgitnexus analyze --embeddings--embeddings的作用是把每个代码块的语义转成向量。它不只是找字符匹配而是让 AI 能理解「查询用户认证流程」和login、auth、session之间的概念联系。这也是 Graph RAG 的基础——图谱给结构向量给语义两者结合AI 编辑器才能像人一样思考而不是做关键词匹配。这一步最容易出问题。如果你之前装 GitNexus 时遇到过Analysis failed: fetch failed大概率是 embedding 请求发不出去。先确认你的网络能访问配置里的base_url用 curl 测一下curl -I https://taotoken.net/api如果返回 200 或 401401 说明通了但没带 Key说明通道没问题。如果超时检查config.toml里的base_url有没有写错或者timeout_seconds是不是太短。把batch_size调到 32 也能缓解大项目下的超时。第四步启动本地服务查看图谱gitnexus serve默认会在http://localhost:3000起一个网页打开就能看到交互式图谱。每个节点对应一个文件或符号连线是依赖关系。你可以拖拽、缩放、点节点看详情。第五步一键配置 MCP。GitNexus 提供了 setup 脚本能自动给 Cursor、Codex、Claude Code 写 MCP 配置npx gitnexus setup不过自动脚本不一定能识别你所有的编辑器如果没配上就手动把第 3 节的settings.json填进去。配好后重启编辑器在 MCP 面板里应该能看到gitnexus处于 connected 状态。5. 验证请求节点查询与依赖回溯图谱建好了怎么确认它真的可用别只看网页渲染出来了要做两个验证动作节点查询和依赖回溯。节点查询是确认图谱数据完整。启动gitnexus serve后除了网页它还暴露了本地查询接口。你可以用 curl 直接查某个文件节点curl http://localhost:3000/api/node?pathsrc/auth/login.ts返回的 JSON 里会包含这个文件的节点 ID、类型、以及它关联的边。如果返回空说明索引时这个文件被ignore_dirs排除了或者路径写错了。依赖回溯是确认图谱的「关系」是对的。比如你想知道login.ts被哪些文件引用curl http://localhost:3000/api/dependents?pathsrc/auth/login.ts返回的列表就是所有依赖它的文件。反过来查它依赖了谁用dependencies接口。这一步能验证图谱的边是否构建正确。如果依赖列表明显缺失回去检查analyze时有没有报解析错误。更实用的验证方式是通过 MCP 在 AI 编辑器里问。配好 MCP 后在 Claude Code 里输入用 gitnexus 查一下 src/auth/login.ts 的依赖关系如果 MCP 通道正常它会返回节点信息和依赖列表。这一步同时验证了三件事MCP 连上了、图谱数据在、TaoToken 的模型通道能调通。三个都过闭环就算跑通了。注意MCP 查询走的是模型通道会消耗 token。日常调试可以先用 curl 查本地接口确认数据没问题再用 MCP。6. 本篇常见错排查流程走下来最容易卡在这几个地方。我按出现频率排一下。安装报 ERESOLVE 依赖冲突。这是 npm 的 peer 依赖校验太严。加--legacy-peer-deps基本能解决。如果还不行先npm cache clean --force再装。别用--force那个会装出坏依赖。analyze --embeddings 报 fetch failed。这是 embedding 请求发不出去。按顺序查config.toml里base_url是不是https://taotoken.net/apiapi_key有没有填错curl -I https://taotoken.net/api能不能通batch_size是不是太大导致超时。四项查完基本能定位。图谱网页打不开或空白。先确认gitnexus serve进程还在跑端口没被占。默认 3000 端口如果被占serve 命令一般会提示换端口。另外确认output_dir里有生成的图数据文件没有的话说明 analyze 没跑完。MCP 显示 disconnected。检查settings.json里command和args对不对npx -y gitnexus mcp这个命令手动在终端跑一下看能不能启动。GITNEXUS_GRAPH_DIR必须是绝对路径相对路径 MCP 进程解析不到。改完配置记得完全重启编辑器不是重开窗口。AI 编辑器查图谱返回空。先确认图谱目录里有数据再用 curl 查本地接口验证节点存在。如果本地有数据但 MCP 查不到多半是GITNEXUS_GRAPH_DIR指错了目录。另外确认 MCP 的env里OPENAI_BASE_URL和OPENAI_API_KEY填了否则模型通道调不通查询会静默失败。索引时间过长。大项目第一次索引慢是正常的但如果你发现它在扫node_modules说明ignore_dirs没生效。检查config.toml的[analysis]段把依赖目录、构建产物目录都加进去。max_file_size_kb也可以调小跳过超大文件。7. 把 Key 和通道固定下来后续接入更省事走到这里你应该已经能在本地看到自己项目的知识图谱了也能通过 MCP 让 AI 编辑器查依赖。剩下的事就是把这套配置固定下来别每次换项目重配一遍。我的做法是把 TaoToken 的 Key 和 base_url 写进环境变量config.toml和settings.json里引用变量而不是硬编码。这样换项目时只改图谱目录Key 不用动。embedding 模型也可以按项目大小切换小项目用text-embedding-3-small大项目如果检索精度不够再换更大的模型。如果你还没建 Key或者想先确认模型通道能用可以走下面这几个入口。排障和接入相关的问题看 API Keys 和接入文档最直接想先验证模型对话效果进模型对话页面发一条请求就行长期做编码和 Agent 的话Coding Plan 能把额度固定下来配合 MCP 用更顺。控制台建 Keyhttps://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsoleAPI Keys 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi-keys接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc模型对话验证https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentchatCoding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-planClaude Code 接入https://taotoken.net/claude-code?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentclaudecode最后留一个实用技巧图谱建好后.gitnexus/graph目录可以加进.gitignore别提交到仓库。它是本地分析产物换台机器重新analyze就行。但config.toml建议提交团队里其他人 clone 下来改个 Key 就能用同一套索引配置。这样知识图谱就不是你一个人的工具而是整个项目的基础设施。
GitNexus 图文使用教程：用 TaoToken 统一 Key 为代码库构建知识图谱
1. 为什么大型代码库需要一张知识图谱接手一个几十万行的老项目时最痛苦的不是读不懂某个函数而是搞不清「谁调用了谁」。你改一个工具类结果三个模块编译失败你想找登录逻辑全局搜login出来两百个结果一半是测试用例。这种时候人脑的线性阅读方式已经不够用了你需要一张把文件、函数、依赖关系全部连起来的知识图谱。GitNexus 就是干这件事的工具。它扫描你的代码库把每个文件、每个符号抽成节点把调用、引用、导入抽成边最后渲染成一张可交互的图。更关键的是它支持--embeddings参数会为代码块生成向量索引让 AI 编辑器Claude Code、Cursor、Codex 这类能按「语义」而不是「关键词」去检索代码。比如你问「用户认证流程在哪」它能找到auth、session、token相关的代码哪怕这些文件里根本没出现「认证」两个字。这篇教程面向需要梳理大型项目依赖、又想让 AI 编辑器更懂代码库的开发者。我会把 GitNexus 从安装、索引、生成图谱到接入 MCP 的完整流程走一遍重点解决两个高频问题一是安装时的依赖冲突二是 embeddings 阶段因为网络环境导致的fetch failed。同时我会用 TaoToken 统一管理模型 Key让 GitNexus 的语义检索和 AI 编辑器共用一套凭证省得每个工具配一遍。整个流程走完你能在本地复现「配置 → 索引 → 图谱可用 → AI 编辑器能查」的闭环。下面直接开始。2. TaoToken 前置准备统一 Key 与 MCP 通道GitNexus 本身是本地分析工具索引、解析、聚类、图构建都在本地跑不消耗 token。但一旦开启--embeddings它需要调用 embedding 模型把代码块转成向量后续 AI 编辑器通过 MCP 查询图谱时也要走模型通道。如果每个工具单独配 Key管理起来很乱所以这里用 TaoToken 做统一入口。TaoToken 是一个模型 API 聚合服务提供 OpenAI 兼容的接口你可以把它理解成「一个 Key 打通多个模型通道」。对 GitNexus 场景来说它的价值在于embedding 请求和 AI 编辑器的对话请求可以共用同一个 base_url 和 Key配置一次多处复用。你需要先拿到两样东西第一是 API Key。登录 TaoToken 控制台在 API Keys 页面创建一个新 Key复制保存。这个 Key 后面会填进 GitNexus 的配置文件和 AI 编辑器的 MCP 配置里。第二是确认接入地址。TaoToken 的 API 端点是https://taotoken.net/api兼容 OpenAI 的/v1/chat/completions和/v1/embeddings路径。也就是说任何支持自定义 base_url 的工具把地址指向这里就能用。注意API 地址不要带查询参数直接写https://taotoken.net/api即可。控制台和文档入口在下面 CTA 部分给出。如果你还没创建 Key可以先去控制台建一个想先看看模型对话效果也可以直接进模型对话页面试一条请求确认 Key 可用再往下走。长期做编码和 Agent 的话Coding Plan 会更划算后面接入 MCP 时也能直接用。3. 可复制配置config.toml 与 settings.json 骨架GitNexus 的配置分两层一层是它自己的config.toml控制 embedding 模型和 API 通道另一层是 AI 编辑器的settings.json以 Claude Code 为例控制 MCP 服务器怎么连。下面给出两份可直接复制的骨架你只需要替换 Key。先看 GitNexus 的config.toml。这个文件一般放在项目根目录或者用户配置目录下GitNexus 启动时会读取# GitNexus 配置文件 # 放在项目根目录或 ~/.config/gitnexus/config.toml [embedding] # 开启向量索引后embedding 请求走这里 provider openai-compatible base_url https://taotoken.net/api api_key sk-你的TaoTokenKey model text-embedding-3-small batch_size 64 timeout_seconds 60 [analysis] # 索引时忽略的目录避免把依赖包也扫进去 ignore_dirs [node_modules, .git, dist, build, vendor, __pycache__] max_file_size_kb 512 [graph] # 图谱输出目录 output_dir .gitnexus/graph # 是否在索引后自动启动本地服务 auto_serve false几个参数说明一下。base_url指向 TaoToken 的 API 端点api_key填你刚创建的 Key。model选一个 embedding 模型即可text-embedding-3-small性价比高代码库大也能扛。batch_size控制每次请求送多少代码块网络不稳就调小到 32。ignore_dirs很重要不排除node_modules的话索引时间会翻好几倍。再看 AI 编辑器的 MCP 配置。以 Claude Code 的settings.json为例路径通常在~/.claude/settings.json或项目级.claude/settings.json{ mcpServers: { gitnexus: { command: npx, args: [-y, gitnexus, mcp], env: { GITNEXUS_GRAPH_DIR: /absolute/path/to/your/project/.gitnexus/graph, OPENAI_BASE_URL: https://taotoken.net/api, OPENAI_API_KEY: sk-你的TaoTokenKey } } } }这里GITNEXUS_GRAPH_DIR必须写绝对路径指向你项目里图谱输出目录。OPENAI_BASE_URL和OPENAI_API_KEY让 MCP 通道在需要调用模型时也走 TaoToken。配置完保存重启编辑器即可。提示如果你用的是 Cursor 或 CodexMCP 配置字段名可能略有差异但核心就是command、args、env三块。把上面的env原样搬过去基本能用。4. 安装、索引与图谱构建全流程配置骨架有了接下来走完整流程。第一步是安装 GitNexus。这里有个坑直接npm install -g gitnexus经常因为 peer 依赖版本冲突失败报一堆ERESOLVE。解决办法是加--legacy-peer-deps跳过严格校验npm install -g gitnexus --legacy-peer-deps装完验证一下版本gitnexus --version能打印出版本号就说明装好了。我试过在 Node 18 和 Node 20 下都能跑Node 16 可能会因为依赖语法报错建议升级到 18 以上。第二步进入你要分析的项目目录cd /path/to/your/project第三步是核心索引项目代码。先跑不带 embeddings 的基础索引确认分析链路通gitnexus analyze这一步会做四件事扫描文件、解析符号、聚类模块、构建图。全程本地不消耗 token。跑完后你会看到类似Analysis complete: 1240 nodes, 3870 edges的输出。确认基础索引没问题后再开 embeddingsgitnexus analyze --embeddings--embeddings的作用是把每个代码块的语义转成向量。它不只是找字符匹配而是让 AI 能理解「查询用户认证流程」和login、auth、session之间的概念联系。这也是 Graph RAG 的基础——图谱给结构向量给语义两者结合AI 编辑器才能像人一样思考而不是做关键词匹配。这一步最容易出问题。如果你之前装 GitNexus 时遇到过Analysis failed: fetch failed大概率是 embedding 请求发不出去。先确认你的网络能访问配置里的base_url用 curl 测一下curl -I https://taotoken.net/api如果返回 200 或 401401 说明通了但没带 Key说明通道没问题。如果超时检查config.toml里的base_url有没有写错或者timeout_seconds是不是太短。把batch_size调到 32 也能缓解大项目下的超时。第四步启动本地服务查看图谱gitnexus serve默认会在http://localhost:3000起一个网页打开就能看到交互式图谱。每个节点对应一个文件或符号连线是依赖关系。你可以拖拽、缩放、点节点看详情。第五步一键配置 MCP。GitNexus 提供了 setup 脚本能自动给 Cursor、Codex、Claude Code 写 MCP 配置npx gitnexus setup不过自动脚本不一定能识别你所有的编辑器如果没配上就手动把第 3 节的settings.json填进去。配好后重启编辑器在 MCP 面板里应该能看到gitnexus处于 connected 状态。5. 验证请求节点查询与依赖回溯图谱建好了怎么确认它真的可用别只看网页渲染出来了要做两个验证动作节点查询和依赖回溯。节点查询是确认图谱数据完整。启动gitnexus serve后除了网页它还暴露了本地查询接口。你可以用 curl 直接查某个文件节点curl http://localhost:3000/api/node?pathsrc/auth/login.ts返回的 JSON 里会包含这个文件的节点 ID、类型、以及它关联的边。如果返回空说明索引时这个文件被ignore_dirs排除了或者路径写错了。依赖回溯是确认图谱的「关系」是对的。比如你想知道login.ts被哪些文件引用curl http://localhost:3000/api/dependents?pathsrc/auth/login.ts返回的列表就是所有依赖它的文件。反过来查它依赖了谁用dependencies接口。这一步能验证图谱的边是否构建正确。如果依赖列表明显缺失回去检查analyze时有没有报解析错误。更实用的验证方式是通过 MCP 在 AI 编辑器里问。配好 MCP 后在 Claude Code 里输入用 gitnexus 查一下 src/auth/login.ts 的依赖关系如果 MCP 通道正常它会返回节点信息和依赖列表。这一步同时验证了三件事MCP 连上了、图谱数据在、TaoToken 的模型通道能调通。三个都过闭环就算跑通了。注意MCP 查询走的是模型通道会消耗 token。日常调试可以先用 curl 查本地接口确认数据没问题再用 MCP。6. 本篇常见错排查流程走下来最容易卡在这几个地方。我按出现频率排一下。安装报 ERESOLVE 依赖冲突。这是 npm 的 peer 依赖校验太严。加--legacy-peer-deps基本能解决。如果还不行先npm cache clean --force再装。别用--force那个会装出坏依赖。analyze --embeddings 报 fetch failed。这是 embedding 请求发不出去。按顺序查config.toml里base_url是不是https://taotoken.net/apiapi_key有没有填错curl -I https://taotoken.net/api能不能通batch_size是不是太大导致超时。四项查完基本能定位。图谱网页打不开或空白。先确认gitnexus serve进程还在跑端口没被占。默认 3000 端口如果被占serve 命令一般会提示换端口。另外确认output_dir里有生成的图数据文件没有的话说明 analyze 没跑完。MCP 显示 disconnected。检查settings.json里command和args对不对npx -y gitnexus mcp这个命令手动在终端跑一下看能不能启动。GITNEXUS_GRAPH_DIR必须是绝对路径相对路径 MCP 进程解析不到。改完配置记得完全重启编辑器不是重开窗口。AI 编辑器查图谱返回空。先确认图谱目录里有数据再用 curl 查本地接口验证节点存在。如果本地有数据但 MCP 查不到多半是GITNEXUS_GRAPH_DIR指错了目录。另外确认 MCP 的env里OPENAI_BASE_URL和OPENAI_API_KEY填了否则模型通道调不通查询会静默失败。索引时间过长。大项目第一次索引慢是正常的但如果你发现它在扫node_modules说明ignore_dirs没生效。检查config.toml的[analysis]段把依赖目录、构建产物目录都加进去。max_file_size_kb也可以调小跳过超大文件。7. 把 Key 和通道固定下来后续接入更省事走到这里你应该已经能在本地看到自己项目的知识图谱了也能通过 MCP 让 AI 编辑器查依赖。剩下的事就是把这套配置固定下来别每次换项目重配一遍。我的做法是把 TaoToken 的 Key 和 base_url 写进环境变量config.toml和settings.json里引用变量而不是硬编码。这样换项目时只改图谱目录Key 不用动。embedding 模型也可以按项目大小切换小项目用text-embedding-3-small大项目如果检索精度不够再换更大的模型。如果你还没建 Key或者想先确认模型通道能用可以走下面这几个入口。排障和接入相关的问题看 API Keys 和接入文档最直接想先验证模型对话效果进模型对话页面发一条请求就行长期做编码和 Agent 的话Coding Plan 能把额度固定下来配合 MCP 用更顺。控制台建 Keyhttps://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsoleAPI Keys 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi-keys接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc模型对话验证https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentchatCoding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-planClaude Code 接入https://taotoken.net/claude-code?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentclaudecode最后留一个实用技巧图谱建好后.gitnexus/graph目录可以加进.gitignore别提交到仓库。它是本地分析产物换台机器重新analyze就行。但config.toml建议提交团队里其他人 clone 下来改个 Key 就能用同一套索引配置。这样知识图谱就不是你一个人的工具而是整个项目的基础设施。
