mimo code 通过理解服务架构与可观测性目标，驱动端到端监控日志方案落地：自动分析依赖、生成代码、插入测试、验证部署并沉淀记忆。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
用 MiMo Code 自动化构建监控与日志代码，关键不是“让 AI 写几行日志语句”，而是让它理解你的服务架构、运行环境和可观测性目标，再驱动完整工作流落地。它能帮你跳过手动查文档、复制粘贴配置、反复调试埋点的环节，直接产出可部署、带验证的监控方案。
明确目标并启动 Compose 模式
先在项目根目录运行 mimo，进入终端界面后按 Tab 键切换到 Compose 模式（这是专为端到端任务设计的工作流引擎）。接着用自然语言描述需求，例如：
- “给当前 Node.js Express 服务添加 Prometheus 指标采集，暴露 /metrics 端点，并记录每个 API 的响应时间、错误率和请求量”
- “集成 Winston 日志库，按 level 分文件输出，ERROR 日志同时推送到 Slack webhook”
- “生成配套的 Grafana 仪表板 JSON 配置，包含 QPS、P95 延迟、错误率三个核心看板”
Compose 模式会自动拆解任务：分析依赖结构 → 识别已有框架（如 Express 版本、是否已用 dotenv）→ 规划变更点（中间件注入位置、配置文件新增路径）→ 编码 → 插入单元测试 → 生成部署说明。
提供上下文，避免“重头解释”
MiMo Code 的持久记忆系统能记住你项目的特征，但首次使用仍需轻量引导：
- 如果项目已有
package.json，它会自动读取框架和依赖版本；若没检测到 Prometheus 客户端，会主动建议安装prom-client并给出兼容版本 - 遇到不确定项（如 Slack webhook 地址是否已配置），它不会硬编码，而是生成占位符
{{SLACK_WEBHOOK_URL}}并在输出文档中标注“需替换为实际值” - 支持上传
docker-compose.yml或k8s/deployment.yaml文件，它能据此调整指标暴露方式（如 ServiceMonitor 配置或 sidecar 注入逻辑）
执行与验证闭环
生成代码后，MiMo Code 不止停留在“写完”，而是推动落地验证：
- 自动运行
npm run build或docker build检查语法与依赖兼容性 - 调用
curl http://localhost:3000/metrics验证端点是否返回有效文本格式指标 - 模拟一次 HTTP 请求，检查日志文件中是否生成对应 timestamp、level、message 字段
- 输出一份
observability-checklist.md，列出上线前必做项：环境变量设置、Grafana 数据源配置、告警规则模板等
后续迭代靠记忆沉淀
完成首次构建后，MiMo Code 的 /dream 机制会在 7 天后自动触发：
- 合并本次任务中所有修改的文件路径、关键函数名、配置键名，存入项目专属记忆库
- 下次你说“把数据库连接池监控也加上”，它立刻知道该改
db/index.ts，并在 metrics 中新增db_pool_active_connections指标 - 若团队统一使用 Loki 而非本地文件日志，只需一次
/connect loki命令，后续所有日志方案自动适配新后端
