# Jak Maguyva funguje

Canonical source: https://maguyva.ai/cs/docs/how-it-works

License: text under [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/); code samples under [MIT-0](https://opensource.org/license/mit-0); the Maguyva name, logos, brand assets and other code are not covered. Details: [maguyva.ai/license](https://maguyva.ai/license).

Připojte GitHub repozitář a Maguyva ho promění v několik prohledávatelných pohledů, které váš agent může použít na požádání. Místo vysypání celých souborů do kontextu získá model podložený přístup k symbolům, struktuře, dokumentaci, závislostem a seřazeným fragmentům kódu.

Když připojíte repozitář, Maguyva spustí cloudové zpracovatelské pipeline nad kódem, dokumentací, manifesty, symboly a metadaty závislostí. Cílem je jednou vybudovat trvalou paměť kódu, místo aby si repozitář znovu objevoval každý běh agenta od nuly.

Tyto pipeline produkují několik specializovaných datových vrstev: přesné textové vyhledávání, sémantické vyhledávání, vyhledávání symbolů a referencí, strukturální pohledy a analýzu grafu závislostí. Různé otázky se směrují do různých vrstev.

Maguyva nabízí 5 schopností vyhledávání: semantic, AST, symbol, dependency, text. V intelligent_search jsou dostupné čtyři modality vyhledávání: sémantická, textová, strukturální a grafová. Výchozí auto/balanced směruje dotazy, u nichž s vysokou jistotou rozpozná hledání definice, na strukturální vyhledávání, dotazy na reference nebo dopady do grafu a dotazy na přesnou shodu na textové vyhledávání. Ostatní dotazy využívají sémantický význam a indexovaný text. Pomocí mode=hybrid nebo auto s quality=thorough požádejte o všechny čtyři modality vyhledávání. Výslovně zvolený režim má přednost před nastavením quality. language_filter vynechá graf v auto/hybrid a s výslovně zadaným mode=graph je odmítnut. Výsledky z více modalit se slučují a řadí podle relevance k dotazu.

Soukromé pohledy na repozitář stojí vedle veřejných referenčních dat podporovaných languages and text-based technologies. Váš agent se k celému systému dostává přes MCP nástroje, na které se můžete výrazně spolehnout při plánování a validaci, nebo je použít jako namátkovou kontrolu během úprav.

### 1. Zpracování repozitáře

- **Analýza struktury kódu**: Parsuje soubory na symboly, reference a architektonické hranice
- **Rozpoznávání závislostí**: Mapuje, jak na sobě soubory, moduly a symboly vzájemně závisí
- **Integrace dokumentace**: Zahrnuje dokumentaci repozitáře a související referenční materiály vedle kódu

### Směrování a řazení

- **Skórování relevance**: Vybírá podklady podle režimu vyhledávání a nastavení kvality a poté řadí shody podle relevance k dotazu
- **Potlačení šumu**: Omezuje duplicitní shody a počet úryvků na soubor, aby jeden soubor nezaplnil celé okno výsledků
- **Priorizace kontextu**: Ve výchozím nastavení udržuje výsledky omezené a relevantní. Zvýhodnění podle důležitosti se pro prohlídky architektury zapíná pomocí boost_by_importance=true; nejde o výchozí pravidlo řazení

### Uložené reprezentace

- **Sémantické vyhledávání**: Najde koncepčně podobný kód a dokumentaci, i když se přesná slova liší
- **Symbolické a strukturální pohledy**: Podporuje přesné vyhledávání symbolů, reference a otázky tvarované podle AST
- **Analýza grafu závislostí**: Sleduje volající, importy a rozsah dopadu napříč kódovou základnou

### Bezpečnostní prvky

- **Zabezpečení přenosu**: Připojení ke službě používají HTTPS/TLS
- **Spravované úložiště**: Indexovaná data jsou uložena na spravované infrastruktuře se šifrováním uložených dat na úrovni úložiště
- **Izolace jmenného prostoru**: Data repozitáře jsou ohraničena podle workspace a jmenného prostoru v celé pipeline i při databázových dotazech
- **Řízení přístupu**: Přístup k repozitáři je omezen hranicemi organizace a jmenného prostoru

### Co očekávat

- **Přesnější plánování**: Agenti si mohou ověřit přístup proti skutečnému repozitáři ještě před začátkem psaní kódu
- **Bezpečnější refaktoring**: Kontroly rozsahu dopadu a závislostí snižují riziko zbytečného rozbití
- **Méně plýtvání tokeny**: Vracejí se jen relevantní fragmenty místo celých souborů
- **Rychlejší pochopení repozitáře**: Model rychle dostane podložené odpovědi, místo aby si strukturu projektu znovu objevoval při každém běhu

### Automatické aktualizace

- **Synchronizace repozitáře**: Obnovuje se ze synchronizačních úloh GitHub při změně kódu
- **Inkrementální zpracování**: Kvůli efektivitě zpracovává jen změněné soubory
- **Kontext s ohledem na větve**: Udržuje samostatné indexy pro každou git větev, aby agenti viděli správný kontext pro danou větev

Maguyva se dodává jako MCP server hostovaný v cloudu. Váš agent volá nástroje pro pohled, který zrovna potřebuje, místo aby se spoléhal na to, že si model zapamatuje vaši architekturu od nuly. Čtyři plochy výše jsou seskupené pohledy na konkrétní nástroje: Sémantické vyhledávání zahrnuje `semantic_search` a `intelligent_search`; Vyhledávání symbolů zahrnuje `find_symbol` a `get_task_context`; Strukturální vyhledávání zahrnuje `structural_search` a `text_pattern_search`; Graf závislostí zahrnuje `dependency_search` a `analyze_dependencies` — spolu s `get_file`, `repository_context` a `ask_maguyva` jako podpůrnými nástroji. Úplný seznam všech 11 nástrojů najdete v [referenční příručce MCP API](https://maguyva.ai/docs/mcp-api).

Výkon se liší podle velikosti kódové základny a složitosti dotazu. Maguyva se zaměřuje na dodání nejrelevantnějšího kontextu místo vysypání celých souborů. Podporované jazyky a klienty najdete v [přehledu kompatibility](https://maguyva.ai/docs/compatibility).

Výsledky se liší podle velikosti a složitosti vaší kódové základny a typů dotazů, které váš AI agent zpracovává.

Připojte své repozitáře GitHub přes portál Maguyva. Indexy se při změnách kódu obnovují pomocí synchronizačních úloh GitHub. Portál také poskytuje přehled o využití API.