# Sådan fungerer Maguyva

Canonical source: https://maguyva.ai/da/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).

Forbind et GitHub-repo, og Maguyva gør det til flere søgbare visninger, som din agent kan bruge efter behov. I stedet for at dumpe hele filer ind i konteksten får modellen forankret adgang til symboler, struktur, dokumentation, afhængigheder og rangerede kodefragmenter.

Når du forbinder et repo, kører Maguyva cloud-indlæsningspipelines over kode, dokumentation, manifester, symboler og afhængighedsmetadata. Målet er at bygge holdbar kodehukommelse én gang i stedet for at lade hver agentkørsel genopdage repoet fra bunden.

Disse pipelines producerer flere specialiserede datalag: eksakt tekstsøgning, semantisk genfinding, symbol- og referenceopslag, strukturelle visninger og analyse af afhængighedsgrafen. Forskellige spørgsmål routes til forskellige lag.

Maguyva tilbyder 5 muligheder for informationssøgning: semantic, AST, symbol, dependency, text. I intelligent_search er fire søgemodaliteter tilgængelige: semantisk søgning, tekstsøgning, strukturel søgning og grafsøgning. Standardindstillingen auto/balanced sender forespørgsler, der med høj sikkerhed genkendes som definitionssøgninger, til strukturel søgning, reference- eller konsekvensspørgsmål til grafen og forespørgsler om præcise match til tekstsøgning. Andre spørgsmål bruger semantisk betydning og indekseret tekst. Brug mode=hybrid eller auto med quality=thorough for at anmode om alle fire søgemodaliteter. En eksplicit valgt tilstand har forrang for quality. language_filter udelader grafen fra auto/hybrid og afvises ved eksplicit mode=graph. Resultater fra flere modaliteter flettes og rangeres efter relevans for forespørgslen.

De private repo-visninger ligger side om side med offentlige referencedata for understøttede languages and text-based technologies. Din agent når hele systemet gennem MCP-værktøjer, som du kan læne dig kraftigt op ad under planlægning og validering, eller bruge som stikprøver under redigering.

### 1. Indlæsning af repo

- **Analyse af kodestruktur**: Parser filer til symboler, referencer og arkitektoniske grænser
- **Afhængighedsopløsning**: Kortlægger, hvordan filer, moduler og symboler afhænger af hinanden
- **Integration af dokumentation**: Henter repo-dokumentation og relateret referencemateriale ind sammen med koden

### Routing og rangering

- **Relevansscoring**: Vælger underlag ud fra søgetilstand og kvalitetsindstilling og rangordner derefter træffene efter relevans for søgningen
- **Støjreduktion**: Reducerer dobbelte træffere og begrænser antallet af fragmenter pr. fil, så én fil ikke fylder hele resultatvinduet
- **Kontekstprioritering**: Holder resultaterne afgrænsede og relevante som standard. Ekstra vægtning efter vigtighed skal aktiveres med boost_by_importance=true til arkitekturgennemgange; det er ikke standardpolitikken for rangordning

### Lagrede repræsentationer

- **Semantisk genfinding**: Finder konceptuelt lignende kode og dokumentation, selv når de præcise ord er forskellige
- **Symbol- og strukturvisninger**: Understøtter eksakt symbolopslag, referencer og AST-formede spørgsmål
- **Analyse af afhængighedsgraf**: Følger kaldere, imports og påvirkningsradius på tværs af kodebasen

### Sikkerhedsfunktioner

- **Transportsikkerhed**: Forbindelser til tjenesten bruger HTTPS/TLS
- **Administreret lagring**: Indekserede data lagres på administreret infrastruktur med kryptering på lagerniveau i hvile
- **Namespace-isolation**: Repo-data afgrænses efter arbejdsområde og namespace gennem pipeline- og databaseforespørgselsveje
- **Adgangskontrol**: Adgang til repos begrænses af organisations- og namespace-grænser

### Hvad du kan forvente

- **Bedre planlægningspræcision**: Agenter kan validere en tilgang mod det faktiske repo, før de begynder at kode
- **Sikrere refaktorering**: Tjek af blast radius og afhængigheder reducerer undgåelige nedbrud
- **Mindre spild af tokens**: Kun relevante fragmenter returneres i stedet for hele filer
- **Hurtigere forståelse af repoet**: Modellen får hurtigt forankrede svar i stedet for at genopdage projektstrukturen ved hver kørsel

### Automatiske opdateringer

- **Reposynkronisering**: Opdateres fra GitHub-synkroniseringsjob, efterhånden som koden ændrer sig
- **Inkrementel behandling**: Behandler kun ændrede filer for effektivitetens skyld
- **Branch-bevidst kontekst**: Vedligeholder separate indekser pr. git-branch, så agenter ser den rette kontekst for hver branch

Maguyva leveres som en cloud-hostet MCP-server. Din agent kalder de værktøjer, den har brug for til den vinkel, den skal bruge, i stedet for at stole på, at modellen husker din arkitektur fra bunden. De fire overflader ovenfor er grupperede visninger af de konkrete værktøjer: Semantisk søgning dækker `semantic_search` og `intelligent_search`; Symbolopslag dækker `find_symbol` og `get_task_context`; Strukturel søgning dækker `structural_search` og `text_pattern_search`; Afhængighedsgraf dækker `dependency_search` og `analyze_dependencies` — sammen med `get_file`, `repository_context` og `ask_maguyva` som understøttende hjælpeværktøjer. Se den fulde [MCP API-reference](https://maguyva.ai/docs/mcp-api) for alle 11 værktøjer.

Performance varierer med kodebasens størrelse og forespørgslens kompleksitet. Maguyva fokuserer på at levere den mest relevante kontekst frem for at dumpe hele filer. Se [kompatibilitet](https://maguyva.ai/docs/compatibility) for understøttede sprog og klienter.

Resultaterne varierer afhængigt af din kodebases størrelse, kompleksitet og de typer forespørgsler, din AI-agent håndterer.

Forbind dine GitHub-repositorier gennem Maguyva-portalen. Indekser opdateres via GitHub-synkroniseringsjob, når koden ændres. Portalen giver også indblik i API-forbruget.