Zum Inhalt springen

Wie Maguyva funktioniert

Verbinde ein GitHub-Repository, und Maguyva verwandelt es in mehrere durchsuchbare Ansichten, die dein Agent bei Bedarf nutzen kann. Statt ganze Dateien in den Kontext zu kippen, bekommt das Modell verankerten Zugriff auf Symbole, Struktur, Docs, Abhängigkeiten und gerankte Code-Fragmente.

Das Kontext-Problem#

Mit wachsenden Projekten kämpfen KI-Agenten mit:

  • Context-Window-Limits - Zu viele Informationen überfordern KI-Modelle
  • Irrelevante Daten - KI-Agenten verschwenden Tokens für unnötige Informationen
  • Schwache Performance - Reduzierte Genauigkeit und langsamere Verarbeitungszeiten
  • Manuelle Verwaltung - Entwickler verbringen Stunden damit, Kontext manuell zu organisieren
  • Höhere Kosten - Ohne Kontext-Management steigen die Token-Kosten mit jeder Query

Je größer ein Projekt wird, desto mehr Rauschen gelangt ins Context Window — und die Genauigkeit des Agenten sinkt dadurch.

Die Lösung von Maguyva#

Wenn du ein Repository verbindest, führt Maguyva Cloud-Ingestion-Pipelines über Code, Docs, Manifeste, Symbole und Dependency-Metadaten aus. Das Ziel: dauerhaftes Code-Gedächtnis einmal aufbauen, statt jeden Agent-Lauf das Repo von Grund auf neu entdecken zu lassen.

Diese Pipelines erzeugen mehrere spezialisierte Datenschichten: exakte Textsuche, semantisches Retrieval, Symbol- und Referenz-Lookups, strukturelle Ansichten und Dependency-Graph-Analyse. Unterschiedliche Fragen werden an unterschiedliche Schichten geroutet.

Die Suche kombiniert 5 Retrieval-Modi: semantic, AST, symbol, dependency und text. Ergebnisse werden fusioniert und gerankt, sodass wichtige Symbole vor Low-Value-Helpern auftauchen.

Die privaten Repository-Ansichten stehen neben öffentlichen Referenzdaten für unterstützte Sprachen und textbasierte Technologien. Dein Agent erreicht das gesamte System über MCP-Tools, auf die du dich beim Planen und Validieren stark stützen kannst oder die du beim Editieren als Stichprobenkontrolle nutzt.

1. Repository-Ingestion#

Nachdem GitHub verbunden ist, scannt Maguyva das Repository in der Cloud und extrahiert die Teile, die ein Agent tatsächlich braucht, um darüber nachzudenken:

  • Code-Struktur-Analyse
     - Parst Dateien in Symbole, Referenzen und architektonische Grenzen
  • Dependency-Auflösung
     - Kartiert, wie Dateien, Module und Symbole voneinander abhängen
  • Dokumentations-Integration - Zieht Repository-Docs und verwandtes Referenzmaterial neben den Code

2. Spezialisierte Retrieval-Schichten#

Statt eines generischen Index baut Maguyva mehrere Retrieval-Oberflächen, die unterschiedliche Fragen schnell und mit unterschiedlicher Evidenz beantworten:

Kontextbudget: Maguyva liefert gerankte Code-Fragmente mit Dateipfaden und Zeilennummern, statt ganze Dateien in den Kontext zu kippen. Die tatsächliche Token-Reduktion hängt von Repository-Größe und Query-Spezifität ab.

Routing und Ranking#

  • Relevanz-Scoring
     - Wählt den richtigen Retrieval-Modus und hebt die wichtigen Ergebnisse zuerst hervor
  • Rauschreduktion - Entfernt Boilerplate, redundante Chunks und Low-Value-Treffer
  • Kontext-Priorisierung - Ordnet Ergebnisse so, dass der Agent Kern-Symbole vor Edge-Case-Helpern sieht

Gespeicherte Repräsentationen#

  • Semantisches Retrieval
     - Findet konzeptionell ähnlichen Code und Docs, selbst wenn die exakten Wörter abweichen
  • Symbol- und strukturelle Ansichten - Unterstützt exaktes Symbol-Lookup, Referenzen und AST-förmige Fragen
  • Dependency-Graph-Analyse
     - Verfolgt Aufrufer, Imports und Impact-Radius über die Codebase hinweg

3. Model-Context-Protocol-(MCP)-Tool-Schicht#

Maguyva wird als Cloud-gehosteter MCP-Server ausgeliefert. Dein Agent ruft die Tools für die Linse auf, die er braucht, statt sich darauf zu verlassen, dass das Modell deine Architektur von Grund auf erinnert. Die vier Oberflächen oben sind gruppierte Ansichten auf die konkreten Tools: Semantische Suche deckt semantic_search und intelligent_search ab; Symbol-Lookup deckt find_symbol und get_task_context ab; Strukturelle Suche deckt structural_search und text_pattern_search ab; Dependency-Graph deckt dependency_search und analyze_dependencies ab — daneben get_file, repository_context und ask_maguyva als unterstützende Hilfswerkzeuge. Siehe die vollständige MCP-API-Referenz für alle 11 Tools.

Vorteile der MCP-Kompatibilität#

  • Mehr oder weniger Tooling nutzen - Stütz dich beim Planen stark auf Maguyva oder nutz es nur, um eine riskante Änderung gegenzuchecken
  • Bessere Plan-Validierung - Gleich Ideen gegen echte Symbole, Referenzen und Docs ab, bevor du editierst
  • Klarerer Auswirkungsradius - Dependency- und Graph-Tools zeigen, was brechen könnte, wenn sich ein Symbol ändert
  • Zukunftskompatibel - Funktioniert mit jedem Client, der den MCP-Standard unterstützt

Technische Architektur#

Sichere Verarbeitungspipeline#

Sicherheitsfeatures#

  • Transport-Sicherheit - Verbindungen zum Dienst nutzen HTTPS/TLS
  • Verwalteter Speicher - Indexierte Daten werden auf verwalteter Infrastruktur mit Verschlüsselung auf Speicherebene im Ruhezustand gespeichert
  • Namensraum-Isolation - Repository-Daten sind über Pipeline- und Datenbank-Query-Pfade nach Workspace und Namespace abgegrenzt
  • Zugriffskontrollen - Repository-Zugriff ist durch Organisations- und Namespace-Grenzen eingeschränkt

Performance-Eigenschaften#

Die Performance variiert je nach Codebase-Größe und Query-Komplexität. Maguyva konzentriert sich darauf, den relevantesten Kontext zu liefern, statt ganze Dateien zu kippen. Siehe Kompatibilität für unterstützte Sprachen und Clients.

Was dich erwartet#

Durch intelligentes Filtern und Organisieren deines Codebase-Kontexts hilft Maguyva KI-Agenten, effizienter zu arbeiten:

  • Bessere Planungsgenauigkeit - Agenten können einen Ansatz gegen das echte Repository validieren, bevor sie mit dem Coden anfangen
  • Sicherere Refactorings - Blast-Radius- und Dependency-Checks reduzieren vermeidbare Brüche
  • Weniger Token-Verschwendung - Nur relevante Fragmente werden geliefert, statt ganzer Dateien
  • Schnelleres Repo-Verständnis - Das Modell bekommt schnell verankerte Antworten, statt die Projektstruktur bei jedem Lauf neu zu entdecken

Die Ergebnisse variieren je nach Größe und Komplexität deiner Codebase und den Arten von Queries, die dein KI-Agent bearbeitet.

Deinen Index aktuell halten#

Automatische Updates#

  • Repository-Sync - Aktualisiert aus GitHub-Sync-Jobs, sobald sich Code ändert
  • Inkrementelle Verarbeitung - Verarbeitet aus Effizienzgründen nur geänderte Dateien
  • Branch-bewusster Kontext - Führt separate Indexe pro Git-Branch, damit Agenten für jeden Branch den richtigen Kontext sehen

Erste Schritte#

Bereit, es auszuprobieren?

  1. Kostenlos starten - Keine Kreditkarte nötig
  2. Dein Repository verbinden - Verlinke ein GitHub-Repo im Maguyva-Portal
  3. Deinen Agenten auf Maguyva ausrichten - Nutz die MCP-Tools beim Planen, Prüfen oder Editieren (Installationsanleitung)

Kostenlos starten →

Repository-Verwaltung#

Verbinde deine GitHub-Repositories über das Maguyva-Portal. Die Plattform aktualisiert Indexe aus GitHub-Sync-Jobs, sobald sich Code ändert, und hält die MCP-Tool-Schicht für jeden Branch aktuell. Das Portal bietet außerdem grundlegende Einblicke in die API-Nutzung, mit detaillierteren Analysen auf der Roadmap.