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 fundierte Informationen zu Symbolen, Struktur, Docs und Abhängigkeiten sowie gerankte Code-Fragmente.

Mit wachsenden Projekten kämpfen KI-Agents mit:

• Context-Window-Limits - Zu viele Informationen überfordern KI-Modelle
• Irrelevante Daten - KI-Agents 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

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.

Maguyva bietet 5 Retrieval-Fähigkeiten: semantic, AST, symbol, dependency und text. In intelligent_search stehen vier Suchmodalitäten bereit: semantisch, Text, strukturell und Graph. Standardmäßig leitet auto/balanced Definitionsfragen bei sicher erkannter Absicht an die strukturelle Suche weiter, Referenz- oder Auswirkungsfragen an den Graphen und Fragen nach exakten Treffern an die Textsuche. Andere Fragen nutzen semantische Bedeutung und indexierten Text. Mit mode=hybrid oder auto zusammen mit quality=thorough forderst du alle vier Suchmodalitäten an. Ein expliziter mode hat Vorrang vor quality. language_filter lässt den Graphen bei auto/hybrid weg und wird bei explizitem mode=graph abgelehnt. Ergebnisse aus mehreren Modalitäten werden zusammengeführt und nach Relevanz für die Abfrage sortiert.

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.

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

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

• Relevanz-Scoring ▄█▄ ║⊙⊙║ ╚═█═╝ - Wählt Retrieval-Belege anhand des Suchmodus und Qualitätsprofils aus und sortiert Treffer anschließend nach ihrer Relevanz für die Anfrage
• Rauschreduktion - Reduziert doppelte Treffer und begrenzt Chunks pro Datei, damit nicht eine einzige Datei das Ergebnisfenster füllt
• Kontext-Priorisierung - Hält Ergebnisse standardmäßig begrenzt und relevant. Eine Gewichtung nach Wichtigkeit wird für Architekturüberblicke mit boost_by_importance=true ausdrücklich aktiviert; sie ist nicht die Standard-Ranking-Strategie

• 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

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 sich das Modell deine Architektur jedes Mal von Grund auf neu erschließt. 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.

• 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

• 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

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.

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

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

• 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 Agents für jeden Branch den richtigen Kontext sehen

Bereit, es auszuprobieren?

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

Kostenlos starten →

Verbinde deine GitHub-Repositories über das Portal von Maguyva. Bei Codeänderungen aktualisieren GitHub-Synchronisierungsjobs die Indizes. Das Portal zeigt auch die API-Nutzung an.