# Cómo funciona Maguyva Canonical source: https://maguyva.ai/es/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). Conecta un repositorio de GitHub y Maguyva lo convierte en varias vistas consultables que tu agente puede usar a demanda. En lugar de volcar archivos enteros en el contexto, el modelo obtiene acceso fundamentado a símbolos, estructura, documentación, dependencias y fragmentos de código ordenados por relevancia. Cuando conectas un repositorio, Maguyva ejecuta pipelines de ingesta en la nube sobre el código, la documentación, los manifiestos, los símbolos y los metadatos de dependencias. El objetivo es construir memoria de código duradera una sola vez, en lugar de hacer que cada ejecución del agente redescubra el repo desde cero. Esos pipelines producen varias capas de datos especializadas: búsqueda de texto exacta, recuperación semántica, búsqueda de símbolos y referencias, vistas estructurales y análisis de grafo de dependencias. Distintas preguntas se enrutan a distintas capas. Maguyva ofrece 5 capacidades de recuperación: semantic, AST, symbol, dependency, text. intelligent_search dispone de cuatro modalidades de búsqueda: semántica, texto, estructural y grafo. Por defecto, auto/balanced dirige las preguntas sobre definiciones cuya intención identifica con confianza a la búsqueda estructural, las de referencias o impacto al grafo y las de coincidencia exacta al texto. Las demás preguntas usan el significado semántico y el texto indexado. Usa mode=hybrid o auto con quality=thorough para solicitar las cuatro modalidades de búsqueda. Un mode explícito tiene prioridad sobre quality. language_filter excluye el grafo de auto/hybrid y se rechaza con mode=graph explícito. Los resultados de varias modalidades se fusionan y se ordenan según su relevancia para la consulta. Las vistas privadas del repositorio conviven con datos de referencia públicos para los languages and text-based technologies compatibles. Tu agente accede a todo el sistema mediante herramientas MCP, en las que puedes apoyarte mucho durante la planificación y la validación, o usar como verificaciones puntuales durante la edición. ### 1. Ingesta del repositorio - **Análisis de estructura del código**: Analiza los archivos en símbolos, referencias y límites arquitectónicos - **Resolución de dependencias**: Mapea cómo dependen entre sí los archivos, módulos y símbolos - **Integración de documentación**: Incorpora la documentación del repositorio y material de referencia relacionado junto al código ### Enrutamiento y ordenación por relevancia - **Puntuación de relevancia**: Selecciona las pruebas de recuperación según el modo de búsqueda y el ajuste de calidad, y ordena las coincidencias por relevancia para la consulta - **Reducción de ruido**: Reduce las coincidencias duplicadas y limita los fragmentos por archivo para que un solo archivo no ocupe toda la ventana de resultados - **Priorización de contexto**: Mantiene los resultados acotados y relevantes por defecto. La ponderación por importancia se activa expresamente con boost_by_importance=true para explorar la arquitectura; no es la política de ordenación predeterminada ### Representaciones almacenadas - **Recuperación semántica**: Encuentra código y documentación conceptualmente similares aunque las palabras exactas difieran - **Vistas de símbolos y estructura**: Permite la búsqueda de símbolos por su nombre exacto, la consulta de referencias y las preguntas sobre la estructura del AST - **Análisis de grafo de dependencias**: Sigue quién llama a qué, las importaciones y el radio de impacto en todo el código ### Funciones de seguridad - **Seguridad en el transporte**: Las conexiones al servicio usan HTTPS/TLS - **Almacenamiento administrado**: Los datos indexados se almacenan en infraestructura administrada con cifrado en reposo a nivel de almacenamiento - **Aislamiento por namespace**: Los datos del repositorio se delimitan por espacio de trabajo y namespace a lo largo del pipeline y las rutas de consulta de la base de datos - **Controles de acceso**: El acceso al repositorio está restringido por los límites de organización y namespace ### Qué esperar - **Mejor precisión de planificación**: Los agentes pueden validar un enfoque contra el repositorio real antes de empezar a programar - **Refactorizaciones más seguras**: Las verificaciones de radio de impacto y dependencias reducen roturas evitables - **Menos desperdicio de tokens**: Solo se devuelven los fragmentos relevantes en lugar de archivos completos - **Comprensión más rápida del repo**: El modelo obtiene respuestas fundamentadas rápidamente, en lugar de redescubrir la estructura del proyecto en cada ejecución ### Actualizaciones automáticas - **Sincronización del repositorio**: Se actualiza con trabajos de sincronización de GitHub a medida que cambia el código - **Procesamiento incremental**: Solo procesa los archivos modificados para mayor eficiencia - **Contexto consciente de ramas**: Mantiene índices separados por rama de git para que los agentes vean el contexto correcto de cada rama Maguyva se entrega como un servidor MCP alojado en la nube. Tu agente llama a las herramientas según la vista que necesita, en lugar de depender de que el modelo recuerde tu arquitectura desde cero. Las cuatro superficies de arriba son vistas agrupadas sobre las herramientas concretas: Búsqueda semántica abarca `semantic_search` e `intelligent_search`; Búsqueda de símbolos abarca `find_symbol` y `get_task_context`; Búsqueda estructural abarca `structural_search` y `text_pattern_search`; Grafo de dependencias abarca `dependency_search` y `analyze_dependencies` — junto con `get_file`, `repository_context` y `ask_maguyva` como utilidades de apoyo. Consulta la [referencia de la API MCP](https://maguyva.ai/docs/mcp-api) completa para ver las 11 herramientas. El rendimiento varía según el tamaño del código y la complejidad de la consulta. Maguyva se enfoca en entregar el contexto más relevante en lugar de volcar archivos enteros. Consulta [compatibilidad](https://maguyva.ai/docs/compatibility) para ver los lenguajes y clientes compatibles. Los resultados varían según el tamaño y la complejidad de tu código, y los tipos de consultas que maneje tu agente de IA. Conecta tus repositorios GitHub mediante el portal de Maguyva. Los trabajos de sincronización de GitHub actualizan los índices cuando cambia el código. El portal también muestra el uso de la API.