Lumaktaw papunta sa content

Paano Gumagana ang Maguyva

I-connect ang isang GitHub repository at gagawin itong ilang searchable view ng Maguyva na magagamit ng agent mo anumang oras. Sa halip na itambak ang buong file sa context, nakakakuha ang model ng grounded access sa mga symbol, structure, docs, dependencies, at ranked na code fragment.

Ang Problema sa Context#

Habang lumalaki ang mga proyekto mo, nahihirapan ang mga AI agent sa:

  • Limitasyon sa Context Window - Sobrang dami ng impormasyon ang nagpapabigat sa mga AI model
  • Hindi Kaugnay na Data - Nagsasayang ng token ang mga AI agent sa hindi kailangang impormasyon
  • Mahinang Performance - Bumababang accuracy at mas mabagal na processing time
  • Manwal na Pamamahala - Gumugugol ng oras ang mga developer sa manwal na pag-oorganisa ng context
  • Mas Mataas na Gastos - Kung walang context management, tumataas ang token cost sa bawat query

Habang lumalaki ang isang proyekto, mas maraming noise ang pumapasok sa context window — at bumababa ang accuracy ng agent bilang resulta.

Ang Solusyon ng Maguyva#

Kapag nag-connect ka ng repository, nagpapatakbo ang Maguyva ng cloud ingestion pipeline sa code, docs, manifests, symbols, at dependency metadata. Ang layunin ay bumuo ng matibay na code memory nang isang beses sa halip na patakbuhin ang bawat agent para tuklasin muli ang repo mula sa umpisa.

Ang mga pipeline na iyon ay gumagawa ng ilang specialist data layer: eksaktong text search, semantic retrieval, symbol at reference lookup, structural views, at dependency graph analysis. Iba't ibang tanong, iba't ibang layer ang pinupuntahan.

Pinagsasama ng search ang 5 retrieval mode: semantic, AST, symbol, dependency, at text. Pinagsasama at ini-rank ang mga resulta para lumitaw muna ang mahahalagang symbol bago ang mga mababang-value na helper.

Nakasunod ang mga pribadong repository view sa mga pampublikong reference data para sa suportadong mga wika at teknolohiyang batay sa text. Naaabot ng agent mo ang buong sistema sa pamamagitan ng mga MCP tool, na puwede mong asahan nang husto habang nagpaplano at nagva-validate, o gamitin bilang mabilis na pagsusuri habang nag-e-edit.

1. Pag-ingest ng Repository#

Pagkatapos mag-connect ang GitHub, sini-scan ni Maguyva ang repository sa cloud at kinukuha ang mga bahaging talagang kailangan ng agent para mangatuwiran:

  • Pagsusuri sa Code Structure
     - Pinapasok ang mga file sa mga symbol, reference, at architectural boundaries
  • Resolusyon ng Dependency
     - Ipinapakita kung paano nagdedepende ang mga file, module, at symbol sa isa't isa
  • Integration ng Documentation - Kinukuha ang mga docs ng repository at kaugnay na reference material kasama ng code

2. Mga Specialist Retrieval Layer#

Sa halip na isang generic na index, gumagawa si Maguyva ng ilang retrieval surface na sumasagot sa iba't ibang tanong nang mabilis at may iba't ibang ebidensya:

Badyet ng konteksto: Nagbabalik si Maguyva ng ranked na code fragment na may file path at line number, sa halip na itambak ang buong file sa context. Nakadepende ang aktwal na pagbawas ng token sa laki ng repository at specificity ng query.

Routing at Ranking#

  • Scoring ng Relevance
     - Pinipili ang tamang retrieval mode at inaangat muna ang mahahalagang resulta
  • Pagbawas ng Noise - Tinatanggal ang boilerplate, redundant na chunk, at mababang-value na match
  • Prioritization ng Context - Inaayos ang mga resulta para makita muna ng agent ang core symbol bago ang mga edge-case helper

Mga Naka-store na Representation#

  • Semantic na Retrieval
     - Naghahanap ng conceptually kahalintulad na code at docs kahit magkaiba ang eksaktong mga salita
  • Symbol at Structural Views - Sumusuporta sa eksaktong symbol lookup, reference, at mga tanong na AST-shaped
  • Pagsusuri sa Dependency Graph
     - Sinusundan ang mga caller, import, at impact radius sa buong codebase

3. Ang Tool Layer ng Model Context Protocol (MCP)#

Inihahatid si Maguyva bilang cloud-hosted MCP server. Tinatawag ng agent mo ang mga tool para sa lens na kailangan nito sa halip na umasa sa model para maalala ang architecture mo mula sa umpisa. Ang apat na surface sa itaas ay grouped na views ng mga concrete tool: sakop ng Semantikong paghahanap ang semantic_search at intelligent_search; sakop ng Paghahanap ng symbol ang find_symbol at get_task_context; sakop ng Paghahanap ayon sa estruktura ang structural_search at text_pattern_search; sakop ng Graph ng dependency ang dependency_search at analyze_dependencies — kasama ang get_file, repository_context, at ask_maguyva bilang supporting utility. Tingnan ang buong sanggunian ng MCP API para sa lahat ng 11 tool.

Mga Benepisyo ng MCP Compatibility#

  • Gamitin nang Higit o Mas Kaunti - Umasa nang husto sa Maguyva habang nagpaplano, o gamitin lang para i-sanity-check ang isang mapanganib na pagbabago
  • Mas Mahusay na Plan Validation - I-cross-check ang mga ideya laban sa tunay na symbol, reference, at docs bago mag-edit
  • Mas malinaw na saklaw ng epekto - Ipinapakita ng mga dependency at graph tool kung ano ang puwedeng masira kapag nagbago ang isang symbol
  • Handa sa Hinaharap - Gumagana sa anumang client na sumusuporta sa MCP standard

Teknikal na Architecture#

Ligtas na Processing Pipeline#

Mga Feature sa Seguridad#

  • Seguridad sa Transport - Ginagamit ng mga koneksyon sa serbisyo ang HTTPS/TLS
  • Storage na Pinamamahalaan - Naka-store ang naka-index na data sa managed infrastructure na may storage-level encryption at rest
  • Paghihiwalay ng Namespace - Naka-scope ang repository data ayon sa workspace at namespace sa buong pipeline at database query path
  • Mga Kontrol sa Access - Nakukontrol ang access sa repository ng mga hangganan ng organization at namespace

Mga Katangian sa Performance#

Nag-iiba ang performance depende sa laki ng codebase at complexity ng query. Nakatuon si Maguyva sa paghahatid ng pinaka-relevant na context sa halip na itambak ang buong file. Tingnan ang compatibility para sa mga suportadong wika at client.

Ano ang Aasahan#

Sa pamamagitan ng matalinong pag-filter at pag-organisa ng codebase context mo, tinutulungan ni Maguyva ang mga AI agent na magtrabaho nang mas episyente:

  • Mas Tumpak na Pagpaplano - Kayang i-validate ng mga agent ang isang approach laban sa aktwal na repository bago sila magsimulang mag-code
  • Mas Ligtas na Refactor - Binabawasan ng blast-radius at dependency check ang maiiwasang pagkasira
  • Mas Kaunting Token Waste - Mga kaugnay na fragment lang ang ibinabalik sa halip na buong file
  • Mas Mabilis na Pag-unawa sa Repo - Mabilis na nakakakuha ang model ng grounded na sagot sa halip na tuklasin muli ang project structure sa bawat run

Nag-iiba ang resulta depende sa laki ng codebase mo, complexity, at uri ng query na hinahawakan ng AI agent mo.

Pagpapanatiling Updated ang Index Mo#

Mga Automatic Update#

  • Pag-sync ng Repository - Nagre-refresh mula sa mga GitHub sync job habang nagbabago ang code
  • Incremental na Processing - Pinoproseso lang ang mga nagbagong file para sa efficiency
  • Branch-Aware na Context - Nagpapanatili ng magkakahiwalay na index kada git branch para makita ng mga agent ang tamang context sa bawat branch

Paano Magsimula#

Handa nang subukan?

  1. Magsimula nang Libre - Hindi kailangan ng credit card
  2. I-connect ang Repository Mo - I-link ang isang GitHub repo sa Maguyva portal
  3. Ituro ang Agent Mo sa Maguyva - Gamitin ang mga MCP tool habang nagpaplano, nagche-check, o nag-e-edit (gabay sa installation)

Magsimula nang libre →

Pamamahala ng Repository#

I-connect ang mga GitHub repository mo sa pamamagitan ng Maguyva portal. Rine-refresh ng platform ang mga index mula sa GitHub sync job habang nagbabago ang code, para manatiling updated ang MCP tool layer sa bawat branch. Nagbibigay rin ang portal ng basic na visibility sa API usage, may mas detalyadong analytics pa sa roadmap.