# Paano Gumagana ang Maguyva

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

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.

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 persistent 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.

Nag-aalok ang Maguyva ng 5 kakayahan sa pagkuha ng impormasyon: semantic, AST, symbol, dependency, text. Sa intelligent_search, may apat na paraan ng paghahanap: semantic, text, structural, at graph. Sa default na auto/balanced, ang mga query na may mataas na kumpiyansang natukoy bilang paghahanap ng definition ay dinadala sa structural search, ang mga tanong tungkol sa reference o epekto sa graph, at ang mga tanong tungkol sa eksaktong tugma sa text search. Gumagamit ang ibang tanong ng semantic na kahulugan at naka-index na text. Gamitin ang mode=hybrid o auto na may quality=thorough para hilingin ang lahat ng apat na paraan ng paghahanap. Mas nasusunod ang tahasang piniling mode kaysa sa quality. Inaalis ng language_filter ang graph sa auto/hybrid at tinatanggihan ito kapag tahasang itinakda ang mode=graph. Pinagsasama ang mga resulta mula sa iba't ibang paraan at niraranggo ayon sa kaugnayan sa query.

Kasama ng mga pribadong repository view ang pampublikong reference data para sa suportadong languages and text-based technologies. 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

- **Pagsusuri sa Code Structure**: Pina-parse ang mga file para makuha ang mga symbol, reference, at architectural boundary
- **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

### Routing at Ranking

- **Scoring ng Relevance**: Pinipili ang ebidensiya sa retrieval ayon sa search mode at quality preset, saka niraranggo ang mga tugma ayon sa kaugnayan sa query
- **Pagbawas ng Noise**: Binabawasan ang magkakaparehong tugma at nililimitahan ang mga chunk bawat file upang hindi mapuno ng iisang file ang resulta
- **Prioritization ng Context**: Limitado at may kaugnayan ang mga resulta bilang default. Opsyonal ang importance boosting gamit ang boost_by_importance=true para sa paglibot sa arkitektura; hindi ito ang default na patakaran sa pagraranggo

### 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

### 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

### Ano ang Aasahan

- **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

### 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

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](https://maguyva.ai/docs/mcp-api) para sa lahat ng 11 tool.

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](https://maguyva.ai/docs/compatibility) para sa mga suportadong wika at client.

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

Ikonekta ang iyong mga GitHub repository sa portal ng Maguyva. Nire-refresh ang mga index sa pamamagitan ng mga GitHub sync job kapag nagbabago ang code. Makikita rin sa portal ang paggamit ng API.