Passer au contenu

Comment fonctionne Maguyva

Connectez un dépôt GitHub et Maguyva le transforme en plusieurs vues consultables que votre agent peut utiliser à la demande. Plutôt que de déverser des fichiers entiers dans le contexte, le modèle obtient un accès ancré aux symboles, à la structure, à la doc, aux dépendances, et à des fragments de code classés.

Le problème du contexte#

À mesure que vos projets grandissent, les agents IA peinent avec :

  • Limites de la fenêtre de contexte - Trop d'informations submergent les modèles IA
  • Données non pertinentes - Les agents IA gaspillent des jetons sur des informations inutiles
  • Performance dégradée - Précision réduite et temps de traitement plus longs
  • Gestion manuelle - Les développeurs passent des heures à organiser le contexte manuellement
  • Coûts plus élevés - Sans gestion du contexte, le coût en jetons augmente à chaque requête

Plus un projet grandit, plus le bruit s'invite dans la fenêtre de contexte — et la précision de l'agent en pâtit.

La solution de Maguyva#

Quand vous connectez un dépôt, Maguyva exécute des pipelines d'ingestion cloud sur le code, la doc, les manifestes, les symboles, et les métadonnées de dépendances. L'objectif est de construire une mémoire de code durable une seule fois, plutôt que de faire redécouvrir le dépôt à zéro à chaque run d'agent.

Ces pipelines produisent plusieurs couches de données spécialisées : recherche textuelle exacte, récupération sémantique, recherche de symboles et de références, vues structurelles, et analyse du graphe de dépendances. Différentes questions sont routées vers différentes couches.

La recherche combine 5 modes de récupération : semantic, AST, symbol, dependency et text. Les résultats sont fusionnés et classés pour que les symboles importants remontent avant les fonctions utilitaires à faible valeur.

Les vues du dépôt privé coexistent avec les données de référence publiques pour les langages et technologies textuelles pris en charge. Votre agent accède à l'ensemble du système via les outils MCP, sur lesquels vous pouvez vous appuyer fortement pendant la planification et la validation, ou utiliser en vérifications ponctuelles pendant l'édition.

1. Ingestion du dépôt#

Une fois GitHub connecté, Maguyva scanne le dépôt dans le cloud et en extrait les parties dont un agent a réellement besoin pour raisonner :

  • Analyse de la structure du code
     - Décompose les fichiers en symboles, références, et frontières architecturales
  • Résolution des dépendances
     - Cartographie la manière dont les fichiers, modules, et symboles dépendent les uns des autres
  • Intégration de la documentation - Récupère la doc du dépôt et les documents de référence associés, aux côtés du code

2. Couches de récupération spécialisées#

Plutôt qu'un index générique unique, Maguyva construit plusieurs surfaces de récupération qui répondent rapidement à différentes questions, avec des preuves différentes :

Budget de contexte : Maguyva renvoie des fragments de code classés avec chemins de fichiers et numéros de ligne, plutôt que de déverser des fichiers entiers dans le contexte. La réduction réelle de jetons dépend de la taille du dépôt et de la précision de la requête.

Routage et classement#

  • Score de pertinence
     - Choisit le bon mode de récupération et fait remonter les résultats importants en premier
  • Réduction du bruit - Élimine le code répétitif, les fragments redondants, et les correspondances à faible valeur
  • Priorisation du contexte - Ordonne les résultats pour que l'agent voie les symboles essentiels avant les fonctions utilitaires marginales

Représentations stockées#

  • Récupération sémantique
     - Trouve du code et de la doc conceptuellement similaires, même quand les mots exacts diffèrent
  • Vues symboliques et structurelles - Prend en charge la recherche de symboles exacte, les références et les questions de forme AST
  • Analyse du graphe de dépendances
     - Suit les appelants, les imports, et le rayon d'impact à travers la base de code

3. Couche d'outils Model Context Protocol (MCP)#

Maguyva est livré sous forme de serveur MCP hébergé dans le cloud. Votre agent appelle les outils correspondant à l'angle dont il a besoin, plutôt que de compter sur le modèle pour retenir votre architecture depuis zéro. Les quatre surfaces ci-dessus sont des vues groupées sur les outils concrets : Recherche sémantique couvre semantic_search et intelligent_search ; Recherche de symboles couvre find_symbol et get_task_context ; Recherche structurelle couvre structural_search et text_pattern_search ; Graphe de dépendances couvre dependency_search et analyze_dependencies — aux côtés de get_file, repository_context et ask_maguyva comme utilitaires complémentaires. Consultez la Référence de l'API MCP complète pour les 11 outils.

Avantages de la compatibilité MCP#

  • Utilisez plus ou moins d'outillage - Appuyez-vous fortement sur Maguyva pendant la planification, ou utilisez-le juste pour valider un changement risqué
  • Meilleure validation des plans - Recoupez vos idées avec de vrais symboles, références, et docs avant d'éditer
  • Rayon d'impact plus clair - Les outils de dépendances et de graphe montrent ce qui pourrait casser si un symbole change
  • Compatible avec l'avenir - Fonctionne avec n'importe quel client qui prend en charge le standard MCP

Architecture technique#

Pipeline de traitement sécurisé#

Fonctionnalités de sécurité#

  • Sécurité du transport - Les connexions au service utilisent HTTPS/TLS
  • Stockage managé - Les données indexées sont stockées sur une infrastructure managée avec chiffrement au repos au niveau du stockage
  • Isolation par espace de noms - Les données de dépôt sont scopées par espace de travail et espace de noms tout au long du pipeline et des requêtes en base de données
  • Contrôles d'accès - L'accès aux dépôts est contraint par les frontières d'organisation et d'espace de noms

Caractéristiques de performance#

La performance varie selon la taille de la base de code et la complexité de la requête. Maguyva vise à livrer le contexte le plus pertinent plutôt que de déverser des fichiers entiers. Consultez compatibilité pour les langages et clients pris en charge.

À quoi s'attendre#

En filtrant et en organisant intelligemment le contexte de votre base de code, Maguyva aide les agents IA à travailler plus efficacement :

  • Meilleure précision de planification - Les agents peuvent valider une approche par rapport au dépôt réel avant de commencer à coder
  • Refactos plus sûrs - Les vérifications de rayon d'impact et de dépendances réduisent la casse évitable
  • Moins de gaspillage de jetons - Seuls les fragments pertinents sont renvoyés, plutôt que des fichiers entiers
  • Compréhension du dépôt plus rapide - Le modèle obtient des réponses ancrées rapidement, au lieu de redécouvrir la structure du projet à chaque run

Les résultats varient selon la taille de votre base de code, sa complexité, et les types de requêtes traitées par votre agent IA.

Maintenir votre index à jour#

Mises à jour automatiques#

  • Synchro du dépôt - S'actualise à partir des tâches de synchronisation GitHub à mesure que le code change
  • Traitement incrémental - Ne traite que les fichiers modifiés, par souci d'efficacité
  • Contexte conscient des branches - Maintient des index séparés par branche git pour que les agents voient le bon contexte pour chaque branche

Prise en main#

Prêt à essayer ?

  1. Commencer gratuitement - Aucune carte bancaire requise
  2. Connectez votre dépôt - liez un dépôt GitHub dans le portail Maguyva
  3. Pointez votre agent vers Maguyva - Utilisez les outils MCP pendant la planification, la vérification, ou l'édition (guide d'installation)

Commencer gratuitement →

Gestion des dépôts#

Connectez vos dépôts GitHub via le portail Maguyva. La plateforme actualise les index à partir des tâches de synchronisation GitHub à mesure que le code change, gardant la couche d'outils MCP à jour pour chaque branche. Le portail offre aussi une visibilité de base sur l'usage de l'API, avec des analyses plus détaillées au programme.