# Comment fonctionne Maguyva Canonical source: https://maguyva.ai/fr/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). 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. 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. Maguyva propose 5 capacités de récupération : semantic, AST, symbol, dependency, text. intelligent_search dispose de quatre modalités de recherche : sémantique, textuelle, structurelle et graphe. Par défaut, auto/balanced oriente les questions de définition dont l’intention est identifiée avec confiance vers la recherche structurelle, les questions de références ou d’impact vers le graphe et les recherches de correspondance exacte vers le texte. Les autres questions utilisent le sens sémantique et le texte indexé. Utilisez mode=hybrid ou auto avec quality=thorough pour solliciter les quatre modalités de recherche. Un mode explicite prend le pas sur quality. language_filter exclut le graphe d’auto/hybrid et est refusé avec un mode=graph explicite. Les résultats de plusieurs modalités sont fusionnés et classés selon leur pertinence pour la requête. Les vues du dépôt privé coexistent avec les données de référence publiques pour les languages and text-based technologies 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 que vous pouvez utiliser pour des vérifications ponctuelles pendant l'édition. ### 1. Ingestion du dépôt - **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 ### Routage et classement - **Score de pertinence**: Sélectionne les preuves de recherche selon le mode et le préréglage de qualité, puis classe les correspondances selon leur pertinence pour la requête - **Réduction du bruit**: Réduit les doublons et limite les fragments par fichier pour éviter qu’un seul fichier ne remplisse la fenêtre de résultats - **Priorisation du contexte**: Limite les résultats et préserve leur pertinence par défaut. La pondération par importance s’active explicitement avec boost_by_importance=true pour explorer l’architecture ; ce n’est pas la règle de classement par défaut ### 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 ### 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 ### À quoi s'attendre - **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 ### 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 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 reconstituer votre architecture à partir de 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](https://maguyva.ai/docs/mcp-api) complète pour les 11 outils. 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](https://maguyva.ai/docs/compatibility) pour les langages et clients pris en charge. Les résultats varient selon la taille de votre base de code, sa complexité, et les types de requêtes traitées par votre agent IA. Connectez vos dépôts GitHub via le portail Maguyva. Les tâches de synchronisation GitHub actualisent les index lorsque le code change. Le portail présente aussi l’utilisation de l’API.