Lompat ke konten

Cara Kerja Maguyva

Hubungkan repository GitHub, dan Maguyva mengubahnya menjadi beberapa tampilan yang bisa dicari, siap dipakai agen Anda kapan pun dibutuhkan. Alih-alih menjejalkan seluruh file ke konteks, model mendapat akses yang berlandaskan bukti nyata ke simbol, struktur, dokumentasi, dependensi, dan potongan kode yang sudah diranking.

Masalah Konteks#

Seiring proyek Anda berkembang, agen AI kesulitan menghadapi:

  • Keterbatasan Context Window - Terlalu banyak informasi membanjiri model AI
  • Data Tidak Relevan - Agen AI memboroskan token untuk informasi yang tidak perlu
  • Performa Buruk - Akurasi menurun dan waktu pemrosesan melambat
  • Manajemen Manual - Developer menghabiskan berjam-jam mengorganisasi konteks secara manual
  • Biaya Lebih Tinggi - Tanpa manajemen konteks, biaya token meningkat di setiap query

Makin besar sebuah proyek, makin banyak noise yang masuk ke context window — dan akurasi agen pun ikut menurun.

Solusi Maguyva#

Saat Anda menghubungkan repository, Maguyva menjalankan pipeline penyerapan di cloud atas kode, dokumentasi, manifest, simbol, dan metadata dependensi. Tujuannya adalah membangun memori kode yang bertahan lama sekali saja, alih-alih membuat setiap kali agen berjalan harus menemukan ulang repo dari nol.

Pipeline-pipeline itu menghasilkan beberapa lapisan data khusus: pencarian teks tepat, pengambilan semantik, pencarian simbol dan referensi, tampilan struktural, dan analisis dependency graph. Pertanyaan yang berbeda diarahkan ke lapisan yang berbeda pula.

Pencarian menggabungkan 5 mode pengambilan: semantic, AST, symbol, dependency, dan text. Hasilnya digabungkan dan diranking sehingga simbol penting muncul lebih dulu sebelum helper bernilai rendah.

Tampilan repository privat berdampingan dengan data referensi publik untuk bahasa dan teknologi berbasis teks yang didukung. Agen Anda menjangkau seluruh sistem lewat tool MCP, yang bisa Anda andalkan sepenuhnya saat merencanakan dan memvalidasi, atau gunakan sebagai pengecekan sekilas saat mengedit.

1. Penyerapan Repository#

Setelah GitHub terhubung, Maguyva memindai repository di cloud dan mengekstrak bagian-bagian yang benar-benar dibutuhkan agen untuk bernalar:

  • Analisis Struktur Kode
     - Mengurai file menjadi simbol, referensi, dan batas arsitektural
  • Resolusi Dependensi
     - Memetakan bagaimana file, modul, dan simbol saling bergantung
  • Integrasi Dokumentasi - Menarik dokumentasi repository dan materi referensi terkait bersama kodenya

2. Lapisan Pengambilan Khusus#

Alih-alih satu indeks generik, Maguyva membangun beberapa permukaan pengambilan yang menjawab pertanyaan berbeda dengan cepat dan bukti yang berbeda pula:

Anggaran konteks: Maguyva mengembalikan potongan kode yang sudah diranking lengkap dengan path file dan nomor baris, alih-alih menjejalkan seluruh file ke konteks. Pengurangan token yang sesungguhnya bergantung pada ukuran repository dan spesifisitas query.

Routing dan Ranking#

  • Penilaian Relevansi
     - Memilih mode pengambilan yang tepat dan mengangkat hasil penting lebih dulu
  • Reduksi Noise - Membuang boilerplate, potongan redundan, dan kecocokan bernilai rendah
  • Prioritisasi Konteks - Mengurutkan hasil sehingga agen melihat simbol inti sebelum helper kasus khusus

Representasi Tersimpan#

  • Pengambilan Semantik
     - Menemukan kode dan dokumentasi yang mirip secara konsep, bahkan saat kata-kata persisnya berbeda
  • Tampilan Simbol dan Struktural - Mendukung pencarian simbol tepat, referensi, dan pertanyaan berbasis bentuk AST
  • Analisis Dependency Graph
     - Menelusuri pemanggil, import, dan blast radius di seluruh codebase

3. Lapisan Tool Model Context Protocol (MCP)#

Maguyva disediakan sebagai server MCP yang di-hosting di cloud. Agen Anda memanggil tool sesuai sudut pandang yang dibutuhkan, alih-alih mengandalkan model untuk mengingat arsitektur Anda dari nol. Keempat permukaan di atas adalah tampilan yang dikelompokkan dari tool konkretnya: Semantic Search mencakup semantic_search dan intelligent_search; Symbol Lookup mencakup find_symbol dan get_task_context; Pencarian Struktural mencakup structural_search dan text_pattern_search; Dependency Graph mencakup dependency_search dan analyze_dependencies — di samping get_file, repository_context, dan ask_maguyva sebagai utility pendukung. Lihat Referensi API MCP lengkap untuk semua 11 tool.

Manfaat Kompatibilitas MCP#

  • Gunakan Tooling Sesuai Kebutuhan - Andalkan Maguyva sepenuhnya saat merencanakan, atau cukup gunakan untuk sanity-check perubahan berisiko
  • Validasi Rencana Lebih Baik - Cocokkan ide dengan simbol, referensi, dan dokumentasi sungguhan sebelum mengedit
  • Blast Radius yang Lebih Jelas - Tool dependensi dan graph menunjukkan apa yang mungkin rusak jika sebuah simbol berubah
  • Kompatibel ke Depan - Bekerja dengan client mana pun yang mendukung standar MCP

Arsitektur Teknis#

Pipeline Pemrosesan Aman#

Fitur Keamanan#

  • Keamanan Transport - Koneksi ke layanan menggunakan HTTPS/TLS
  • Storage Terkelola - Data yang diindeks disimpan pada infrastruktur terkelola dengan enkripsi tingkat storage saat data diam (at rest)
  • Isolasi Namespace - Data repository dibatasi ruang lingkupnya berdasarkan workspace dan namespace di sepanjang jalur pipeline dan query database
  • Kontrol Akses - Akses repository dibatasi oleh batas organisasi dan namespace

Karakteristik Performa#

Performa bervariasi tergantung ukuran codebase dan kompleksitas query. Maguyva berfokus memberikan konteks yang paling relevan, bukan menjejalkan seluruh file. Lihat kompatibilitas untuk bahasa dan client yang didukung.

Apa yang Bisa Diharapkan#

Dengan menyaring dan mengorganisasi konteks codebase Anda secara cerdas, Maguyva membantu agen AI bekerja lebih efisien:

  • Akurasi Perencanaan Lebih Baik - Agen bisa memvalidasi pendekatannya terhadap repository sesungguhnya sebelum mulai coding
  • Refactor Lebih Aman - Pengecekan blast radius dan dependensi mengurangi kerusakan yang sebenarnya bisa dihindari
  • Pemborosan Token Lebih Rendah - Hanya potongan relevan yang dikembalikan, bukan seluruh file
  • Pemahaman Repo Lebih Cepat - Model mendapat jawaban yang berlandaskan bukti nyata dengan cepat, alih-alih menemukan ulang struktur proyek setiap kali dijalankan

Hasilnya bervariasi tergantung ukuran, kompleksitas codebase Anda, dan jenis query yang ditangani agen AI Anda.

Menjaga Indeks Anda Tetap Terbaru#

Pembaruan Otomatis#

  • Sinkronisasi Repository - Memperbarui dari sync job GitHub setiap kali kode berubah
  • Pemrosesan Inkremental - Hanya memproses file yang berubah demi efisiensi
  • Konteks yang Peka Branch - Menjaga indeks terpisah per branch git sehingga agen melihat konteks yang tepat untuk setiap branch

Mulai#

Siap mencobanya?

  1. Mulai gratis - Tanpa kartu kredit
  2. Hubungkan repository Anda - tautkan repo GitHub di portal Maguyva
  3. Arahkan agen Anda ke Maguyva - Gunakan tool MCP saat merencanakan, memeriksa, atau mengedit (panduan instalasi)

Mulai gratis →

Manajemen Repository#

Hubungkan repository GitHub Anda lewat portal Maguyva. Platform ini memperbarui indeks dari sync job GitHub setiap kali kode berubah, menjaga lapisan tool MCP tetap terbaru untuk setiap branch. Portal ini juga menyediakan visibilitas dasar penggunaan API, dengan analitik yang lebih detail masih dalam roadmap.