Vai al contenuto

Come funziona Maguyva

Collega un repository GitHub e Maguyva lo trasforma in diverse viste consultabili che il tuo agente può usare a richiesta. Invece di riversare interi file nel contesto, il modello ottiene accesso fondato a simboli, struttura, documentazione, dipendenze e frammenti di codice classificati.

Il problema del contesto#

Man mano che i tuoi progetti crescono, gli agenti IA faticano con:

  • Limiti della finestra di contesto - Troppe informazioni sopraffanno i modelli IA
  • Dati irrilevanti - Gli agenti IA sprecano token su informazioni non necessarie
  • Prestazioni scarse - Accuratezza ridotta e tempi di elaborazione più lenti
  • Gestione manuale - Gli sviluppatori passano ore a organizzare manualmente il contesto
  • Costi più alti - Senza gestione del contesto, i costi in token aumentano a ogni query

Più un progetto cresce, più rumore entra nella finestra di contesto — e di conseguenza l'accuratezza dell'agente cala.

La soluzione di Maguyva#

Quando colleghi un repository, Maguyva esegue pipeline di acquisizione nel cloud su codice, documentazione, manifest, simboli e metadati delle dipendenze. L'obiettivo è costruire una memoria del codice duratura una sola volta, invece di far riscoprire il repo da zero a ogni run dell'agente.

Quelle pipeline producono diversi livelli di dati specializzati: ricerca testuale esatta, recupero semantico, ricerca di simboli e riferimenti, viste strutturali e analisi del grafo delle dipendenze. Domande diverse vengono instradate a livelli diversi.

La ricerca combina 5 modalità di recupero: semantic, AST, symbol, dependency e text. I risultati vengono fusi e classificati in modo che i simboli importanti emergano prima degli helper a basso valore.

Le viste private del repository convivono con i dati di riferimento pubblici per i linguaggi e tecnologie basate su testo supportati. Il tuo agente raggiunge l'intero sistema tramite gli strumenti MCP, sui quali puoi fare grande affidamento durante la pianificazione e la validazione, oppure usare come controlli puntuali durante la modifica.

1. Acquisizione del repository#

Dopo la connessione a GitHub, Maguyva analizza il repository nel cloud ed estrae le parti di cui un agente ha davvero bisogno per ragionare:

  • Analisi della struttura del codice
     - Analizza i file in simboli, riferimenti e confini architetturali
  • Risoluzione delle dipendenze
     - Mappa come file, moduli e simboli dipendono l'uno dall'altro
  • Integrazione della documentazione - Include la documentazione del repository e il materiale di riferimento correlato insieme al codice

2. Livelli di recupero specializzati#

Invece di un unico indice generico, Maguyva costruisce diverse superfici di recupero che rispondono rapidamente a domande diverse, con prove diverse:

Budget di contesto: Maguyva restituisce frammenti di codice classificati con percorsi dei file e numeri di riga, invece di riversare interi file nel contesto. La riduzione effettiva dei token dipende dalla dimensione del repository e dalla specificità della query.

Instradamento e classificazione#

  • Punteggio di rilevanza
     - Sceglie la modalità di recupero corretta e fa emergere prima i risultati importanti
  • Riduzione del rumore - Rimuove boilerplate, blocchi ridondanti e corrispondenze a basso valore
  • Prioritizzazione del contesto - Ordina i risultati in modo che l'agente veda prima i simboli principali e poi gli helper per i casi limite

Rappresentazioni memorizzate#

  • Recupero semantico
     - Trova codice e documentazione concettualmente simili anche quando le parole esatte differiscono
  • Viste di simboli e struttura - Supporta la ricerca esatta dei simboli, i riferimenti e le domande con forma AST
  • Analisi del grafo delle dipendenze
     - Segue chiamanti, import e raggio d'impatto in tutto il codice

3. Livello di strumenti Model Context Protocol (MCP)#

Maguyva viene fornito come server MCP ospitato nel cloud. Il tuo agente chiama gli strumenti per la vista di cui ha bisogno, invece di affidarsi al modello per ricordare la tua architettura da zero. Le quattro superfici sopra sono viste raggruppate sugli strumenti concreti: Ricerca semantica copre semantic_search e intelligent_search; Ricerca di simboli copre find_symbol e get_task_context; Ricerca strutturale copre structural_search e text_pattern_search; Grafo delle dipendenze copre dependency_search e analyze_dependencies — insieme a get_file, repository_context e ask_maguyva come utility di supporto. Consulta il riferimento API MCP completo per tutti gli 11 strumenti.

Vantaggi della compatibilità con MCP#

  • Usa più o meno strumenti - Fai grande affidamento su Maguyva durante la pianificazione, oppure usalo solo per verificare la sensatezza di una modifica rischiosa
  • Migliore validazione dei piani - Verifica le idee incrociandole con simboli, riferimenti e documentazione reali prima di modificare
  • Raggio d'impatto più chiaro - Gli strumenti di dipendenze e grafo mostrano cosa potrebbe rompersi se un simbolo cambia
  • Compatibile con il futuro - Funziona con qualsiasi client che supporti lo standard MCP

Architettura tecnica#

Pipeline di elaborazione sicura#

Funzionalità di sicurezza#

  • Sicurezza del trasporto - Le connessioni al servizio usano HTTPS/TLS
  • Archiviazione gestita - I dati indicizzati sono archiviati su infrastruttura gestita con crittografia a riposo a livello di storage
  • Isolamento per namespace - I dati del repository sono delimitati per workspace e namespace lungo la pipeline e i percorsi di query del database
  • Controlli di accesso - L'accesso al repository è limitato dai confini di organizzazione e namespace

Caratteristiche di prestazione#

Le prestazioni variano in base alla dimensione del codice e alla complessità della query. Maguyva si concentra sul fornire il contesto più rilevante invece di riversare interi file. Consulta compatibilità per i linguaggi e i client supportati.

Cosa aspettarsi#

Filtrando e organizzando in modo intelligente il contesto del tuo codice, Maguyva aiuta gli agenti IA a lavorare in modo più efficiente:

  • Maggiore accuratezza nella pianificazione - Gli agenti possono validare un approccio rispetto al repository reale prima di iniziare a scrivere codice
  • Refactoring più sicuri - I controlli di raggio d'impatto e dipendenze riducono le rotture evitabili
  • Meno spreco di token - Vengono restituiti solo i frammenti rilevanti invece di file interi
  • Comprensione più rapida del repo - Il modello ottiene rapidamente risposte fondate, invece di riscoprire la struttura del progetto a ogni run

I risultati variano in base alla dimensione e alla complessità del tuo codice e ai tipi di query gestite dal tuo agente IA.

Come manteniamo aggiornato il tuo indice#

Aggiornamenti automatici#

  • Sincronizzazione del repository - Si aggiorna tramite i job di sincronizzazione GitHub man mano che il codice cambia
  • Elaborazione incrementale - Elabora solo i file modificati per maggiore efficienza
  • Contesto consapevole del branch - Mantiene indici separati per branch git, in modo che gli agenti vedano il contesto corretto per ogni branch

Per iniziare#

Pronto a provarlo?

  1. Inizia gratis - Non è richiesta la carta di credito
  2. Collega il tuo repository - collega un repo GitHub nel portale Maguyva
  3. Punta il tuo agente su Maguyva - Usa gli strumenti MCP durante la pianificazione, il controllo o la modifica (guida all'installazione)

Inizia gratis →

Gestione dei repository#

Collega i tuoi repository GitHub tramite il portale Maguyva. La piattaforma aggiorna gli indici tramite i job di sincronizzazione GitHub man mano che il codice cambia, mantenendo il livello di strumenti MCP aggiornato per ogni branch. Il portale offre anche una visibilità di base sull'uso dell'API, con analitiche più dettagliate in arrivo.