# Slik fungerer Maguyva

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

Koble til et GitHub-repo, og Maguyva gjør det om til flere søkbare visninger agenten din kan bruke ved behov. I stedet for å dumpe hele filer inn i konteksten, får modellen forankret tilgang til symboler, struktur, dokumentasjon, avhengigheter og rangerte kodefragmenter.

Når du kobler til et repo, kjører Maguyva skybaserte innhentingspipelines over kode, dokumentasjon, manifester, symboler og avhengighetsmetadata. Målet er å bygge varig kodeminne én gang, i stedet for å la hver agentkjøring gjenoppdage repoet fra bunnen av.

Disse pipelinene produserer flere spesialiserte datalag: eksakt tekstsøk, semantisk gjenfinning, symbol- og referanseoppslag, strukturelle visninger og analyse av avhengighetsgrafen. Ulike spørsmål rutes til ulike lag.

Maguyva tilbyr 5 funksjoner for gjenfinning: semantic, AST, symbol, dependency, text. I intelligent_search finnes fire søkemodaliteter: semantikk, tekst, struktur og graf. Standardvalget auto/balanced sender spørsmål som sikkert identifiseres som definisjonssøk, til struktursøk, spørsmål om referanser eller påvirkning til grafen og spørsmål om eksakte treff til tekstsøk. Andre spørsmål bruker semantisk mening og indeksert tekst. Bruk mode=hybrid eller auto med quality=thorough for å be om alle fire søkemodaliteter; en eksplisitt angitt modus har forrang over quality. Med language_filter utelates graf fra auto/hybrid, og filteret avvises sammen med eksplisitt grafmodus. Resultater fra flere modaliteter slås sammen og rangeres etter relevans for spørringen.

De private repovisningene ligger side om side med offentlige referansedata for støttede languages and text-based technologies. Agenten din når hele systemet gjennom MCP-verktøy, som du kan lene deg tungt på under planlegging og validering, eller bruke som stikkprøver mens du redigerer.

### 1. Innhenting av repo

- **Analyse av kodestruktur**: Parser filer til symboler, referanser og arkitektoniske grenser
- **Kartlegging av avhengigheter**: Kartlegger hvordan filer, moduler og symboler er avhengige av hverandre
- **Integrasjon av dokumentasjon**: Henter inn repo-dokumentasjon og relatert referansemateriale sammen med koden

### Ruting og rangering

- **Relevansscoring**: Velger underlag ut fra søkemodus og kvalitetsinnstilling og rangerer deretter treffene etter relevans for søket
- **Støyreduksjon**: Reduserer dupliserte treff og begrenser antall fragmenter per fil slik at én fil ikke fyller hele resultatvinduet
- **Kontekstprioritering**: Holder resultatene avgrensede og relevante som standard. Ekstra vekting etter viktighet må slås på med boost_by_importance=true for arkitekturgjennomganger; dette er ikke standard rangeringspraksis

### Lagrede representasjoner

- **Semantisk gjenfinning**: Finner konseptuelt lignende kode og dokumentasjon selv når ordene er forskjellige
- **Symbol- og strukturvisninger**: Støtter eksakt symboloppslag, referanser og AST-formede spørsmål
- **Analyse av avhengighetsgraf**: Følger kallere, importer og påvirkningsradius gjennom hele kodebasen

### Sikkerhetsfunksjoner

- **Transportsikkerhet**: Tilkoblinger til tjenesten bruker HTTPS/TLS
- **Administrert lagring**: Indekserte data lagres på administrert infrastruktur med kryptering på lagringsnivå i hvile
- **Navneromsisolasjon**: Repodata avgrenses etter arbeidsområde og navnerom gjennom pipeline- og databasespørringsveiene
- **Tilgangskontroll**: Tilgang til repoer begrenses av organisasjons- og navneromsgrenser

### Hva du kan forvente

- **Bedre planleggingspresisjon**: Agenter kan validere en tilnærming mot det faktiske repoet før de begynner å kode
- **Tryggere refaktorering**: Sjekker av påvirkningsradius og avhengigheter reduserer unødvendige brudd
- **Færre bortkastede token**: Kun relevante fragmenter returneres i stedet for hele filer
- **Raskere forståelse av repoet**: Modellen får forankrede svar raskt, i stedet for å gjenoppdage prosjektstrukturen for hver kjøring

### Automatiske oppdateringer

- **Reposynkronisering**: Oppdateres fra GitHub-synkroniseringsjobber etter hvert som koden endres
- **Inkrementell prosessering**: Behandler kun endrede filer for økt effektivitet
- **Branch-bevisst kontekst**: Holder separate indekser per git-branch, slik at agenter ser riktig kontekst for hver branch

Maguyva leveres som en skybasert MCP-server. Agenten din kaller verktøyene for perspektivet den trenger, i stedet for å stole på at modellen husker arkitekturen din fra bunnen av. De fire flatene over er grupperte visninger av de konkrete verktøyene: Semantisk søk dekker `semantic_search` og `intelligent_search`; Symboloppslag dekker `find_symbol` og `get_task_context`; Strukturelt søk dekker `structural_search` og `text_pattern_search`; Avhengighetsgraf dekker `dependency_search` og `analyze_dependencies` — i tillegg til `get_file`, `repository_context` og `ask_maguyva` som støtteverktøy. Se hele [MCP API-referanse](https://maguyva.ai/docs/mcp-api) for alle 11 verktøyene.

Ytelsen varierer med størrelsen på kodebasen og hvor komplekst spørsmålet er. Maguyva prioriterer å levere den mest relevante konteksten fremfor å dumpe hele filer. Se [kompatibilitet](https://maguyva.ai/docs/compatibility) for støttede språk og klienter.

Resultatene varierer avhengig av kodebasens størrelse, kompleksitet og hvilke typer spørsmål AI-agenten din håndterer.

Koble til GitHub-repositoriene dine gjennom Maguyva-portalen. Indeksene oppdateres gjennom GitHub-synkroniseringsjobber når koden endres. Portalen gir også innsyn i API-bruken.