Naar inhoud springen

Hoe Maguyva werkt

Verbind een GitHub-repository en Maguyva zet die om in meerdere doorzoekbare views die je agent op aanvraag kan gebruiken. In plaats van hele bestanden in de context te dumpen, krijgt het model gefundeerde toegang tot symbolen, structuur, documentatie, dependencies en gerankte codefragmenten.

Het contextprobleem#

Naarmate je projecten groeien, hebben AI-agents moeite met:

  • Beperkingen van het contextvenster - Te veel informatie overweldigt AI-modellen
  • Irrelevante data - AI-agents verspillen tokens aan onnodige informatie
  • Slechte performance - Lagere nauwkeurigheid en langzamere verwerkingstijden
  • Handmatig beheer - Developers besteden uren aan het handmatig organiseren van context
  • Hogere kosten - Zonder contextbeheer stijgen de tokenkosten met elke query

Hoe groter een project wordt, hoe meer ruis het contextvenster binnendringt — met een lagere nauwkeurigheid van de agent tot gevolg.

De oplossing van Maguyva#

Wanneer je een repository verbindt, draait Maguyva cloud-ingestiepipelines over code, documentatie, manifesten, symbolen en dependency-metadata. Het doel is om één keer een duurzaam code-geheugen op te bouwen, in plaats van elke agent-run de repo helemaal opnieuw te laten ontdekken.

Die pipelines leveren meerdere gespecialiseerde datalagen op: exacte tekstzoekopdrachten, semantic retrieval, symbool- en referentieopzoekingen, structurele views en dependency graph-analyse. Verschillende vragen worden naar verschillende lagen gerouteerd.

Zoeken combineert 5 retrievalmodi: semantic, AST, symbol, dependency en text. Resultaten worden samengevoegd en gerankt, zodat belangrijke symbolen boven aan komen te staan, vóór hulpfuncties van lage waarde.

De private repository-views staan naast publieke referentiedata voor ondersteunde talen en tekstgebaseerde technologieën. Je agent bereikt het hele systeem via MCP-tools, waar je zwaar op kunt leunen tijdens planning en validatie, of die je als steekproef kunt gebruiken tijdens het bewerken.

1. Repository-ingestie#

Zodra GitHub is verbonden, scant Maguyva de repository in de cloud en extraheert het de onderdelen waar een agent daadwerkelijk over moet redeneren:

  • Analyse van codestructuur
     - Parseert bestanden naar symbolen, referenties en architecturale grenzen
  • Dependency-resolutie
     - Brengt in kaart hoe bestanden, modules en symbolen van elkaar afhankelijk zijn
  • Documentatie-integratie - Haalt repositorydocumentatie en gerelateerd referentiemateriaal binnen naast de code

2. Gespecialiseerde retrievallagen#

In plaats van één generieke index bouwt Maguyva meerdere retrieval-oppervlakken die verschillende vragen snel beantwoorden, elk met ander bewijsmateriaal:

Contextbudget: Maguyva geeft gerankte codefragmenten terug met bestandspaden en regelnummers, in plaats van hele bestanden in de context te dumpen. De daadwerkelijke tokenreductie hangt af van de repogrootte en de specificiteit van de query.

Routering en ranking#

  • Relevantiescoring
     - Kiest de juiste retrievalmodus en tilt de belangrijkste resultaten naar boven
  • Ruisreductie - Verwijdert boilerplate, overbodige fragmenten en matches van lage waarde
  • Contextprioritering - Ordent resultaten zodat de agent kernsymbolen ziet vóór randgeval-hulpfuncties

Opgeslagen representaties#

  • Semantic retrieval
     - Vindt conceptueel vergelijkbare code en documentatie, zelfs als de exacte woorden verschillen
  • Symbool- en structurele views - Ondersteunt exacte symbol lookup, referenties en AST-gevormde vragen
  • Dependency graph-analyse
     - Volgt callers, imports en impactradius door de hele codebase

3. Model Context Protocol (MCP)-toollaag#

Maguyva wordt geleverd als een cloud-gehoste MCP-server. Je agent roept de tools aan voor de invalshoek die het nodig heeft, in plaats van te vertrouwen op het model om je architectuur helemaal uit het hoofd te onthouden. De vier bovenstaande overzichten zijn gegroepeerde weergaven van de concrete tools: Semantisch zoeken omvat semantic_search en intelligent_search; Symbol Lookup omvat find_symbol en get_task_context; Structureel zoeken omvat structural_search en text_pattern_search; Dependency Graph omvat dependency_search en analyze_dependencies — naast get_file, repository_context en ask_maguyva als ondersteunende hulpmiddelen. Bekijk de volledige MCP API-referentie voor alle 11 tools.

Voordelen van MCP-compatibiliteit#

  • Meer of minder tooling gebruiken - Leun zwaar op Maguyva tijdens het plannen, of gebruik het alleen om een risicovolle wijziging te controleren
  • Betere planvalidatie - Toets ideeën aan echte symbolen, referenties en documentatie voordat je gaat bewerken
  • Duidelijkere impactradius - Dependency- en graphtools laten zien wat er kan breken als een symbool verandert
  • Toekomstbestendig - Werkt met elke client die de MCP-standaard ondersteunt

Technische architectuur#

Beveiligde verwerkingspipeline#

Beveiligingsfuncties#

  • Transportbeveiliging - Verbindingen met de service verlopen via HTTPS/TLS
  • Beheerde opslag - Geïndexeerde data wordt opgeslagen op beheerde infrastructuur met encryptie op opslagniveau, in rust
  • Namespace-isolatie - Repositorydata is afgebakend per workspace en namespace, via de pipeline- en databasequerypaden
  • Toegangscontrole - Repositorytoegang is beperkt tot organisatie- en namespacegrenzen

Performancekenmerken#

De performance varieert met de grootte van de codebase en de complexiteit van de query. Maguyva richt zich op het leveren van de meest relevante context, in plaats van hele bestanden te dumpen. Zie compatibiliteit voor ondersteunde talen en clients.

Wat je kunt verwachten#

Door je codebasecontext intelligent te filteren en te organiseren, helpt Maguyva AI-agents efficiënter te werken:

  • Betere plannauwkeurigheid - Agents kunnen een aanpak toetsen aan de daadwerkelijke repository voordat ze beginnen met coderen
  • Veiligere refactors - Impactradius- en dependencycontroles verminderen vermijdbare schade
  • Minder tokenverspilling - Alleen relevante fragmenten worden geretourneerd in plaats van hele bestanden
  • Sneller repo-begrip - Het model krijgt snel gefundeerde antwoorden, in plaats van elke run de projectstructuur opnieuw te ontdekken

De resultaten variëren afhankelijk van de grootte en complexiteit van je codebase en het type queries dat je AI-agent verwerkt.

Je index actueel houden#

Automatische updates#

  • Repository-sync - Vernieuwt via GitHub-syncjobs zodra code verandert
  • Incrementele verwerking - Verwerkt voor de efficiëntie alleen gewijzigde bestanden
  • Branch-bewuste context - Houdt aparte indexen bij per git-branch, zodat agents de juiste context zien voor elke branch

Aan de slag#

Klaar om het te proberen?

  1. Start gratis - Geen creditcard nodig
  2. Verbind je repository - koppel een GitHub-repo in het Maguyva-portaal
  3. Wijs je agent naar Maguyva - Gebruik de MCP-tools tijdens het plannen, controleren of bewerken (installatiegids)

Start gratis →

Repositorybeheer#

Verbind je GitHub-repositories via het Maguyva-portaal. Het platform vernieuwt indexen via GitHub-syncjobs zodra code verandert, zodat de MCP-toollaag actueel blijft voor elke branch. Het portaal biedt ook basaal inzicht in API-gebruik, met uitgebreidere analytics op de roadmap.