Przejdź do treści

Jak działa Maguyva

Podłącz repozytorium GitHub, a Maguyva zamieni je w kilka przeszukiwalnych widoków, z których twój agent może korzystać na żądanie. Zamiast wrzucać całe pliki do kontekstu, model otrzymuje ugruntowany dostęp do symboli, struktury, dokumentacji, zależności i uszeregowanych fragmentów kodu.

Problem kontekstu#

Wraz z rozwojem projektów agenty AI zmagają się z:

  • Ograniczenia okna kontekstu - Zbyt duża ilość informacji przytłacza modele AI
  • Nieistotne dane - Agenty AI marnują tokeny na niepotrzebne informacje
  • Słaba wydajność - Niższa dokładność i wolniejsze czasy przetwarzania
  • Ręczne zarządzanie - Deweloperzy spędzają godziny na ręcznym porządkowaniu kontekstu
  • Wyższe koszty - Bez zarządzania kontekstem koszty tokenów rosną z każdym zapytaniem

Im większy staje się projekt, tym więcej szumu trafia do okna kontekstu — a dokładność agenta w efekcie spada.

Rozwiązanie Maguyva#

Gdy podłączasz repozytorium, Maguyva uruchamia w chmurze pipeline'y wczytywania danych obejmujące kod, dokumentację, manifesty, symbole i metadane zależności. Celem jest jednorazowe zbudowanie trwałej pamięci kodu, zamiast kazać każdemu uruchomieniu agenta odkrywać repo od nowa.

Te pipeline'y tworzą kilka wyspecjalizowanych warstw danych: dokładne wyszukiwanie tekstowe, wyszukiwanie semantyczne, wyszukiwanie symboli i referencji, widoki strukturalne oraz analizę grafu zależności. Różne pytania trafiają do różnych warstw.

Wyszukiwanie łączy 5 trybów wyszukiwania: semantic, AST, symbol, dependency i text. Wyniki są łączone i szeregowane tak, by ważne symbole pojawiały się przed mniej istotnymi pomocnikami.

Prywatne widoki repozytorium współistnieją z publicznymi danymi referencyjnymi dla obsługiwanych języków i technologii tekstowych. Twój agent dociera do całego systemu przez narzędzia MCP, na których możesz mocno polegać podczas planowania i walidacji albo używać ich jako wyrywkowych kontroli podczas edycji.

1. Wczytywanie repozytorium#

Po podłączeniu GitHub Maguyva skanuje repozytorium w chmurze i wyodrębnia te elementy, których agent naprawdę potrzebuje do wnioskowania:

  • Analiza struktury kodu
     - Parsuje pliki na symbole, referencje i granice architektoniczne
  • Rozwiązywanie zależności
     - Mapuje wzajemne zależności między plikami, modułami i symbolami
  • Integracja dokumentacji - Pobiera dokumentację repozytorium i powiązane materiały referencyjne razem z kodem

2. Wyspecjalizowane warstwy wyszukiwania#

Zamiast jednego ogólnego indeksu, Maguyva buduje kilka powierzchni wyszukiwania, które szybko odpowiadają na różne pytania w oparciu o różne dowody:

Budżet kontekstu: Maguyva zwraca uszeregowane fragmenty kodu wraz ze ścieżkami plików i numerami linii, zamiast wrzucać całe pliki do kontekstu. Rzeczywista redukcja liczby tokenów zależy od wielkości repozytorium i precyzji zapytania.

Routing i ranking#

  • Ocena trafności
     - Wybiera właściwy tryb wyszukiwania i podnosi ważne wyniki na górę
  • Redukcja szumu - Usuwa szablonowy kod, zbędne fragmenty i mało wartościowe dopasowania
  • Priorytetyzacja kontekstu - Porządkuje wyniki tak, by agent widział kluczowe symbole przed rzadko używanymi pomocnikami

Przechowywane reprezentacje#

  • Wyszukiwanie semantyczne
     - Znajduje koncepcyjnie podobny kod i dokumentację, nawet gdy dokładne słowa się różnią
  • Widoki symboli i struktury - Obsługuje dokładne wyszukiwanie symboli, referencje i pytania oparte na kształcie AST
  • Analiza grafu zależności
     - Śledzi wywołujących, importy i zasięg wpływu w całej bazie kodu

3. Warstwa narzędzi Model Context Protocol (MCP)#

Maguyva jest dostarczana jako serwer MCP hostowany w chmurze. Twój agent wywołuje narzędzia dla potrzebnej mu perspektywy, zamiast polegać na tym, że model zapamięta twoją architekturę od zera. Cztery powierzchnie powyżej to pogrupowane widoki na konkretne narzędzia: Wyszukiwanie semantyczne obejmuje semantic_search i intelligent_search; Wyszukiwanie symboli obejmuje find_symbol i get_task_context; Wyszukiwanie strukturalne obejmuje structural_search i text_pattern_search; Graf zależności obejmuje dependency_search i analyze_dependencies — a także get_file, repository_context i ask_maguyva jako narzędzia pomocnicze. Pełną listę wszystkich 11 narzędzi znajdziesz w Dokumentacja API MCP.

Korzyści ze zgodności z MCP#

  • Korzystaj z narzędzi w większym lub mniejszym stopniu - Polegaj mocno na Maguyva podczas planowania albo użyj jej tylko do szybkiej weryfikacji ryzykownej zmiany
  • Lepsza walidacja planu - Zweryfikuj pomysły względem rzeczywistych symboli, referencji i dokumentacji przed edycją
  • Wyraźniejszy promień rażenia - Narzędzia zależności i grafu pokazują, co może się zepsuć, jeśli symbol się zmieni
  • Gotowe na przyszłość - Działa z każdym klientem obsługującym standard MCP

Architektura techniczna#

Bezpieczny pipeline przetwarzania#

Funkcje bezpieczeństwa#

  • Bezpieczeństwo transportu - Połączenia z usługą korzystają z HTTPS/TLS
  • Zarządzane przechowywanie danych - Zaindeksowane dane są przechowywane na zarządzanej infrastrukturze z szyfrowaniem na poziomie magazynu w spoczynku
  • Izolacja przestrzeni nazw - Dane repozytorium są ograniczone przez workspace i przestrzeń nazw na ścieżkach zapytań pipeline'u i bazy danych
  • Kontrola dostępu - Dostęp do repozytorium jest ograniczony granicami organizacji i przestrzeni nazw

Charakterystyka wydajności#

Wydajność zależy od wielkości bazy kodu i złożoności zapytania. Maguyva skupia się na dostarczaniu najbardziej trafnego kontekstu, zamiast wrzucać całe pliki. Obsługiwane języki i klientów znajdziesz w zgodność.

Czego się spodziewać#

Inteligentnie filtrując i porządkując kontekst twojej bazy kodu, Maguyva pomaga agentom AI pracować wydajniej:

  • Lepsza dokładność planowania - Agenty mogą zweryfikować podejście względem rzeczywistego repozytorium, zanim zaczną kodować
  • Bezpieczniejsze refaktoryzacje - Kontrole promienia rażenia i zależności zmniejszają liczbę awarii, których można uniknąć
  • Mniej zmarnowanych tokenów - Zwracane są tylko istotne fragmenty zamiast całych plików
  • Szybsze zrozumienie repo - Model szybko otrzymuje ugruntowane odpowiedzi, zamiast za każdym razem odkrywać strukturę projektu od nowa

Wyniki różnią się w zależności od wielkości i złożoności bazy kodu oraz rodzaju zapytań obsługiwanych przez twojego agenta AI.

Aktualizacja indeksu#

Automatyczne aktualizacje#

  • Synchronizacja repozytorium - Odświeża dane na podstawie zadań synchronizacji z GitHub w miarę zmian w kodzie
  • Przetwarzanie przyrostowe - Dla wydajności przetwarza tylko zmienione pliki
  • Kontekst świadomy brancha - Utrzymuje osobne indeksy dla każdego brancha git, dzięki czemu agenty widzą właściwy kontekst dla każdego z nich

Pierwsze kroki#

Gotowy spróbować?

  1. Zacznij za darmo - Karta kredytowa niepotrzebna
  2. Podłącz swoje repozytorium - połącz repo GitHub w portalu Maguyva
  3. Skieruj agenta na Maguyva - Używaj narzędzi MCP podczas planowania, sprawdzania lub edycji (przewodnik instalacji)

Zacznij za darmo →

Zarządzanie repozytorium#

Podłącz swoje repozytoria GitHub przez portal Maguyva. Platforma odświeża indeksy na podstawie zadań synchronizacji z GitHub w miarę zmian w kodzie, dzięki czemu warstwa narzędzi MCP pozostaje aktualna dla każdego brancha. Portal zapewnia też podstawowy wgląd w wykorzystanie API, a bardziej szczegółowa analityka jest w planach.