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 uzyskuje dostęp oparty na danych repozytorium do symboli, struktury, dokumentacji, zależności i uszeregowanych fragmentów kodu.

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 dłuższy czas przetwarzania
• Ręczne zarządzanie - Deweloperzy spędzają godziny na ręcznym porządkowaniu kontekstu
• Wyższe koszty - Bez zarządzania kontekstem koszty tokenów rosną z każdym zapytaniem

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.

Maguyva oferuje 5 funkcji wyszukiwania: semantic, AST, symbol, dependency i text. W intelligent_search dostępne są cztery modalności wyszukiwania: semantyczna, tekstowa, strukturalna i grafowa. Domyślnie auto/balanced kieruje zapytania z wysoką pewnością rozpoznane jako pytania o definicje do wyszukiwania strukturalnego, pytania o odwołania lub wpływ do grafu, a pytania o dokładne dopasowanie do wyszukiwania tekstowego. Pozostałe pytania korzystają ze znaczenia semantycznego i zindeksowanego tekstu. Użyj mode=hybrid albo auto z quality=thorough, aby zażądać wszystkich czterech modalności wyszukiwania; jawnie wybrany tryb ma pierwszeństwo przed quality. language_filter wyklucza graf z auto/hybrid i jest odrzucany przy jawnym trybie grafowym. Wyniki z wielu modalności są łączone i porządkowane według trafności względem zapytania.

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.

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

Zamiast jednego ogólnego indeksu Maguyva buduje kilka wyspecjalizowanych mechanizmów wyszukiwania, które szybko odpowiadają na różne pytania na podstawie różnych danych:

• Ocena trafności ▄█▄ ║⊙⊙║ ╚═█═╝ - Wybiera dowody wyszukiwania zgodnie z trybem i profilem jakości, a następnie porządkuje dopasowania według trafności względem zapytania
• Redukcja szumu - Ogranicza powtórzone dopasowania i liczbę fragmentów na plik, aby jeden plik nie zapełnił całego okna wyników
• Priorytetyzacja kontekstu - Domyślnie ogranicza liczbę wyników i dba o ich trafność. Wzmocnienie według ważności włącza się jawnie przez boost_by_importance=true podczas przeglądu architektury; nie jest to domyślna polityka rankingu

• 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

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 przedstawione powyżej grupy obejmują 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 tutaj: Dokumentacja API 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 zasięg wpływu - Narzędzia zależności i grafu pokazują, co może się zepsuć, jeśli symbol się zmieni
• Gotowe na przyszłość - Działa z każdym klientem obsługującym standard MCP

• 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

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 na stronie „zgodność”.

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 zasięgu wpływu 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

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

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 →

Połącz repozytoria GitHub przez portal Maguyva. Zadania synchronizacji GitHub odświeżają indeksy wraz ze zmianami kodu. Portal pokazuje też wykorzystanie API.