Como o Maguyva Funciona

Conecte um repositório GitHub e o Maguyva o transforma em várias visões pesquisáveis que seu agente pode usar sob demanda. Em vez de despejar arquivos inteiros no contexto, o modelo recebe acesso fundamentado a símbolos, estrutura, documentação, dependências e fragmentos de código ordenados por relevância.

À medida que seus projetos crescem, os agentes de IA enfrentam dificuldades com:

• Limitações da Janela de Contexto - Informação demais sobrecarrega os modelos de IA
• Dados Irrelevantes - Os agentes de IA desperdiçam tokens com informações desnecessárias
• Desempenho Ruim - Precisão reduzida e tempos de processamento mais lentos
• Gerenciamento Manual - Desenvolvedores gastam horas organizando contexto manualmente
• Custos Mais Altos - Sem gerenciamento de contexto, os custos de tokens aumentam a cada consulta

Quando você conecta um repositório, o Maguyva executa pipelines de ingestão na nuvem sobre código, documentação, manifests, símbolos e metadados de dependência. O objetivo é construir uma memória de código durável uma única vez, em vez de fazer com que cada execução de agente redescubra o repositório do zero.

Esses pipelines produzem várias camadas de dados especializadas: busca de texto exata, recuperação semântica, buscas de símbolos e referências, visões estruturais e análise de grafo de dependências. Perguntas diferentes são roteadas para camadas diferentes.

Maguyva oferece 5 capacidades de recuperação: semantic, AST, symbol, dependency e text. intelligent_search disponibiliza quatro modalidades de busca: semântica, texto, estrutural e grafo. Por padrão, auto/balanced direciona perguntas sobre definições cuja intenção identifica com confiança para a busca estrutural, perguntas sobre referências ou impacto para o grafo e perguntas de correspondência exata para o texto. As demais perguntas usam o significado semântico e o texto indexado. Use mode=hybrid ou auto com quality=thorough para solicitar as quatro modalidades de busca. Um mode explícito tem prioridade sobre quality. language_filter exclui o grafo de auto/hybrid e é rejeitado com mode=graph explícito. Os resultados de várias modalidades são combinados e ordenados por relevância para a consulta.

As visões de repositório privado ficam lado a lado com dados de referência públicos para linguagens e tecnologias baseadas em texto suportadas. Seu agente acessa todo o sistema através das ferramentas MCP, nas quais você pode se apoiar fortemente durante o planejamento e a validação, ou usar como verificações pontuais durante a edição.

Depois que o GitHub se conecta, o Maguyva varre o repositório na nuvem e extrai as partes sobre as quais um agente realmente precisa raciocinar:

• Análise de Estrutura de Código ░╔═╗░ ▓║◉║▓ ░╚═╝░ - Analisa arquivos em símbolos, referências e limites arquiteturais
• Resolução de Dependências ╲▄█▄╱ ─◆●◆─ ╱▀█▀╲ - Mapeia como arquivos, módulos e símbolos dependem uns dos outros
• Integração de Documentação - Traz a documentação do repositório e material de referência relacionado junto com o código

Em vez de um índice genérico, o Maguyva constrói várias superfícies de recuperação que respondem a diferentes perguntas rapidamente e com evidências diferentes:

• Pontuação de Relevância ▄█▄ ║⊙⊙║ ╚═█═╝ - Seleciona evidências de recuperação conforme o modo de busca e a predefinição de qualidade, depois classifica as correspondências pela relevância para a consulta
• Redução de Ruído - Reduz correspondências duplicadas e limita os trechos por arquivo para que um único arquivo não preencha toda a janela de resultados
• Priorização de Contexto - Mantém os resultados limitados e relevantes por padrão. A ponderação por importância é ativada explicitamente com boost_by_importance=true para explorar a arquitetura; não é a política padrão de ordenação

• Recuperação Semântica ┌─◈─┐ ║███║ ╚═══╝ - Encontra código e documentação conceitualmente semelhantes, mesmo quando as palavras exatas são diferentes
• Visões de Símbolos e Estruturais - Permite a busca de símbolos por nome exato, a consulta de referências e perguntas sobre a estrutura do AST
• Análise de Grafo de Dependências ▓█▓ ╔═●═╗ ╚═╤═╝ - Segue chamadores, imports e raio de impacto por toda a base de código

O Maguyva é entregue como um servidor MCP hospedado na nuvem. Seu agente chama as ferramentas para a lente de que precisa, em vez de depender do modelo para lembrar sua arquitetura do zero. As quatro superfícies acima são visões agrupadas sobre as ferramentas concretas: Busca Semântica cobre semantic_search e intelligent_search; Busca de Símbolos cobre find_symbol e get_task_context; Busca Estrutural cobre structural_search e text_pattern_search; Grafo de Dependências cobre dependency_search e analyze_dependencies — junto com get_file, repository_context e ask_maguyva como utilitários de apoio. Veja a referência da API MCP completa para todas as 11 ferramentas.

• Use Mais ou Menos Ferramentas - Apoie-se fortemente no Maguyva durante o planejamento, ou apenas use-o para validar uma mudança arriscada
• Melhor Validação de Planos - Confira ideias contra símbolos, referências e documentação reais antes de editar
• Raio de Impacto Mais Claro - Ferramentas de dependência e grafo mostram o que pode quebrar se um símbolo mudar
• Compatível com o Futuro - Funciona com qualquer cliente que suporte o padrão MCP

• Segurança de Transporte - As conexões com o serviço usam HTTPS/TLS
• Armazenamento Gerenciado - Os dados indexados são armazenados em infraestrutura gerenciada, com criptografia em repouso no nível de armazenamento
• Isolamento de Namespace - Os dados do repositório são escopados por workspace e namespace em todo o pipeline e nas consultas ao banco de dados
• Controles de Acesso - O acesso ao repositório é restrito por limites de organização e namespace

O desempenho varia de acordo com o tamanho da base de código e a complexidade da consulta. O Maguyva foca em entregar o contexto mais relevante, em vez de despejar arquivos inteiros. Veja compatibilidade para linguagens e clientes suportados.

Ao filtrar e organizar de forma inteligente o contexto da sua base de código, o Maguyva ajuda os agentes de IA a trabalhar de forma mais eficiente:

• Melhor Precisão de Planejamento - Os agentes podem validar uma abordagem contra o repositório real antes de começar a codificar
• Refatorações Mais Seguras - Verificações de raio de impacto e dependência reduzem quebras evitáveis
• Menos Desperdício de Tokens - Apenas fragmentos relevantes são retornados, em vez de arquivos inteiros
• Compreensão Mais Rápida do Repositório - O modelo recebe respostas fundamentadas rapidamente, em vez de redescobrir a estrutura do projeto a cada execução

• Sincronização de Repositório - Atualiza a partir de jobs de sincronização do GitHub conforme o código muda
• Processamento Incremental - Processa apenas arquivos alterados para maior eficiência
• Contexto com Reconhecimento de Branch - Mantém índices separados por branch do git, para que os agentes vejam o contexto certo para cada branch

Pronto para experimentar?

1. Comece grátis - Não é necessário cartão de crédito
2. Conecte seu repositório - vincule um repositório GitHub no portal do Maguyva
3. Aponte seu agente para o Maguyva - Use as ferramentas MCP durante o planejamento, a verificação ou a edição (guia de instalação)

Comece grátis →

Conecte seus repositórios GitHub pelo portal do Maguyva. Os trabalhos de sincronização do GitHub atualizam os índices conforme o código muda. O portal também mostra o uso da API.