# Så fungerar Maguyva Canonical source: https://maguyva.ai/sv/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). Anslut ett GitHub-repository, så gör Maguyva om det till flera sökbara vyer som din agent kan använda vid behov. Istället för att dumpa hela filer i kontexten får modellen förankrad tillgång till symboler, struktur, dokumentation, beroenden och rankade kodfragment. När du ansluter ett repository kör Maguyva molnbaserade insamlingspipelines över kod, dokumentation, manifest, symboler och beroendemetadata. Målet är att bygga ett varaktigt kodminne en gång, istället för att varje agentkörning ska behöva återupptäcka repot från grunden. Dessa pipelines producerar flera specialiserade datalager: exakt textsökning, semantisk hämtning, symbol- och referensuppslag, strukturella vyer och analys av beroendegrafen. Olika frågor dirigeras till olika lager. Maguyva erbjuder 5 funktioner för informationshämtning: semantic, AST, symbol, dependency, text. I intelligent_search finns fyra sökmodaliteter: semantik, text, struktur och graf. Standardläget auto/balanced skickar frågor som med hög säkerhet identifieras som definitionsfrågor till struktursökning, frågor om referenser eller påverkan till grafen och frågor om exakta träffar till textsökning. Övriga frågor använder semantisk betydelse och indexerad text. Använd mode=hybrid eller auto med quality=thorough för att begära alla fyra sökmodaliteter; ett uttryckligen valt läge har företräde framför quality. Ett language_filter utesluter graf från auto/hybrid och avvisas tillsammans med ett uttryckligt grafläge. Resultat från flera modaliteter slås samman och rangordnas efter relevans för frågan. De privata repository-vyerna finns sida vid sida med offentlig referensdata för de languages and text-based technologies som stöds. Din agent når hela systemet via MCP-verktyg, som du kan luta dig tungt mot under planering och validering, eller använda som stickprov under redigering. ### 1. Insamling av repository - **Analys av kodstruktur**: Parsar filer till symboler, referenser och arkitektoniska gränser - **Beroendeupplösning**: Kartlägger hur filer, moduler och symboler beror på varandra - **Dokumentationsintegration**: Hämtar in repositoryts dokumentation och relaterat referensmaterial vid sidan av koden ### Routning och rankning - **Relevanspoängsättning**: Väljer underlag efter sökläge och kvalitetsinställning och rangordnar sedan träffarna efter relevans för frågan - **Brusreducering**: Minskar dubblettträffar och begränsar antalet fragment per fil så att en enda fil inte fyller resultatfönstret - **Kontextprioritering**: Håller resultaten avgränsade och relevanta som standard. Viktighetsförstärkning aktiveras uttryckligen med boost_by_importance=true för arkitekturgenomgångar; den är inte standard för rangordningen ### Lagrade representationer - **Semantisk hämtning**: Hittar konceptuellt liknande kod och dokumentation även när exakta ord skiljer sig - **Symbol- och strukturvyer**: Stödjer exakt symboluppslag, referenser och AST-formade frågor - **Analys av beroendegraf**: Följer anropare, importer och påverkansradie genom hela kodbasen ### Säkerhetsfunktioner - **Transportsäkerhet**: Anslutningar till tjänsten använder HTTPS/TLS - **Hanterad lagring**: Indexerade data lagras på hanterad infrastruktur med kryptering av lagrade data på lagringsnivå - **Namnrymdsisolering**: Repodata avgränsas per arbetsyta och namnrymd genom hela pipelinen och vid databasfrågor - **Åtkomstkontroller**: Repositoryåtkomsten begränsas av organisations- och namnrymdsgränser ### Vad du kan förvänta dig - **Bättre planeringsprecision**: Agenter kan validera en ansats mot det faktiska repositoryt innan de börjar koda - **Säkrare refaktoreringar**: Kontroller av påverkansradie och beroenden minskar fel som går att undvika - **Mindre bortkastade tokens**: Endast relevanta fragment returneras istället för hela filer - **Snabbare förståelse av repot**: Modellen får förankrade svar snabbt istället för att återupptäcka projektstrukturen varje körning ### Automatiska uppdateringar - **Repository-synkning**: Uppdateras utifrån GitHub-synkroniseringsjobb allt eftersom koden ändras - **Inkrementell bearbetning**: Bearbetar bara ändrade filer för effektivitetens skull - **Grenmedveten kontext**: Upprätthåller separata index per git-gren så att agenter ser rätt kontext för varje gren Maguyva levereras som en molnhostad MCP-server. Din agent anropar de verktyg som behövs för den vy den vill ha, istället för att förlita sig på att modellen minns din arkitektur från grunden. De fyra ytorna ovan är grupperade vyer av de konkreta verktygen: Semantisk sökning täcker `semantic_search` och `intelligent_search`; Symboluppslag täcker `find_symbol` och `get_task_context`; Strukturell sökning täcker `structural_search` och `text_pattern_search`; Beroendegraf täcker `dependency_search` och `analyze_dependencies` — utöver `get_file`, `repository_context` och `ask_maguyva` som stödjande hjälpverktyg. Se den fullständiga [MCP API-referens](https://maguyva.ai/docs/mcp-api) för alla 11 verktyg. Prestandan varierar beroende på kodbasens storlek och frågans komplexitet. Maguyva fokuserar på att leverera den mest relevanta kontexten istället för att dumpa hela filer. Se [kompatibilitet](https://maguyva.ai/docs/compatibility) för språk och klienter som stöds. Resultaten varierar beroende på kodbasens storlek, komplexitet och vilka slags frågor din AI-agent hanterar. Anslut dina GitHub-kodarkiv via Maguyva-portalen. Indexen uppdateras genom GitHub-synkroniseringsjobb när koden ändras. Portalen visar även API-användningen.