Maguyva 的工作原理

连接一个 GitHub 代码仓库，Maguyva 会将其转化为多个可供你的智能体按需调用的可搜索视图。模型不再需要把整个文件塞进上下文，而是能按需访问符号、结构、文档、依赖关系和经过排序的代码片段，全部基于真实代码。

随着项目规模增长，AI 智能体会遇到以下困境：

• 上下文窗口限制 - 信息过载会让 AI 模型不堪重负
• 无关数据 - AI 智能体在无关信息上浪费 token
• 性能不佳 - 准确率下降、处理速度变慢
• 人工管理 - 开发者需要花费数小时手动整理上下文
• 成本上升 - 缺乏上下文管理时，每次查询的 token 成本都会上升

当你连接一个代码仓库时，Maguyva 会对代码、文档、清单文件、符号和依赖元数据运行云端摄取流水线。目标是一次性构建持久化的代码记忆，而不是让每次智能体运行都从零重新发现代码仓库。

这些流水线会产出多个专业数据层：精确文本搜索、语义检索、符号与引用查找、结构化视图，以及依赖关系图分析。不同的问题会被路由到不同的层。

Maguyva 提供 5 种检索能力：semantic、AST、symbol、dependency和text。intelligent_search 提供四种搜索模式：语义、文本、结构和图。 默认的 auto/balanced 会在能够高置信度判断意图时，将定义类问题路由到结构搜索，将引用或影响类问题路由到图搜索，将精确匹配类问题路由到文本搜索。其他问题使用语义搜索和已索引文本。 使用 mode=hybrid，或将 auto 与 quality=thorough 搭配，即可请求全部四种搜索模式。显式指定的 mode 优先于 quality。 language_filter 会从 auto/hybrid 中排除图搜索，与显式 mode=graph 搭配使用时会被拒绝。 来自多种模式的结果会合并，并按与查询的相关性排序。

私有代码仓库视图与所支持的 语言及基于文本的技术 公开参考数据并列存在。你的智能体通过 MCP 工具访问整个系统——无论是在规划和验证阶段深度依赖它，还是在编辑过程中用作抽查校验，都可以。

GitHub 连接完成后，Maguyva 会在云端扫描代码仓库，提取智能体真正需要用于推理的部分：

• 代码结构分析 ░╔═╗░ ▓║◉║▓ ░╚═╝░ - 将文件解析为符号、引用和架构边界
• 依赖解析 ╲▄█▄╱ ─◆●◆─ ╱▀█▀╲ - 映射文件、模块和符号之间的相互依赖关系
• 文档整合 - 将代码仓库文档和相关参考资料与代码一并纳入

Maguyva 不会只建一个通用索引，而是构建多个检索层，分别快速回答不同类型的问题，并给出不同的证据来源：

• 相关性评分 ▄█▄ ║⊙⊙║ ╚═█═╝ - 根据搜索模式和质量预设选择检索依据，然后按与查询的相关性对匹配项排序
• 降噪处理 - 减少重复匹配并限制每个文件的分块数量，避免一个文件占满结果窗口
• 上下文优先级排序 - 默认保持结果有界且相关。重要性提升需通过 boost_by_importance=true 主动启用，适用于架构概览，并非默认排序策略

• 语义检索 ┌─◈─┐ ║███║ ╚═══╝ - 即使措辞不同，也能找到概念上相似的代码和文档
• 符号与结构化视图 - 支持精确符号查找、引用查询以及 AST 结构类问题
• 依赖关系图分析 ▓█▓ ╔═●═╗ ╚═╤═╝ - 追踪整个代码库中的调用方、导入关系和影响范围

Maguyva 以云托管 MCP 服务器的形式交付。你的智能体会调用所需视角对应的工具，而不必依赖模型从零记住你的架构。上面的四个界面是对具体工具的分组视图：语义搜索涵盖 semantic_search 和 intelligent_search；符号查找涵盖 find_symbol 和 get_task_context；结构搜索涵盖 structural_search 和 text_pattern_search；依赖关系图涵盖 dependency_search 和 analyze_dependencies——此外还有作为辅助工具的 get_file、repository_context 和 ask_maguyva。全部 11 个工具请参阅完整的 MCP API 参考文档。

• 按需使用工具 - 在规划阶段深度依赖 Maguyva，或仅用它对高风险改动做合理性检查
• 更好的方案验证 - 在编辑前，对照真实符号、引用和文档交叉验证思路
• 更清晰的影响范围 - 依赖和图谱工具能展示某个符号变更可能引发的连锁问题
• 面向未来兼容 - 适用于任何支持 MCP 标准的客户端

• 传输安全 - 与服务的连接使用 HTTPS/TLS
• 托管存储 - 索引数据存储在托管基础设施上，静态数据采用存储级加密
• 命名空间隔离 - 代码仓库数据在流水线和数据库查询路径中，均按工作区和命名空间进行隔离
• 访问控制 - 代码仓库访问受组织和命名空间边界限制

性能表现会因代码库规模和查询复杂度而异。Maguyva 专注于提供最相关的上下文，而不是倾倒整份文件。支持的语言和客户端请参阅兼容性。

通过智能筛选和组织代码库上下文，Maguyva 帮助 AI 智能体更高效地工作：

• 更高的规划准确率 - 智能体在开始编码前，可以对照真实代码仓库验证方案
• 更安全的重构 - 影响范围和依赖检查能减少本可避免的破坏
• 更少的 token 浪费 - 只返回相关代码片段，而非整份文件
• 更快理解代码仓库 - 模型能快速获得基于真实代码的答案，而不必每次运行都重新摸索项目结构

• 代码仓库同步 - 随代码变更从 GitHub 同步任务中刷新
• 增量处理 - 仅处理有变更的文件以提升效率
• 分支感知上下文 - 为每个 git 分支维护独立索引，让智能体看到与该分支匹配的正确上下文

准备好试试了吗？

1. 免费开始 - 无需信用卡
2. 连接你的代码仓库 - 在 Maguyva 控制台中关联一个 GitHub 代码仓库
3. 让智能体接入 Maguyva - 在规划、检查或编辑时使用 MCP 工具 (安装指南)

免费开始 →

通过 Maguyva 门户连接 GitHub 仓库。代码变更后，GitHub 同步任务会刷新索引。门户还提供 API 使用情况。