企业级深度 编程语言
Maguyva 对 Java 的支持：面向企业级代码仓库的代码智能
适合那些充斥着 Spring 服务、内部框架，以及历经数个组织变迁时代而留存下来的代码的代码仓库。
AST 和符号支持 AST 解析 符号提取 图谱关系
扩展名
.java
打开指南
Python 代码仓库通常在哪里让肤浅的 AI 工具露出马脚
Python 正是许多 AI 编码工具乍看不错、一到生产环境就开始瞎猜的地方。那些难点都很眼熟：被装饰器包裹的入口点、服务类、类型存根、遍地都是的小型辅助模块，以及只有把 self 或 cls 重新关联回它们所属的类之后才讲得通的方法。
对 Python 而言，真正的问题不是“它能不能读 .py 文件”，而是智能体能否在从端点走向服务、从后台任务走向辅助函数、或从类名走向真正实现该行为的方法时，始终保持有据可依。
Maguyva 在 Python 中实际提取了什么
Maguyva 对 Python 提供完整的代码结构解析支持。该配置覆盖 .py、.pyw 和 .pyi；把 decorated_definition 映射回对应的函数符号；并将 self / cls 方法调用限定回其所属的类。这一点很重要，因为这些恰恰是 Python 代码仓库对人类来说显而易见、对 LLM 来说却模糊不清的地方。
它还从关系提取中过滤掉了大量标准库噪声。这意味着来自 pathlib、typing 或 logging 等模块的常见运行时调用，不太可能淹没你真正关心的、特定于代码仓库的关系。
面向 Python 代码仓库的实用 MCP 工作流
最简单实用的工作流是：
- 先用
intelligent_search处理诸如“发票同步周边的重试逻辑”或“计费端点中的权限检查”这类行为层面的问题。 - 一旦你已知想关注的类名或函数名，就切换到
find_symbol。 - 在重构某个共享服务、辅助函数或基类之前，用带入向遍历的
dependency_search。
这种模式，比在毫无上下文的情况下就让智能体“更新计费流程”要好得多。它让智能体先建立地图，再动手改代码。
这个页面何时有用
这个页面适用于已经有一定年头和复杂度的 Python 代码仓库：服务代码、任务、脚本、生成的类型，以及周边配置。如果你主要是在多语言 Web Monorepo 之间做对比，也可以读一读 TypeScript 指南。如果你只需要完整的支持矩阵，请查看 兼容性。
最适合场景
- > 应用代码与运维脚本共存的 FastAPI、Django、数据平台或内部工具代码仓库。
- > 重构那些已经带有装饰器、后台任务和大量隐含关联的长期存活 Python 服务的团队。
- > 在修改某个处理器、服务、模型或辅助函数之前，需要不止于 grep 的智能体工作流。
智能体工作流
- > 在修改之前，追踪某个端点、任务或命令行命令如何流经辅助函数和共享模块。
- > 找出某个服务、类或工具函数在代码仓库中被实例化和复用的位置。
- > 对比相邻实现，确保智能体修改的是正确的抽象，而不是文本最接近的那一处。
引擎细节
- > 带装饰器的定义仍被视为函数，因此带装饰器的视图和任务依然可作为符号被搜索到。
- > `self` 和 `cls` 方法调用会被限定回所属类，这有助于图谱在类密集的服务代码中保持可用性。
- > 导入、调用和符号归一化器均已启用，同时 `pathlib.*`、`typing.*`、`logging.*` 等常见标准库噪声会从关系中被过滤掉。
常用 MCP 入口工具
- intelligent_search
从一个概念性查询开始，例如“发票同步相关的重试逻辑”；如果仓库是多语言的，可设置 `language_filter="python"`。
- find_symbol
当你已知类名或函数名，需要在编辑前拿到定义和引用时使用。
- dependency_search
在重构共享服务或辅助函数前，先沿入向关系查看哪些代码依赖它。