Resumen
Runtime flujo de trabajo for cualquier coding agent (Cursor, Claude Code, Codex, OpenCode): antes de el agent suggests un fix, it consultas Scavio con sitio:github.com/[pkg]/problemas plus el error string, surfaces el top 3 open/closed problemas, y grounds el suggestion in real project activity.
Desencadenador
Every agent herramienta call donde el usuario informes un error o asks about un dependency
Programación
On agent herramienta call
Pasos del flujo de trabajo
Extraer package y error
From el user's mensaje o stack trace, extraer el package nombre y error fingerprint.
Scoped GitHub SERP consulta
Construir `sitio:github.com/<owner>/<pkg>/problemas <error>` y POST to Scavio.
Clasificar by recency y reactions
Analizar top 3 resultados; prefer open problemas con reciente activity.
Include in agent context
Inject problema titulo, URL, y top comentario en el next LLM convertir.
Suggest grounded fix
Agent references el actual problema thread in its answer.
Implementacion en Python
import os, requests
API_KEY = os.environ["SCAVIO_API_KEY"]
H = {"x-api-key": API_KEY}
def issue_context(owner, pkg, error):
q = f'site:github.com/{owner}/{pkg}/issues {error}'
r = requests.post("https://api.scavio.dev/api/v1/search",
headers=H, json={"query": q}).json()
return r.get("organic_results", [])[:3]
print(issue_context("langchain-ai", "langchain", "ToolInvocation deprecated"))Implementacion en JavaScript
const H = { "x-api-key": process.env.SCAVIO_API_KEY, "content-type": "application/json" };
async function issueContext(owner, pkg, error) {
const q = `site:github.com/${owner}/${pkg}/issues ${error}`;
const r = await fetch("https://api.scavio.dev/api/v1/search", {
method: "POST", headers: H, body: JSON.stringify({ query: q })
}).then(r => r.json());
return (r.organic_results || []).slice(0, 3);
}Plataformas utilizadas
Búsqueda web con grafo de conocimiento, PAA y resúmenes de IA