Интеграции

Codna работает там, где работают агенты.

Используйте Codna через CLI, MCP-сервер, нативный GitHub App и свой ключ модели или управляемый LLM.

ДокументацияКонтакты

Интеграции

Cursor

Добавьте Codna как MCP-сервер, чтобы Cursor мог запрашивать детерминированное понимание репозитория.

Claude

Откройте инструменты Codna для Claude через MCP для исправлений на основе доказательств.

GitHub

Нативное приложение для триажа задач, PR с исправлениями и доказательств для проверки.

CI

Запускайте Codna в конвейерах сборки для анализа сбоев и генерации патчей.

Провайдеры моделей

Ваш агент. Ваш провайдер. Ваш ключ.

Codna выполняет детерминированный слой понимания. Агент может использовать провайдера на ваш выбор через BYOK или управляемый LLM.

CLIRun codna fix in any repo, CI job, or container.
MCP serverGive Cursor and Claude codebase understanding as a local tool.
GitHub AppTriage issues and open verified fix pull requests.

Bring-your-own-key works today with an Anthropic (Claude) API key. Support for more model providers is on the way.

Frequently asked

Codna ships as an MCP server. Add it once and it becomes a native code agent inside Cursor and Claude — the same deterministic graph engine and AI fix pipeline, available right where you write code.

Yes. The GitHub App detects a bug, runs the engine, verifies the fix against your tests, and opens a pull request. Every PR it creates has passed your test suite before you see it.

Yes. The CLI integrates into any CI pipeline. It maps the affected graph, generates a fix, and verifies it — all within the same job, with no external state required.

No. Codna is bring-your-own-key. You supply the model API key, and the fix runs against your chosen model. Codna does not call a hosted LLM on your behalf or retain your code.

You run the engine on your own infrastructure. Egress is fail-closed, meaning no data leaves unless you explicitly configure it. Codna does not train on your code.

Very lightweight. The engine maps a repository in roughly 60ms using zero LLM tokens. The AI agent then works from a ~600-token evidence bundle, measured at 162x less context than reading the full repo.