Sinusuportahan ng Maguyva ang Python gamit ang AST parsing at symbol extraction, na tumutulong sa mga AI agent na sundan ang decorators, self/cls methods, imports, at cross-module dependencies sa totoong Python repositories.
Sa Python kadalasang magandang tumingin sa simula ang maraming AI coding tool at pagkatapos ay nagsisimulang manghula sa production. Pamilyar ang mahihirap na bahagi: decorated entry points, service classes, type stubs, maliliit na helper module kung saan-saan, at mga method na may kahulugan lang kapag ikinonekta mo ulit ang self o cls sa class na pinagmulan nito.
Para sa Python, ang tunay na tanong ay hindi “can it read .py files?” Ang tanong ay kung kaya ng agent na manatiling naka-ground habang ito ay gumagalaw mula sa isang endpoint patungo sa isang service, mula sa isang background task patungo sa isang helper, o mula sa isang pangalan ng class patungo sa mga method na talagang nag-implement ng behavior.
Tinuturing ng Maguyva ang Python bilang isang buong structural na wika. Sakop ng config ang .py, .pyw, at .pyi; ibinabalik ang decorated_definition sa isang function symbol; at kina-qualify ang self / cls method calls pabalik sa nakapalibot na class. Mahalaga ito dahil eksakto itong mga lugar kung saan nagsisimulang maging obvious sa tao pero fuzzy sa LLM ang mga Python repository.
Fina-filter din nito ang malaking bahagi ng standard-library noise mula sa relationship extraction. Ibig sabihin, mas maliit ang posibilidad na malunod ang repository-specific na relasyon na talagang mahalaga sa iyo sa mga karaniwang runtime call mula sa mga module tulad ng pathlib, typing, o logging.
Ang pinakasimpleng kapaki-pakinabang na workflow ay:
intelligent_search para sa isang tanong tungkol sa behavior tulad ng “retry logic around invoice sync” o “permission checks in billing endpoints”.find_symbol kapag alam mo na ang pangalan ng class o function na mahalaga sa iyo.dependency_search na may incoming traversal bago mag-refactor ng isang shared service, helper, o base class.Mas mahusay ang pattern na iyon kaysa sa paghiling sa isang agent na “update the billing flow” mula sa cold start. Hinahayaan nito ang agent na mag-build muna ng mapa bago magbago ng code.
Ang page na ito ay para sa mga Python repo na may edad at complexity na: service code, jobs, scripts, generated types, at nakapalibot na config. Kung ang iyong pangunahing paghahambing ay sa mga polyglot na web monorepo, basahin din ang TypeScript guide. Kung kailangan mo lang ang buong support matrix, gamitin ang compatibility.
Pinakabagay
Mga workflow ng agent
Mga detalye ng engine
Mga kapaki-pakinabang na MCP entry point
intelligent_search
Magsimula sa conceptual query tulad ng “retry logic around invoice sync” at itakda ang `language_filter="python"` kung polyglot ang repo.
find_symbol
Gamitin ito kapag alam mo ang class o function name at kailangan mo ng definition kasama ang mga reference bago mag-edit.
dependency_search
Gamitin ang incoming direction bago mag-refactor ng shared service o helper para makita kung ano ang umaasa dito.
Mga kaugnay na gabay
Kapaki-pakinabang kapag puno ang repo ng Spring services, internal frameworks, at code na nakaligtas sa ilang organizational era.
Mga extension
.java
Relevant kapag pinaghahalo ng iyong repo ang app code, libraries, API clients, tests, at config sa maraming package.
Mga extension
.cts, .d.ts, .mts, .spec.ts, +3 pa