Maguyva поддерживает Python с разбором AST и извлечением символов, помогая AI-агентам отслеживать декораторы, методы self/cls, импорты и межмодульные зависимости в реальных Python-репозиториях.
Python — это территория, где многие AI-инструменты для кода сначала выглядят хорошо, а затем начинают гадать в продакшне. Сложные места знакомы: точки входа с декораторами, сервисные классы, тайп-стабы, мелкие вспомогательные модули повсюду и методы, которые обретают смысл только после того, как self или cls снова связывают с классом, которому они принадлежат.
Для Python настоящий вопрос не «умеет ли он читать файлы .py?». Вопрос в том, способен ли агент оставаться обоснованным, перемещаясь от эндпоинта к сервису, от фоновой задачи к хелперу или от имени класса к методам, которые реально реализуют поведение.
Maguyva относится к Python как к полноценному структурному языку. Конфигурация охватывает .py, .pyw и .pyi; сопоставляет decorated_definition обратно с символом функции; и квалифицирует вызовы методов self / cls обратно к охватывающему классу. Это важно, потому что именно в этих местах репозитории Python начинают казаться очевидными человеку и расплывчатыми для LLM.
Она также отфильтровывает большую часть шума стандартной библиотеки при извлечении связей. Это значит, что типичные рантайм-вызовы из модулей вроде pathlib, typing или logging с меньшей вероятностью заглушат специфичные для репозитория связи, которые вас действительно интересуют.
Самый простой полезный сценарий:
intelligent_search для вопроса о поведении, например «логика повторных попыток вокруг синхронизации счетов» или «проверки прав доступа в биллинговых эндпоинтах».find_symbol, как только узнаете имя класса или функции, которая вас интересует.dependency_search с обходом входящих связей перед рефакторингом общего сервиса, хелпера или базового класса.Такой паттерн лучше, чем просить агента «обновить биллинговый поток» с чистого листа. Он позволяет агенту сначала построить карту, а потом уже менять код.
Эта страница — для репозиториев на Python, у которых уже есть некоторый возраст и сложность: сервисный код, задачи, скрипты, сгенерированные типы и окружающая конфигурация. Если ваше основное сравнение — полиглотные веб-монорепозитории, почитайте также руководство по TypeScript. Если вам нужна просто полная матрица поддержки, используйте compatibility.
Лучше всего подходит
Сценарии работы агента
Детали движка
Полезные точки входа MCP
intelligent_search
Начните с концептуального запроса вроде «логика повторов вокруг синхронизации счетов» и задайте `language_filter="python"`, если репозиторий полиглотный.
find_symbol
Используйте его, когда знаете имя класса или функции и вам нужно определение и ссылки перед редактированием.
dependency_search
Используйте направление incoming перед рефакторингом общего сервиса или хелпера, чтобы увидеть, что от него зависит.
Похожие гайды
Полезно, когда репозиторий полон сервисов Spring, внутренних фреймворков и кода, пережившего несколько организационных эпох.
Расширения
.java
Актуально, когда ваш репозиторий сочетает прикладной код, библиотеки, API-клиенты, тесты и конфигурацию в нескольких пакетах.
Расширения
.cts, .d.ts, .mts, .spec.ts, +ещё 3