Maguyva підтримує Python з розбором AST та вилученням символів, допомагаючи AI-агентам простежувати декоратори, методи self/cls, імпорти та міжмодульні залежності в реальних репозиторіях Python.
Python — те місце, де багато AI-інструментів для кодування спершу виглядають добре, а потім починають вгадувати в продакшні. Складні частини знайомі: декоровані точки входу, класи сервісів, файли типів (stub), маленькі допоміжні модулі всюди та методи, які мають сенс лише тоді, коли ви знову зв’яжете self чи cls із класом, якому вони належать.
Для Python справжнє питання не «чи вміє він читати файли .py?». Питання в тому, чи здатен агент залишатися обґрунтованим, переходячи від ендпоінту до сервісу, від фонової задачі до хелпера, чи від назви класу до методів, які насправді реалізують поведінку.
Maguyva трактує Python як повноцінну структурну мову. Конфігурація охоплює .py, .pyw та .pyi; відображає decorated_definition назад на символ функції; та кваліфікує виклики методів self / cls назад до охоплюючого класу. Це важливо, бо саме в цих місцях репозиторії Python починають здаватися очевидними людині й розмитими для LLM.
Він також відфільтровує чимало шуму стандартної бібліотеки з вилучення зв’язків. Це означає, що поширені виклики середовища виконання з модулів на кшталт pathlib, typing чи logging рідше заглушують специфічні для репозиторію зв’язки, які вас насправді цікавлять.
Найпростіший корисний робочий процес:
intelligent_search для запитання про поведінку, наприклад «логіка повторних спроб навколо синхронізації рахунків» або «перевірки прав доступу в ендпоінтах білінгу».find_symbol, щойно ви знаєте назву класу чи функції, яка вас цікавить.dependency_search зі вхідним обходом перед рефакторингом спільного сервісу, хелпера чи базового класу.Цей патерн кращий, ніж просити агента «оновити потік білінгу» з холодного старту. Він дозволяє агенту спочатку побудувати карту, а вже потім змінювати код.
Ця сторінка для репозиторіїв Python, які вже мають певний вік і складність: сервісний код, задачі, скрипти, згенеровані типи та навколишню конфігурацію. Якщо ваше основне порівняння — поліглотні веб-монорепозиторії, прочитайте також посібник з TypeScript. Якщо вам потрібна лише повна таблиця підтримки, скористайтеся сторінкою compatibility.
Найкраще підходить
Робочі процеси агента
Деталі рушія
Корисні точки входу MCP
intelligent_search
Почніть із концептуального запиту на кшталт «логіка повторних спроб довкола синхронізації рахунків» і встановіть `language_filter="python"`, якщо репозиторій поліглотний.
find_symbol
Використовуйте, коли знаєте назву класу чи функції і потребуєте визначення разом із посиланнями перед редагуванням.
dependency_search
Використовуйте напрямок «вхідні» перед рефакторингом спільного сервісу чи хелпера, щоб побачити, що від нього залежить.
Пов'язані гайди
Корисно, коли репозиторій наповнений сервісами Spring, внутрішніми фреймворками та кодом, що пережив кілька організаційних епох.
Розширення
.java
Актуально, коли ваш репозиторій поєднує код застосунку, бібліотеки, API-клієнти, тести та конфігурацію в кількох пакетах.
Розширення
.cts, .d.ts, .mts, .spec.ts, +3 ще