Аннотации Python без нейросети: типы из тестов, MonkeyType и Ruff
Разработчик из команды Домклик представил практический способ добавлять аннотации типов в проекты Django и Django REST Framework без обращения к языковой модели. Основой служат наблюдения за выполнением тестов, последующая правка кода и статическая проверка.

Главное
В опубликованном руководстве рассматривается задача, знакомая командам с большим количеством API-обработчиков: типы аргументов и результатов нужны для чтения кода и анализа ошибок, но их ручное заполнение требует постоянного внимания. Автор предлагает не угадывать сигнатуры и не отправлять исходники внешней нейросети, а использовать фактические вызовы функций во время тестирования.
Для понимания объектов Django и Django REST Framework сначала подключаются пакеты деклараций типов и плагины mypy. Это важно для методов представлений и сериализаторов, чьё поведение определяется фреймворком не только явными сигнатурами. Статический анализатор получает информацию об ожидаемых объектах, а настройки строгости позволяют выявлять незаполненные аннотации до объединения изменений.
Подробности
Далее инструмент MonkeyType собирает наблюдаемые типы при запуске pytest и предлагает вставить их в исходные файлы. При работе с Django отдельно учитывается инициализация приложения до импорта модулей через контекст командной строки. Полученные сведения отражают именно те ветви выполнения, которые прошли тесты, поэтому полнота набора проверок напрямую влияет на качество автоматически добавленных типов.
Чтобы новые обозначения не создавали проблем с импортами, в примере используются отложенная обработка аннотаций и условный блок TYPE_CHECKING. Они решают разные задачи: первый позволяет интерпретатору не вычислять ссылки на типы при объявлении функций, а второй исключает ненужные для выполнения импорты. После генерации Ruff сортирует подключения и приводит устаревшие формы записи типов к более современному синтаксису.
Что это меняет
Предлагаемый процесс завершается запуском mypy, который проверяет итоговые сигнатуры независимо от динамического сбора. Это не автоматическое доказательство корректности программы: тесты могли не пройти редкие варианты входных данных, а аннотации могут оказаться слишком широкими. Тем не менее такой конвейер даёт разработчику воспроизводимый способ уменьшить рутинную работу и сохранить контроль над изменениями в репозитории.
Первоисточник
Материал подготовлен STRUCTURE по открытой публикации Habr. Текст и иллюстрации первоисточника не воспроизводятся целиком.