演讲：将张量形状纳入类型系统
探讨如何将张量形状信息引入Python类型系统，使用Pyrefly进行静态分析，解决深度学习框架中常见的类型推断难题。
Pyrefly Blog
Pyrefly 博客。
文章
探讨：在智能体工作流中进行类型检查
探讨在智能体工作流中加入类型检查是否真的能提升智能体的表现，涉及AI工程实践中的可靠性问题。
现在要同时跑五个 Python 类型检查器了吗？
Python 类型检查器已扩展到 Mypy、Pyrefly、Pyright、ty、Zuban 五个主流工具，库维护者不可能在每个版本都对所有工具跑源码。本文给出一个反直觉但实操性极强的建议：优先在测试套件上运行多个类型检查器，而非在源码上。作者以 Polars 库为实例，展示了 DataType.eq 方法为兼容四个检查器需要写 4 种不同的 type-i…
在Dify的CI中让类型覆盖率可视化
Dify团队案例研究，展示如何在大型Python代码库的CI流程中集成Pyrefly报告、诊断差异和后端覆盖率信号，提升类型检查可见性。
Pyrefly v1.0 正式发布
Pyrefly 宣布达到稳定版 1.0 状态的标准版本发布公告，介绍了新功能和入门方式。内容为典型的工具发布通稿，缺乏深度见解或一手经验细节，信息密度低。
Pyrefly 张量形状追踪与静态类型检查
PyTorch 模型中最难追踪的张量形状错误可导致静默错误而不崩溃。Pyrefly 1.1.0 推出 Tensor Shapes 功能，基于符号整数算术（Dim[X] 泛型参数支持类型级加减乘除）和形状变换 DSL，在编辑器中自动推断并展示所有中间张量的形状（如 Tensor[B,T,NEmbedding]），只需在类和函数边界标注少量类型，局部变量全自动…
类型正确但代码出错：类型检查器能捕获的五个意外 Bug
Pyrefly 类型检查器能发现的远不止类型不匹配。文章列出了五个真实 Python 错误示例——从忘记 await 到重命名参数——这些错误你的类型检查器可以在用户发现之前提前捕获。每个例子都是实际开发中容易踩坑的高频 Bug 模式，对于 Python 开发者来说是直接可用的避坑参考。
将 Pyrefly 类型检查集成到你的 AI Agent 工作流中
教程性质的操作指南，介绍如何通过 skills 和 hooks 将 Pyrefly 类型检查集成到 AI agent 工作流中，实现自动验证生成的 Python 代码。有具体的集成步骤和实用操作方法，对使用 AI 编码工具链的开发者有实用价值。
Python 类型检查器速度与内存占用对比
对 Pyrefly、Ty、Pyright、Mypy 等主流 Python 类型检查器进行速度和内存占用的基准测试对比。适合正在选型类型检查工具的 Python 项目参考，但本质是项目方自家发布的性能对比，缺少第三方独立视角，可作数据参考但需注意立场偏差。
如何在语言服务器中支持 Notebook
Pyrefly 团队分享了将 Jupyter notebook 支持集成到语言服务器（Pyrefly）中的工程实践。文章不仅介绍了他们自己怎么做的，还提炼出可供其他语言服务器借鉴的通用思路。对于做 IDE 工具、语言协议或 Python 开发体验的读者，这是一份来自一线的技术决策笔记，有具体实现路径和可迁移的方法论，不是空泛的最佳实践。
通过删除未标注类型的代码达到 100% 类型覆盖率
Pyrefly 团队讲了一个反直觉的真实故事：他们最终解决"类型覆盖率 100%"这个老大难问题，方法不是把所有代码补上类型注解，而是直接删掉了没有注解的代码。这个思路本身就很有讨论价值——覆盖率指标到底是在衡量什么？文章短但有明确的观点和真实工程决策，比空洞的"最佳实践"文章更值得一读，也更容易引发同行讨论。
塑造 Pyrefly 的 Pyre 经验教训
作者分享了在开发 Pyre（另一 Python 类型检查器）过程中积累的经验教训，以及这些教训如何影响 Pyrefly 的设计决策。有实际的工程反思和一手经验，对类型系统开发者有启发，但整体偏向自家产品的宣传叙述。