Zum Hauptinhalt Zur Navigation Zur Suche

Von Meta entwickelt: Google führt Alternative für Python-Typchecker Pytype ein

Durch die Ablösung des alten Typcheckers werden laut Google erhebliche Ressourcen eingespart.
/ Mike Faust
1 Kommentare Auf Google folgen (öffnet im neuen Fenster)
Google ersetzt den selbst entwickelten Typchecker Pytype durch Metas Pyrefly. (Bild: Pexels / Simon Petereit)
Google ersetzt den selbst entwickelten Typchecker Pytype durch Metas Pyrefly. Bild: Pexels / Simon Petereit

Google hat seine Python-Typisierungs-Infrastruktur modernisiert und Pyrefly, einen von Meta entwickelten Open-Source-Typchecker, als neuen Standard eingeführt. Wie das Unternehmen in einem Blogbeitrag erklärt(öffnet im neuen Fenster), gehört Python bei Google zu den primären Programmiersprachen und wird von der Machine-Learning-Forschung über die Entwicklerinfrastruktur bis hin zu Datenpipelines eingesetzt.

Zuvor setzte das Unternehmen über ein Jahrzehnt lang auf das intern entwickelte Werkzeug Pytype, das in Zusammenarbeit mit der Open-Source-Community das Projekt Typeshed hervorbrachte. Da Pytype jedoch auf der Analyse von kompiliertem Bytecode statt auf AST-Syntaxbäumen basiert, führte die Anpassung an moderne Typsysteme zu einem stetig wachsenden Wartungsaufwand.

Zudem konnte Pytype die geforderten kurzen Durchlaufzeiten moderner Entwicklungszyklen nicht mehr erbringen, weshalb Google beschloss, die Unterstützung mit Python 3.12 einzustellen und auf moderne Alternativen umzusteigen.

Leistungs- und Ressourcengewinne in Googles Infrastruktur

Bei der Evaluierung soll Pyrefly vor allem durch seine Architektur überzeugt haben. Das Tool ist in Rust geschrieben, nutzt parallele sowie bedarfsgerechte Auswertung und soll sich in internen Tests als eine Größenordnung schneller als Pytype erwiesen haben. Dabei fange es Fehler ab, die Pytype zuvor durchgelassen habe, und liefere präzise Diagnosemeldungen im Compiler-Stil mit Inline-Markierungen und Handlungsempfehlungen, so das Unternehmen.

Die Umstellung soll zu erheblichen Leistungs- und Ressourcengewinnen in Googles Infrastruktur geführt haben. Bei inkrementellen Rebuilds sank die Latenz den Angaben zufolge um bis zu 98 Prozent, wodurch die Typüberprüfung großer Machine-Learning-Ziele von Minuten auf Sekunden verkürzt wurde.

Bei vollständigen Builds (Clean Builds) reduzierte sich der Anteil der Typüberprüfung am kritischen Pfad um 90 bis 99 Prozent, während der tägliche Spitzen-Rechenaufwand für die Typüberprüfung um über 80 Prozent zurückging. Im Arbeitsalltag habe der Wechsel die Iterationszyklen spürbar beschleunigt, wovon sowohl menschliche Entwickler als auch eingesetzte KI-Coding-Agenten profitierten, hieß es weiter.


Relevante Themen