Pyright类型检查器中异步上下文管理器装饰器的正确使用方式
2025-05-16 18:09:28作者:裴麒琰
在Python类型检查器Pyright中,使用@asynccontextmanager装饰器定义异步上下文管理器时,开发者可能会遇到类型检查错误。本文将深入分析这一现象的原因,并提供正确的解决方案。
问题现象
当开发者尝试在类型存根(stub)文件中使用@asynccontextmanager装饰器定义异步上下文管理器时,Pyright会报告类型不匹配错误。错误信息表明返回类型Coroutine[Any, Any, AsyncIterator[int]]与期望的AsyncIterator[_T_co]不兼容。
根本原因
这一现象并非Pyright的bug,而是有意为之的设计。主要原因有两点:
-
yield语句的语义转换:Python中yield语句的存在会改变函数的返回类型语义。虽然Python类型规范尚未明确描述这一转换,但主流类型检查器(Pyright、mypy等)都采用了一致的处理方式。
-
存根文件装饰器限制:Python类型规范明确定义了存根文件中支持的装饰器列表,而
@contextlib.asynccontextmanager并不在其中。对于不在支持列表中的装饰器,开发者需要手动应用装饰器效果并在存根文件中正确反映。
解决方案
方法一:使用内部类型定义
对于私有存根文件,可以直接使用contextlib模块中的内部类型定义:
from contextlib import _AsyncGeneratorContextManager
def async_simple_stub() -> _AsyncGeneratorContextManager[int, None]: ...
需要注意的是,这种方法使用了私有类,不适合用于公开发布的存根库。
方法二:复制类型定义
对于公开的存根库,更规范的做法是从typeshed存根中复制相关类型定义:
from typing import AsyncIterator, Generic, TypeVar
T = TypeVar('T')
class _AsyncGeneratorContextManager(Generic[T]):
async def __aenter__(self) -> T: ...
async def __aexit__(self, *args: object) -> None: ...
def async_simple_stub() -> _AsyncGeneratorContextManager[int]: ...
同步上下文管理器的情况
值得注意的是,同步上下文管理器(@contextmanager)在存根文件中不会出现类似问题,因为其行为已被类型系统更好地捕获。
最佳实践建议
- 在存根文件中尽量避免使用复杂装饰器
- 对于必须使用的装饰器效果,直接在类型注解中体现
- 保持与typeshed存根的一致性
- 对于公开库,优先使用方法二确保类型安全
通过理解类型系统的这些特性,开发者可以更准确地定义异步上下文管理器的类型注解,避免类型检查错误。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869