一份最新的 Python 類型檢查調查顯示，人工智慧（AI）工具在程式碼開發流程中已扮演關鍵角色，越來越多開發者使用 AI 來撰寫及修正類型提示，但同時也面臨第三方函式庫類型資訊不足、AI 生成類型品質不一等多重挑戰。
根據 Meta 工程部門近日公布的「2026 年 Python 類型檢查問卷調查」結果顯示，人工智慧（AI）工具在軟體開發流程中扮演的角色日益關鍵，特別是在程式碼的類型檢查方面。儘管開發者使用 Python Typing（類型提示，這是一種為程式碼中的變數或函式指定資料類型的方式，有助於提高程式碼的可讀性與減少錯誤）的頻率保持穩定，但其選擇的檢查工具與工作流程已因 AI 產生顯著變化。
這份於 2026 年 8 月至 9 月進行的調查共收到 1,794 份回覆。報告指出，認為類型提示能讓 AI 生成的程式碼更準確可靠的受訪者比例，從 2025 年的 18.5% 顯著上升至 2026 年的 38.4%。高達 42.5% 的受訪者曾使用 AI 工具來撰寫類型提示，另有 32.6% 的人透過撰寫類型來改進 AI 生成的程式碼。整體而言，61.0% 的開發者至少採用了一種與類型相關的 AI 工具功能。
AI 工具的整合深度也持續增加。24.4% 的開發者表示，他們的 AI 程式碼工具會直接調用類型檢查器；而在這群開發者中，61.6% 也會利用 AI 來修正檢查器回報的錯誤。然而，AI 導入也帶來了新挑戰。部分受訪者提及，AI 生成的類型提示可能過於寬泛，或 AI 程式設計代理（Agent）會直接隱藏檢查器錯誤。此外，針對類型提示對 AI 輔助程式開發的幫助，仍有 29.8% 的受訪者表示不確定。
調查同時揭示了 Python 類型檢查現行的主要痛點。最常見的困難是第三方函式庫缺乏類型資訊，高達 65.1% 的受訪者認為這是問題，其中不乏 Django、SQLAlchemy、Pydantic、NumPy、pandas 和 Polars 等常用工具。此外，44.6% 的開發者表示現有類型系統無法完全描述其程式碼的所有行為，且有約 41.6% 的較不常用類型提示的開發者認為類型系統過於複雜或冗長。開發者也普遍希望改善 Callable 語法。
在類型檢查工具的生態系方面，近半數（49.9%）的受訪者在 2026 年同時使用兩種或更多檢查器，較 2025 年的 46.0% 有所增加。開發者選擇檢查器時，速度與效能是首要考量（佔 56.5%）。然而，有 33.3% 的開發者指出不同檢查器之間存在不一致性。針對這些挑戰，Pyrefly 團隊正與 Quansight 合作，致力於改善第三方函式庫的類型資訊。
開發者在獲取資訊的習慣也悄然改變。從 2024 年到 2026 年，Stack Overflow 的使用率從 46.4% 下降至 22.9%，而大型語言模型（LLM）聊天工具的使用率則從 26.0% 上升至 41.7%。這凸顯了開發者對 AI 工具的依賴性不斷提高。調查建議，類型檢查器的錯誤訊息應提供相關解釋與範例的連結，以協助開發者更有效地解決問題。