工具

Type Server Protocol:串接 AI 程式設計與語言服務的底層介面

微軟 Pylance 團隊公開 TSP 規範,透過結構化訊息讓編輯器與類型伺服器交換類型、診斷與補全資訊。這項協作有望成為 AI Agent 取得可靠程式語意的基础,但距離成熟的跨編輯器標準仍有距離。

字級

微軟 Pylance 團隊公開了 Type Server Protocol。它不是模型或外掛,而是一套讓編輯器連接類型伺服器、取得診斷與程式智慧資訊的協定。

TSP 不是另一個 AI 程式設計外掛

多數程式碼補全工具的運作路徑是:使用者輸入一段程式碼,客戶端攔截相關脈絡,呼叫模型,再將結果顯示成灰色的補全文字。

這條路徑可以產生程式碼,但遇到「這個函式究竟回傳什麼」「這個參數是否有型別錯誤」「這個符號在哪裡定義」等問題時,通常還得仰賴編譯器或語言伺服器。

TSP 處理的則是更底層的一層。

它的核心參與者有兩類:

  • 編輯器客戶端,例如負責輸入程式碼、顯示補全內容與呈現診斷結果的 IDE。
  • 類型伺服器,例如分析原始碼並提供類型與語意資訊的語言服務。

客戶端不必了解伺服器如何建立符號表,也不必依賴特定外掛的專屬資料格式。請求與回應都透過協定定義的結構化訊息傳遞。

這也是 TSP 與一般補全 API 的差別。補全 API 通常只回傳一個字串;TSP 傳遞的則是一組具有型別、結構與請求關聯性的能力結果。

TSP 是 AI 程式設計工具鏈的介面基礎設施,本身不負責訓練模型,也不保證能生成更多程式碼。

一次請求能取得哪些資訊

依協定設計,客戶端可向類型伺服器請求多類程式智慧資訊,包括:

  • 類型資訊:運算式、變數、函式與介面的具體型別。
  • 補全結果:在指定位置可用的符號及其型別中繼資料。
  • 懸停資訊:符號說明、型別與文件等結構化內容。
  • 診斷資訊:語法錯誤、型別錯誤及相關位置。
  • 語意能力:程式碼導覽及其他依賴語言分析的操作。

關鍵不只是「能取得資訊」,而是「取得的資訊能繼續供程式使用」。

補全文字適合直接顯示在編輯器中;診斷適合標示錯誤行;類型資訊則可供 Agent 檢查工具呼叫參數、判斷回傳值是否符合約束,甚至在執行程式碼前先進行一輪靜態驗證。

如果客戶端與伺服器採用統一的訊息格式,各個外掛就不必再自行解析這些結果。反過來,Agent 也不必把完整的型別分析重新塞進一次 LLM 推理:模型負責決定下一步要做什麼,類型伺服器則負責提供可驗證的事實。

這與 MCP 的設計理念有相似之處。兩者都在處理「如何將外部能力接入模型或 Agent」,但處理的協定對象不同。MCP 面向工具、资源與提示等互動;TSP 則面向程式碼編輯器與語言伺服器。

為什麼 AI Agent 更需要它

AI Agent 撰寫程式碼時,最棘手的問題之一不是「模型能不能寫出一段看起來正確的程式碼」,而是「它是否取得足夠的工程脈絡」。

Agent 可能需要:

  1. 找到真正的函式定義,而不是搜尋到同名文字。
  2. 確認呼叫參數的型別。
  3. 辨識編譯錯誤來自哪個位置。
  4. 理解異動是否破壞介面契約。

若每一種 IDE、每一種語言與每個 Agent 框架都自行實作一套解析方式,重複開發的成本會迅速累積。

TSP 的價值在於重用穩定的語言服務介面。Agent 可以先請求補全或類型資訊,再將結果納入規劃與修改。模型不必猜測型別,客戶端也不必為每個模型分別維護程式碼分析邏輯。

一個簡單的工作流程可以拆成三步:

Agent 定位可疑呼叫
→ 透過 TSP 查詢符號型別與診斷
→ 將結構化結果交給模型判斷是否修改

這種方式比把整個程式庫塞進上下文更省 token,也比讓模型自行判斷型別錯誤更可靠。

但仍須釐清邊界。TSP 解決的是程式語意介面,不是 Agent 的記憶系統、任務規劃或執行循環。它不會自動讓 Agent 理解需求,也不會取代測試。

它更像一條穩定的資料管道,讓「理解程式碼」成為可組合的基礎設施,而不是由每個 AI 程式設計產品各自重造輪子。

微軟維護不代表生態已經成熟

規範文件由微軟 Pylance 團隊維護並發布,存放於 microsoft/pylance-release 儲存庫。這一點很重要:Pylance 本身就是 VS Code 的 Python 語言服務,該團隊掌握真實的型別分析情境。

不過,「由微軟維護」與「已成為跨編輯器標準」是兩回事。

目前仍可看出幾項不確定因素:

  • 不同編輯器願意實作多少 TSP 方法。
  • Python 以外的語言服務如何對應統一的請求與回應。
  • 第三方伺服器能否在不依賴 VS Code 專屬行為的情況下接入。
  • 客戶端如何處理版本差異與能力協商。
  • 診斷、程式碼操作等能力是否涵蓋真實工程中的邊界情況。

協定存在的目的,就是讓這些問題隨著相容性實作逐步收斂。公開規範只是起點。

真正的生態訊號,要看主流編輯器是否採用、Python 以外是否已有可執行的實作、Agent 工具是否將 TSP 視為穩定的能力入口,以及專案是否建立足夠的相容性測試。

在那之前,更準確的描述是:微軟公開了一套值得關注的介面設計,而不是宣告一項已經成熟的產業標準。

Hacker News 的 208 分透露了什麼

原始資料顯示,相關連結登上 Hacker News 首頁,獲得 208 分與 144 則留言。

開發者討論 LSP 並不意外。LSP 已讓「編輯器客戶端連接語言伺服器」成為業界廣泛接受的模式。TSP 指向同一個問題:程式智慧究竟應由誰提供,以及如何跨工具重用。

208 分不能直接證明社群已準備全面採用 TSP,但至少顯示開發者關注底層標準化,而不只是又多了一個補全入口。

144 則留言中的典型分歧,大概率也會圍繞幾個問題展開:現有 LSP 是否已經足夠、TSP 與 LSP 的界線在哪裡、微軟是否會推動生態開放,以及獨立編輯器與開源實作能否真正投入使用。

這也是協定發布後的常見階段:先出現討論熱度,接著落地相容性實作,最後才會帶來工作流程的改變。

因此,觀察 TSP 不能只看文件寫得多完整,還要看它是否讓第三方客戶端更容易接入、能否接入 Agent 工具鏈,以及不同實作之間是否維持可預期的相容性。

編輯觀察

TSP 之所以重要,不是因為它能讓 AI 多生成幾行程式碼,而是因為它触及 AI 程式設計中一項經常被忽略的問題:模型輸出必須建立在可靠的程式語意之上。將類型、診斷與符號資訊做成統一介面,等於把「理解程式碼」從外掛功能改寫成可組合的基礎設施。這個方向與 MCP 所強調的工具接入相互呼應,但兩者並不構成競爭。

TSP 對 Agent 工作流程的影響更值得期待。未來的程式設計 Agent 可能會先查詢類型伺服器,再決定是否呼叫模型、讀取更多檔案或修改程式碼;這比單純擴大上下文更可控。

這次與過去不同的地方,在於微軟將 Pylance 內部的相關設計公開為可討論的協定,而非僅限於 VS Code 生態系內。不過,目前的證據只能顯示規範已經公開,尚不足以證明跨編輯器支援已臻成熟。接下來最值得觀察的不是補全示範,而是第三方實作、版本協商,以及真實專案中的相容性。

來源: https://github.com/microsoft/pylance-release/blob/main/docs/tsp/type-server-protocol.md