论文
SALT：用静态分析减少Python类型注释的LLM调用和上下文噪声
Prompt Less, Infer More: Static Analysis-Guided LLM Type Annotation for Python
摘要
类型注释提高了 Python 程序的可维护性和可靠性，但许多实际项目仍然注释不足，因为手动注释既耗时又容易出错。最近的神经网络和基于 LLM 的类型推理系统可以恢复丢失的注释，但它们经常以准确性换取效率。现有的方法通常无法利用项目范围的类型证据，或者通过不必要的模型调用和含噪提示而效率低下。我们提出了 SALT，一个以静态分析为指导的基于 LLM 的类型推理系统。 SALT 将静态分析与 LLM 推理集成，以静态推断类型、确定LLM查询优先级并构建简洁的类型感知上下文。为了证明 SALT 的有效性，我们在 12 个真实的 Python 项目上对其进行了评估。与强大的编码辅助基线相比，SALT 在评估的系统中实现了最佳准确性，并将估计的 LLM 成本降低了高达 78.5%。使用前沿模型GPT-5.5时，它也表现出类似的成本节省，证明 SALT 在强大的 LLMs 下仍然有效。
