---

你是否也有这样的痛点：在 PyCharm 中调试深度学习模型或代码时，变量区会清晰显示每个变量的 shape 和类型信息，而在 VS Code 中却只能看到一团 tensor(...)？别急，这篇文章带你一步一步打造 VS Code 的“PyCharm 式调试体验”。

先看 VS Code 调试效果图：

🎯 目标：在 VS Code 调试器中自动显示这些变量信息

• ✅ torch.Tensor: 显示 {Tensor: (3, 4)}
• ✅ numpy.ndarray: 显示 {ndarray: (2, 2)}
• ✅ pandas.DataFrame: 显示 {DataFrame: (5, 3)}
• ✅ list、dict、set、tuple: 显示长度 {list: 3}，{dict: 3}，{set: 3}，{tuple: 3}

---

🔍 原理简介

VS Code 的 Python 调试器底层使用的是 debugpy，其中，变量的显示格式由 pydevd_xml.py 中的 get_variable_details() 函数控制。通过修改该函数逻辑，我们可以为常见的数据结构注入形状（shape）或长度（len）信息，使其直接显示在调试面板中。

⚠️ 其他方案的局限性

在社区中也存在一些尝试解决此问题的方案，但大多存在以下缺陷：

❌ 方案一：重写 __repr__

一种直观的做法是通过自定义 __repr__ 方法来改变变量在调试器中的显示方式【在 VS Code 中调试 Tensor 形状不显示的问题及解决方案】。这种方式可以实现变量显示的定制化，但它 无法影响调试器中内置类型（如 bool、int、str 等）的显示行为。

❌ 方案二：向 debugpy 注册自定义变量显示器（StrPresentationProvider）

另一种方法是利用 debugpy 提供的扩展机制，注册一个 StrPresentationProvider，告诉调试器如何渲染特定类型的变量。【在 VS Code 调试器中自动显示变量形状和维度信息】【VS Code 中为调试器增强变量显示：自动显示张量 Shape、DataFrame 维度和容器长度】。这种方法虽然理论上更优雅，但在实际使用中发现，它会 读取原始的完整变量内容 来生成字符串表示，这在面对大型数组、DataFrame 或嵌套结构时会导致 严重卡顿甚至崩溃，严重影响调试体验。

✅ 我的方案优势

我选择从 debugpy 内部机制入手，通过修改其源码中的 get_variable_details() 函数，在变量渲染阶段注入形状信息，从而避免了上述方法的性能问题和副作用。

这一改动仅作用于调试器前端显示层，不会影响程序运行逻辑，也不会因变量过大而造成性能瓶颈。

而且，debugpy 在内部已经对变量内容做了优化处理，只读取必要的元数据（如 shape、dtype、len）而不加载整个对象内容，因此能保持几乎与原始 VS Code 调试器相同的响应速度。

---

🛠️ 具体实现步骤

1. 找到 debugpy 对应的文件目录

根据你使用的编辑器和操作系统，找到对应的文件目录：

对于 Windows 用户

如果你使用的是 VS Code 或基于 VS Code 内核的编辑器（例如 Cursor），则路径通常如下：

• VS Code:

C:\Users\Tang\.vscode\extensions\ms-python.debugpy-2025.10.0-win32-x64\bundled\libs\debugpy\_vendored\pydevd\_pydevd_bundle\pydevd_xml.py

• Cursor:

C:\Users\Tang\.cursor\extensions\ms-python.debugpy-2025.8.0-win32-x64\bundled\libs\debugpy\_vendored\pydevd\_pydevd_bundle\pydevd_xml.py

💡 注意：实际路径可能会有所不同，请根据实际情况调整。

对于 Ubuntu / Linux 用户

如果你使用的是 Ubuntu 或其他 Linux 发行版，路径通常如下：

• VS Code:

~/.vscode-server/extensions/ms-python.debugpy-2025.10.0-linux-x64/bundled/libs/debugpy/_vendored/pydevd/_pydevd_bundle/pydevd_xml.py

• Cursor:

~/.cursor-server/extensions/ms-python.debugpy-2025.6.0-linux-x64/bundled/libs/debugpy/_vendored/pydevd/_pydevd_bundle/pydevd_xml.py

💡 注意：我写的是远程 remote-ssh 的服务器路径，本地路径可能会有所不同比如.cursor-server换成.cursor等，请根据实际情况调整。

---

2. 修改 get_variable_details() 函数

修改之前做好备份

打开 pydevd_xml.py 文件，找到get_variable_details()函数，完整修改之后如下：

def get_variable_details(val, evaluate_full_value=True, to_string=None, context: Optional[str] = None):""":param context:This is the context in which the variable is being requested. Valid values:"watch","repl","hover","clipboard""""try:# This should be faster than isinstance (but we have to protect against not having a '__class__' attribute).is_exception_on_eval = val.__class__ == ExceptionOnEvaluateexcept:is_exception_on_eval = Falseif is_exception_on_eval:v = val.resultelse:v = val_type, type_name, resolver = get_type(v)type_qualifier = getattr(_type, "__module__", "")if not evaluate_full_value:value = DEFAULT_VALUEelse:try:# 添加形状信息shape_info = ""try:# 处理 PyTorch Tensorif type_qualifier == "torch" and hasattr_checked(v, 'shape') and hasattr_checked(v, 'dtype'):shape = tuple(v.shape)dtype = str(v.dtype)shape_info = f"{{Tensor: {shape}}} "# 处理 NumPy ndarrayelif type_qualifier == "numpy" and hasattr_checked(v, 'shape') and hasattr_checked(v, 'dtype'):shape = tuple(v.shape)dtype = str(v.dtype)shape_info = f"{{ndarray: {shape}}} "# 处理 Pandas DataFrameelif type_qualifier == "pandas.core.frame" and hasattr_checked(v, 'shape'):shape = tuple(v.shape)shape_info = f"{{DataFrame: {shape}}} "# 处理 Pandas Serieselif type_qualifier == "pandas.core.series" and hasattr_checked(v, 'shape'):shape = tuple(v.shape)dtype = str(v.dtype)shape_info = f"{{Series: {shape}}} "# 处理其他有 shape 属性的对象elif hasattr_checked(v, 'shape'):shape_info = f"{{{v.shape}}} "# 处理可计数对象elif hasattr_checked(v, '__len__'):try:length = len(v)shape_info = f"{{{type_name}: {length}}} "except:passexcept:passstr_from_provider = _str_from_providers(v, _type, type_name, context)if str_from_provider is not None:value = shape_info + str_from_providerelif to_string is not None:value = shape_info + to_string(v)elif hasattr_checked(v, "__class__"):if v.__class__ == frame_type:value = pydevd_resolver.frameResolver.get_frame_name(v)elif v.__class__ in (list, tuple):if len(v) > 300:value = "%s: %s" % (str(v.__class__), "<Too big to print. Len: %s>" % (len(v),))else:value = "%s: %s" % (str(v.__class__), v)else:try:cName = str(v.__class__)if cName.find(".") != -1:cName = cName.split(".")[-1]elif cName.find("'") != -1:  # does not have '.' (could be something like <type 'int'>)cName = cName[cName.index("'") + 1 :]if cName.endswith("'>"):cName = cName[:-2]except:cName = str(v.__class__)value = "%s: %s" % (cName, v)else:value = shape_info + str(v)except:try:value = repr(v)except:value = "Unable to get repr for %s" % v.__class__# fix to work with unicode valuestry:if value.__class__ == bytes:value = value.decode("utf-8", "replace")except TypeError:passreturn type_name, type_qualifier, is_exception_on_eval, resolver, value

具体来说，在 get_variable_details() 函数中添加了1处内容，并修改了3处内容，具体如下：

1. 添加了1处内容。
   找到if not evaluate_full_value:这个地方，进行下面的添加：

if not evaluate_full_value:value = DEFAULT_VALUE
else:try:# 添加形状信息shape_info = ""try:# 处理 PyTorch Tensorif type_qualifier == "torch" and hasattr_checked(v, 'shape') and hasattr_checked(v, 'dtype'):shape = tuple(v.shape)dtype = str(v.dtype)shape_info = f"{{Tensor: {shape}}} "# 处理 NumPy ndarrayelif type_qualifier == "numpy" and hasattr_checked(v, 'shape') and hasattr_checked(v, 'dtype'):shape = tuple(v.shape)dtype = str(v.dtype)shape_info = f"{{ndarray: {shape}}} "# 处理 Pandas DataFrameelif type_qualifier == "pandas.core.frame" and hasattr_checked(v, 'shape'):shape = tuple(v.shape)shape_info = f"{{DataFrame: {shape}}} "# 处理 Pandas Serieselif type_qualifier == "pandas.core.series" and hasattr_checked(v, 'shape'):shape = tuple(v.shape)dtype = str(v.dtype)shape_info = f"{{Series: {shape}}} "# 处理其他有 shape 属性的对象elif hasattr_checked(v, 'shape'):shape_info = f"{{{v.shape}}} "# 处理可计数对象elif hasattr_checked(v, '__len__'):try:length = len(v)shape_info = f"{{{type_name}: {length}}} "except:passexcept:pass

2. 然后在构建最终显示值时，将 shape_info 插入前面，共3处：

value = str_from_provider修改如下：

value = shape_info + str_from_provider

value = to_string(v)修改如下：

value = shape_info + to_string(v)

value = str(v)修改如下：

value = shape_info + str(v)

---

📊 工作流程解析

当我们在 VS Code 中启动调试会话时，整个流程如下：

1. VS Code 启动调试器并加载内置的 debugpy 模块。
2. debugpy 连接到目标 Python 程序并开始监听断点。
3. 当程序暂停时，debugpy 收集当前作用域内的变量信息。
4. 在变量渲染阶段，调用 get_variable_details() 函数生成显示字符串。
5. 我们的修改在此处注入形状信息。
6. 最终结果返回给 VS Code 前端展示。

需要注意的是，VS Code 优先使用其自带的 debugpy，而不是环境中的 pip 安装版本。因此，我们的修改需针对 VS Code 扩展目录中的源文件。

---

⚠️ 注意事项

1. VS Code 更新覆盖修改：每次更新 VS Code 或 Python 扩展后，可能需要重新应用修改。
2. 备份原始文件：修改前务必备份原文件，以便恢复或对比。

---

📚 参考文献

1. 在 VS Code 中调试 Tensor 形状不显示的问题及解决方案
2. VS Code 中为调试器增强变量显示：自动显示张量 Shape、DataFrame 维度和容器长度
3. 在 VS Code 调试器中自动显示变量形状和维度信息