为什么Python 3.11的异步协程更高效_对比asyncio库在版本迭代中的优化

Python 3.11 异步性能提升：机制、条件与误区

Python 3.11 在异步编程领域的性能提升，一直是开发者社区关注的焦点。但这份提升并非“魔法”，它源于几个非常具体且相互配合的底层优化。简单来说，其核心源于三方面：async def 的字节码变得更紧凑、await 表达式启用了地址缓存、以及 TaskGroup 提供了结构化的异常清理机制。不过，这些优化都有其触发条件，比如需要确保未启用 -O 优化模式、未连接调试器、且等待对象的类型要保持一致，才能真正生效。

async def 字节码更紧凑，帧对象初始化快 15%～20%

首先要澄清一个常见的误解：Python 3.11 并没有让 await 本身的执行速度变快。它的提速点在于，解释器构建新协程帧（frame）的开销显著降低了。这得益于编译后字节码的精简。举个例子，一段简单的 async def f(): await asyncio.sleep(0) 代码，在 3.10 下可能对应 12 条指令，而在 3.11 中被压缩到了 9 条，其中移除了不少冗余的栈操作和泛化的 YIELD_FROM 路径。

当然，这个优化效果在“冷启动”时最为明显，也就是第一次调用某个特定的 async def 函数时。后续调用因为可以复用已缓存的帧结构，差距就会收窄。所以，哪些场景受益最直接呢？答案是那些高频新建协程的场景，比如 ASGI 框架处理 HTTP 请求，每个请求都会进入一个新的协程，这种模式就能直接享受到帧初始化加速的红利。

不过，想触发这个优化，有几个前提条件必须满足：

• 必须关闭 -O 优化模式：解释器的特化路径在未使用 python -O 命令时才会启用。
• 调试器是“优化杀手”：一旦连接了调试器或使用了 sys.settrace，该优化会被强制禁用，测出来的性能可能反而是退化状态。
• 优化范围有边界：它不加速 await 本身的执行。因此，如果你只测量 await asyncio.sleep(0) 的耗时，很可能看不出差别，因为此时的瓶颈在于事件循环的调度，而非 Python 帧的构造。

await 表达式启用地址缓存，跳过 __await__ 属性查找

这是另一个精妙的优化。当同一行代码位置反复 await 同一类可等待对象时——比如全是 asyncio.Future，或者全是某个自定义的 __await__ 类——Python 3.11 的解释器会在运行时缓存其 __await__ 方法的地址。这样一来，每次执行就无需再走一遍通用的属性查找流程，效率自然提升。

你可以通过 dis.dis() 反汇编代码来观察，如果出现了 CALL_INTRINSIC_1 这样的指令，通常就意味着特化解释器触发了这条内联路径。但需要注意的是，这个缓存机制非常“娇气”：

• 类型一致是关键：如果在同一行代码里混用类型，比如这次 await 一个 Future，下次 await 一个自定义协程，缓存会立即失效。
• 失效可能带来反效果：缓存失效后，性能甚至可能比 3.10 更差，因为多了一次失败的缓存探测开销。
• 天然适配的场景：像 FastAPI 或 Starlette 这类框架中，大量存在 await db.query() 这种返回类型固定的调用，就天然契合这项优化。

立即学习“Python免费学习笔记（深入）”；

TaskGroup 替代 gather，解决异常时资源清理失控问题

asyncio.gather 有一个长期被诟病的问题：当它管理的多个子任务中，有一个抛出异常时，它会立刻取消其余所有任务。问题是，这个“取消”是强制的，不会等待其他任务执行完它们的 async with 上下文管理器或 finally 清理块。结果就是，文件可能没关，数据库连接可能没释放，锁可能没解锁，资源泄漏的风险很高。

而 Python 3.11 新增的 asyncio.TaskGroup 正是为了解决这个问题。它不是一个简单的语法糖，而是一个结构级的保障机制：

• 强制结构化使用：必须用 async with TaskGroup() as tg: 的上下文形式来包裹，且所有子任务只能通过 tg.create_task() 来启动。
• 优雅的取消与清理：当任一任务发生异常时，其他任务会收到取消信号，但 TaskGroup 会等待它们自行完成清理逻辑后，再聚合所有异常。
• 新的异常处理方式：抛出的异常类型是 ExceptionGroup，必须使用新的 except* 语法来捕获，传统的 except 对此无能为力。
• 不保证顺序：它不保证任务结果的返回顺序，所以不要依赖类似 [t1.result(), t2.result()] 的索引对应关系。

别指望单靠升级 Python 就自动提速

最后，必须强调一个核心观点：Python 3.11 的异步优化，并非一次“开箱即用”的全局性能魔法。它更像是一套精密仪器，只有满足特定条件才能高效运转。很多团队升级后测不出性能提升，问题往往出在以下几个方面：

• 压测方式不对路：用 timeit 测量单个 await 语句的耗时意义不大，真正的性能体现是在包含多层 await、IO 操作和 CPU 计算的真实请求链路中。
• 代码写法抵消了优化：比如在同一个 await 位置混合使用了 Future、Task 和自定义协程，直接导致地址缓存优化失效。
• 环境存在干扰项：开启了 -O 优化、连接了调试器、或者使用了尚未适配 3.11 特化路径的旧版异步库（如某些版本的 aiohttp 或 asyncpg）。
• 瓶颈根本不在解释器：如果应用 90% 的时间都在等待数据库响应或网络延迟，那么 Python 解释器本身再快，也对整体延迟影响甚微。

说到底，3.11 的异步改进要真正落地见效，场景需要非常具体：ASGI 应用每秒新建数千个协程、存在大量高频短生命周期的任务、以及 await 链路上的对象类型高度一致。只有当你的应用特征与这些优化点对齐时，升级带来的性能红利才会清晰地显现出来。