asyncio适合I/O密集型任务，CPU密集型需用to_thread或multiprocessing；ThreadPoolExecutor适合轻量I/O，ProcessPoolExecutor适合独立CPU计算；celery解决分布式可靠性问题，非简单多进程替代。
asyncio 适合 I/O 密集型，但别在 CPU 密集任务里硬上
asyncio 不是万能并发解药，它靠事件循环和协程切换实现“单线程高并发”，前提是任务大部分时间在等网络、磁盘或数据库响应。一旦你塞进去一个 time.sleep(10) 或者跑 np.linalg.svd() 这类纯计算，整个事件循环就卡住，其他协程全得干等。
实操建议：
- 用
asyncio.to_thread()（Python 3.9+）把 CPU 密集操作丢进线程池，避免阻塞事件循环 - 真要大量计算，优先考虑
multiprocessing，而不是给 asyncio 套壳 - 检查第三方库是否真正支持 async——比如
aiohttp是异步的，但requests不是，混用会直接退化成同步
concurrent.futures.ThreadPoolExecutor 和 ProcessPoolExecutor 的边界在哪
这两个类看着像“多线程/多进程快捷入口”，但选错就白忙活。根本区别不在“线程 vs 进程”，而在“任务类型”和“数据共享成本”。
常见错误现象：ProcessPoolExecutor 启动慢、内存暴涨，或者传入不可序列化的对象（比如带 lambda 或闭包的函数），直接报 PicklingError。
实操建议：
- I/O 密集 + 轻量级任务（如发 HTTP 请求、读小文件）→
ThreadPoolExecutor，开销小、启动快 - CPU 密集 + 独立计算（如图像处理、数值模拟）→
ProcessPoolExecutor，但函数必须定义在模块顶层，参数必须可 pickle - 别在
ProcessPoolExecutor里传大数组——默认用 pickle 序列化，比共享内存还慢；改用multiprocessing.shared_memory（Python 3.8+）或numpy.memmap
celery 不是“更高级的 multiprocessing”，它解决的是分布式与可靠性问题
很多人把 celery 当作“加强版多进程”，结果本地跑着好好的，一上生产就卡在 broker 连接、task 丢失、结果取不到。celery 的核心价值不是并发本身，而是：任务持久化、失败重试、跨机器分发、状态追踪。
使用场景明确：需要定时调度（beat）、任务可能运行数分钟以上、失败后必须重试、或者 worker 分布在不同服务器上。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
实操建议：
- 开发阶段别用 Redis 当 broker —— 它不保证消息不丢；至少换成
redis://...?socket_keepalive=True，或直接上 RabbitMQ -
@app.task(bind=True)才能访问self.retry()和self.request，没 bind 就只能抛异常重试，没法控制延迟和次数 - 返回值别传大对象；celery 默认用 pickle 序列化 result，超限会静默失败；设
result_serializer='json'更安全，但得自己确保返回值是基本类型
poetry + task runner（如 doit / invoke）不是多任务框架，但常被误当起点
很多项目一上来就配 pyproject.toml 里的 [tool.poetry.scripts] 或写一堆 invoke 任务，以为这就是“多任务管理”。其实这只是命令编排，没有并发控制、依赖调度、资源隔离这些关键能力。
容易踩的坑：并行执行多个 poetry run pytest，结果测试数据库被多个进程同时清空；或者 invoke build && invoke deploy 写成 shell 脚本，却没加锁，CI 上两个 pipeline 同时 deploy 同一环境。
实操建议：
- 纯本地自动化 → 用
doit，它有显式依赖声明（file_dep、task_dep）和并发控制（-n 4） - 需要和 Python 代码深度集成（比如动态生成 task）→ 直接用
asyncio.gather()或concurrent.futures，别绕一圈封装成 CLI - 如果只是想“一键跑测试+打包+推送镜像”，老老实实用 Makefile，清晰、无依赖、CI 兼容性最好
真正难的从来不是选哪个框架，而是判断任务有没有状态、要不要恢复、是否允许部分失败、以及谁来负责清理临时文件或释放连接。这些细节不会出现在 benchmark 图表里，但上线第一天就会跳出来。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
