@profile在flask/fastapi中无输出，因其仅在python -m memory_profiler script.py启动时生效，而web服务由uvicorn/gunicorn等启动，不介入该流程；需改用lineprofiler手动注入、事件触发打点及tracemalloc交叉验证。
@profile 在 Flask/FastAPI 里为什么没输出？
因为 @profile 装饰器只在 python -m memory_profiler script.py 启动时生效，而 Web 框架（Flask、FastAPI、Tornado）通常由 uvicorn、gunicorn 或自定义 event loop 启动，-m memory_profiler 根本不介入进程生命周期。
常见错误现象：给路由函数加了 @profile，启动服务后完全没内存报告输出——不是代码写错了，是启动方式不匹配。
- 不要把
@profile写在模块顶层或未被调用的函数上；它只对实际执行的函数起作用 - 若用
gunicorn，必须显式加--include-children参数，否则子 worker 进程不会被追踪 - 推荐改用运行时注入：
LineProfiler实例手动包装 handler，在请求入口处调用lp.enable()/lp.disable() - 避免监控整个 app 实例，只针对具体业务函数（如
handle_upload()、process_websocket_message()）做实例化
长连接服务里 mprof run --interval=0.1 为什么抓不到泄漏？
固定间隔采样对长连接服务基本无效。连接建立后大部分时间空闲，内存增长集中在某次请求处理的几十毫秒内，mprof run --interval=0.1 会均匀撒点，大概率错过峰值，只看到“缓慢爬升”的假象。
真正有效的做法是按事件触发打点：
- 在请求开始前记录
psutil.Process().memory_info().rss，结束后再记一次，差值才是该请求真实内存增量 - 对高频请求（如心跳包），加计数器，每 100 次或每 5 秒 flush 一次内存 delta 到日志文件
- 禁用自动采样，改用
mprof record+ 自定义信号（如kill -USR1 $PID）手动触发快照，便于在疑似泄漏时刻精准抓取 - 配合
gc.get_objects()定期检查可疑类实例数量，例如：[o for o in gc.get_objects() if isinstance(o, MyWebSocketConnection)]，看是否只增不减
Increment 持续为正就一定是内存泄漏？
不是。Python 内存池机制会让小对象反复分配/释放时复用底层内存块，rss 不降，但实际 Python 对象已被 GC 回收；memory_profiler 显示的只是 C 层内存变化，不是 Python 对象生命周期。
必须交叉验证才能下结论：
- 查
gc.garbage是否有残留对象（说明循环引用未被清理） - 用
tracemalloc追踪分配源头：tracemalloc.start(); ...; snapshot = tracemalloc.take_snapshot()，过滤出增长最多的 allocation trace - 用
objgraph查看引用关系：objgraph.show_growth(limit=10)，确认是否有意外强引用滞留 - 特别警惕 GPU 张量（PyTorch/TensorFlow）和协程对象（
asyncio.Task）——它们容易造成静默泄漏，且不参与常规 GC
安装和环境配置最容易踩哪些坑？
装了 memory_profiler 却报 ImportError: No module named memory_profiler 或运行无输出，多数是环境错配。
关键点：
- 用
conda的优先走conda install -c conda-forge memory_profiler，比 pip 更稳 - 多项目务必在 venv 或 conda env 中安装，避免系统级 pip 冲突
-
psutil是可选但强烈建议安装的依赖，能显著提升采样精度（误差从 ±10% 降到 ±2%） - 验证是否生效：终端执行
python -m memory_profiler --help应输出帮助信息 - 别在 IPython/Jupyter 里用
@profile—— 改用%memit魔法命令
长连接场景下最易忽略的是：泄漏往往藏在「连接生命周期」而非单次请求里，比如 WebSocket 连接未正确 close、异步任务未 await 或 cancel、全局缓存未设置 TTL——这些都不会在单个 @profile 函数里暴露，得靠事件驱动打点+对象数量趋势交叉判断。
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！
