协程切换在用户态、线程切换需进内核：协程仅保存局部变量和执行位置，切换耗时纳秒级；线程需保存寄存器、栈指针等完整上下文，耗时微秒级且随数量非线性增长。
协程切换在用户态，线程切换必须进内核
协程每次 await 挂起，只保存局部变量和执行位置（本质是生成器状态），事件循环在用户态直接跳转到下一个就绪协程；而线程调用 socket.recv() 或 time.sleep() 时，会立刻陷入内核态等待，操作系统得保存寄存器、栈指针、页表等完整上下文——这个过程耗时从数百纳秒到微秒级，且随线程数增长非线性飙升。
实操建议：
- 观察现象：用 ps -o pid,vsz,comm -p $(pidof python) 对比内存占用最直观
- 1000个HTTP请求，aiohttp.ClientSession.get() + asyncio.gather() 常驻内存约20–30MB
- 同量请求用 requests.get() + threading.Thread，内存通常超200MB，甚至突破8GB（Linux默认线程栈8MB × 1000）
协程天然规避竞态，线程必须显式加锁
协程跑在单线程里，任意时刻只有一个在执行，counter += 1 这种操作只要不被 await 打断，就是原子的；多线程则天然共享全局变量，但该操作实际是读-改-写三步，不加 threading.Lock 必然出错。
但注意：
- 协程间不自动共享状态。误写 global counter; counter += 1 看似没报错，其实是竞态灾难
- 需要跨 Task 计数/缓存，用 asyncio.Lock 包裹临界区，别碰 threading.Lock（它会阻塞整个事件循环）
- 复杂状态逻辑优先走 asyncio.Queue，生产者-消费者模型比锁更清晰、更易测
协程无GIL争抢，但也不等于“自动并行”
asyncio.run() 启动的是单线程事件循环，绑定在主线程，无法利用多核CPU。这点常被忽略：很多人以为“异步=多核并行”，其实 asyncio 只解决 I/O 等待效率，不解决 CPU 计算瓶颈。
常见错误现象：
- 在协程里写 sum(range(10**7)) 或 re.findall(r'.*', big_text)，整个事件循环卡死，其他所有协程冻结
- 用 time.sleep(1) 代替 await asyncio.sleep(1)，效果等同于上面的 CPU 密集型阻塞
- 实操建议：CPU 密集操作必须扔进线程池——await loop.run_in_executor(None, func, *args)
I/O密集型任务选协程，不是“更高效”，而是资源维度不同
协程能用单线程承载数千并发任务，而多线程一上几百个就可能触发 OSError: can't start new thread 或被 OOM killer 干掉。这不是“更高效”，而是根本不在同一资源维度上竞争。
真正容易被忽略的点：
- 协程调度依赖显式让渡（await），任何依赖执行顺序的逻辑都得显式建模
- await 点就是潜在的状态让渡点，比如 await asyncio.sleep(0) 也会交出控制权
- 如果你混用 threading 和 asyncio（比如在协程里直接调用带锁的同步函数），极易引发死锁或不可预测行为
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！
