asyncio.run()在flask/fastapi/jupyter中报错，因这些环境已启动事件循环，嵌套调用被python禁止；应改用await、create_task或gather等适配方案。
asyncio 本身不提升性能，它只帮你把已有的 IO 等待时间“腾出来”干别的事；用错地方反而更慢，比如在 CPU 密集任务里硬套 await。
为什么 asyncio.run() 在 Flask/FastAPI/Jupyter 里会报错
常见错误信息：RuntimeError: asyncio.run() cannot be called from a running event loop。因为 Flask（通过 Werkzeug）、FastAPI、Jupyter kernel 这些环境启动时已经自己调起了一个事件循环，你再调 asyncio.run() 就等于试图嵌套启动——Python 明确禁止。
- Web 框架中：直接写
async def路由函数（FastAPI 原生支持；Flask 需搭配flask-async或手动用asyncio.get_running_loop().create_task()） - Jupyter 中：别用
asyncio.run()，直接await main()（前提是 kernel 是 async-aware 的，如 IPython ≥8.0） - 命令行脚本：放心用
asyncio.run(main())，这是唯一推荐入口
哪些操作必须换异步库，否则就是伪异步
写了 async def 却还用同步阻塞调用，协程会在那卡死，整个事件循环被拖住。典型“假异步”行为：
- 网络请求：禁用
requests.get()，改用aiohttp.ClientSession或httpx.AsyncClient - 文件读写：禁用内置
open()，改用aiofiles.open() - 数据库：禁用
pymysql/psycopg2，改用asyncpg（PostgreSQL）、aiomysql（MySQL）或tortoise-orm - 延迟等待：禁用
time.sleep(1)，必须用await asyncio.sleep(1)
想包装同步函数？只能走 loop.run_in_executor()，但要注意线程池默认大小是 min(32, os.cpu_count() + 4)，高并发下容易打满，需显式传入自定义 concurrent.futures.ThreadPoolExecutor。
gather vs create_task：并发控制的关键分水岭
两者都并发执行，但调度时机和错误传播完全不同，选错会导致任务漏执行、异常吞没或意外串行。
- 全量依赖、等全部完成才继续：用
await asyncio.gather(task1(), task2(), task3())；任一失败，整个gather抛异常 - 需要提前启动、中间穿插其他逻辑、或想单独处理每个任务结果：用
task = asyncio.create_task(task1())，之后await task或与其他任务组合 - 想忽略某个任务失败？加参数
return_exceptions=True，否则第一个异常就中断全部 - 切记：不要在 for 循环里反复
create_task()却不await或收集——任务对象不会自动销毁，内存持续增长，异常也无法捕获
真正影响吞吐的不是协程数量，而是最慢的那个 IO
如果你调用的下游服务 P99 延迟是 5 秒，哪怕你开了 10000 个协程、用了 uvloop、禁用了 GC，单个请求也绝不可能快于 5 秒。优化要从链路最慢环节入手：
- 加连接池限制（如
aiohttp.TCPConnector(limit=100)），避免瞬时打爆目标服务或触发限流 - 设超时（
timeout=aiohttp.ClientTimeout(total=10)），防止一个慢请求拖垮整批 - 生产必须用
uvloop：只需两行 ——import uvloop+asyncio.set_event_loop_policy(uvloop.EventLoopPolicy())，实测提升 2–4 倍调度效率 - 系统级调优不能少：
ulimit -n 1048576防EMFILE，否则连不上就谈不上并发
最容易被忽略的是：asyncio 的“快”，永远建立在 IO 真正可异步的前提下；一旦混入同步调用、CPU 密集计算或未设限的并发冲击，它立刻退化成比线程池还难 debug 的黑盒。
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！
