yappi能同时分析多线程和协程，因其核心设计为线程感知：默认为每个threading.thread单独记录调用栈，并自1.4版起原生支持asyncio.task作为“逻辑线程”追踪，通过事件循环钩子与线程本地存储（tls）混合实现，不依赖不可靠的sys.setprofile。
为什么 yappi 能同时分析多线程和协程？
yappi 的核心设计就是线程感知的：它默认为每个 threading.Thread 单独记录调用栈，且从 1.4 版本起原生支持 asyncio 任务（asyncio.Task）作为“逻辑线程”来追踪。它不依赖 CPython 的 sys.setprofile（该函数在协程中行为不可靠），而是通过 asyncio 的事件循环钩子 + 线程本地存储（TLS）混合实现。这意味着你无需手动切换模式，只要启动时启用线程和协程支持即可。
常见错误是只调用 yappi.set_clock_type("cpu") 就开始分析，却忘了开启协程支持——结果 async 函数全被归到主线程里，调用关系断裂。正确做法是：
yappi.set_clock_type("cpu")
yappi.set_thread_filter(True) # 必须显式开启线程过滤
yappi.set_async_filter(True) # 必须显式开启 async 过滤（>=1.4）
yappi.start()
如何区分线程 vs 协程的统计结果？
yappi 返回的统计对象（如 yappi.get_thread_stats() 或 yappi.get_func_stats()）都带 name 和 tid 字段，但关键区别在 ctx_id 和 is_async 属性：
-
is_async == True表示该统计项来自asyncio.Task（即使它运行在同一线程上） -
ctx_id是唯一上下文 ID：同一协程任务内所有函数调用共享一个ctx_id；而不同线程或不同 Task 的ctx_id一定不同 -
name对线程是"Thread-1"类，对协程是"Task-0x7f..."或你用asyncio.create_task(..., name="xxx")指定的名字
所以查耗时最高的协程，不能只看 get_thread_stats()，而应：
stats = yappi.get_func_stats(filter={"is_async": True})
for s in stats[:10]:
print(f"{s.name} ({s.ctx_name}) | {s.ttot:.3f}s")
多线程 + asyncio 混合场景下容易漏掉哪些调用？
典型混合场景：主线程跑 asyncio.run()，后台用 threading.Thread 执行阻塞 I/O，再通过 loop.call_soon_threadsafe() 回调到事件循环。这种情况下，yappi 默认不会把线程回调里的函数调用链关联到原始 Task 上——因为跨线程跳转丢失了 ctx_id 上下文。
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
解决方案只有两个：
- 避免在子线程里直接调用
await或创建新 Task；所有异步操作统一走asyncio.to_thread()（Python 3.9+）或loop.run_in_executor()，这样 yappi 能自动延续ctx_id - 若必须手动跨线程回调，在回调函数开头加
yappi.set_context_id(...)，ID 需提前从 Task 中保存（例如用asyncio.current_task().get_coro().__name__辅助标记）
另一个坑：用 concurrent.futures.ThreadPoolExecutor 但没配 max_workers=1，会导致多个线程并发执行相同异步函数，yappi 会把它们记成多个独立 ctx_id，看起来像“同一函数被重复调用多次”，其实只是并发实例。
导出报告时怎么避免协程函数名被截断或混淆？
yappi 默认对协程函数显示为 "coro: myfunc"，但如果函数是装饰器包装过的（比如 @cache 或 @wraps），name 可能变成 "wrapper"，失去原始信息。这时要主动用 yappi.set_func_name_callback() 注册解析逻辑：
def resolve_name(func):
if hasattr(func, "__wrapped__"):
return func.__wrapped__.__name__
if hasattr(func, "cr_frame") and func.cr_frame:
return func.cr_frame.f_code.co_name
return func.__name__
<p>yappi.set_func_name_callback(resolve_name)
</p>
导出 CSV 或调用 stats.save("callgrind.out", type="callgrind") 时，还务必确认 filter 参数没误杀协程数据——比如写了 filter={"name": "myfunc"} 会匹配不到 "coro: myfunc"，得写成 {"name": ".*myfunc.*"} 并设 regex=True。
真正难调试的永远不是怎么开 yappi，而是当 get_func_stats() 显示某协程总耗时 2s，但它的子调用加起来只有 0.3s——这时候大概率是 await 的某个对象（比如 aiohttp.ClientSession）底层用了 C 扩展或线程池，yappi 没法穿透进去，只能看到“挂起”时间。这种 gap 就得结合 strace 或 py-spy 补充验证。
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！
