Python协程的核心是事件循环、状态机与上下文切换的协同机制，通过await主动让出控制权实现单线程高并发I/O，适用于API请求、异步Web服务等场景，不适用于CPU密集任务。
Python协程的核心不在语法糖，而在事件循环、状态机和上下文切换的协同机制。理解async/await背后如何让单线程“看起来”并发执行，比记住装饰器或库调用更重要。这一讲聚焦两个支点：一是协程对象如何被调度，二是实际开发中哪些场景必须用协程而非多线程。
协程不是“轻量级线程”，而是可暂停/恢复的函数状态机
当你写async def fetch_data()，Python生成的是一个coroutine对象，它本身不运行，只是封装了函数体、局部变量、当前执行位置（类似程序计数器）和状态（PENDING / RUNNING / DONE）。真正驱动它的是事件循环（如asyncio.run()内部的BaseEventLoop）。
- 每次
await一个可等待对象（Awaitable），协程主动让出控制权，把自身挂起，并把后续逻辑注册为回调或放入就绪队列 - 事件循环轮询I/O完成、定时器触发或任务就绪，再唤醒对应协程，从上次暂停处继续执行
- 没有线程切换开销，也没有锁竞争——因为始终在同一个线程里跑，靠的是“合作式调度”而非操作系统抢占
什么时候该用协程？看I/O是否占主导
协程优势只在高并发I/O密集型场景放大。CPU密集任务用协程反而拖慢（因为无法并行，还多了调度成本）。
win可用的mysql指令skill
下载
安装、修复、更新或打包一个基于 Python 和 PyMySQL 实现的 Windows `mysql` 命令。适用于用户希望在 PowerShell/CMD 中输入 `mysql` 时重定向到 Python 实现、需要交互式输入 MySQL 连接信息、需要同步到当前用户本地 bin 目录，或需要将该能力封装成可公开复用的 Codex skill。
- ✅ 适合：爬虫批量请求API、Web服务处理上千连接（FastAPI/Starlette）、数据库异步查询（aiomysql、asyncpg）
- ❌ 不适合：图像批量缩放、数值模拟、加密解密等纯计算任务（应交给
concurrent.futures.ProcessPoolExecutor） - ⚠️ 混合场景：比如下载+解析JSON，可将下载用
await，解析部分用loop.run_in_executor()扔给线程池，避免阻塞事件循环
一个真实可调试的实战案例：异步限频HTTP客户端
很多API有调用频率限制（如每秒5次）。同步实现容易误超限；用协程+信号量+延迟调度，能精准控速且不阻塞其他请求。
立即学习“Python免费学习笔记（深入）”；
- 用
asyncio.Semaphore(5)控制并发请求数 - 配合
asyncio.sleep(1)在每批请求后强制间隔，比time.sleep()不阻塞整个循环 - 关键细节：不要在协程里调用requests.get()——它是同步阻塞的，必须换用
aiohttp.ClientSession - 调试技巧：加
print(f"[{asyncio.current_task()}] started")观察任务调度顺序，比日志更直观
绕不开的坑：awaitable、coroutine、task、future的区别
初学者常混淆这四个概念，它们是协程调度链上的不同环节：
-
coroutine：由
async def定义，未被调度前只是个对象，需await或asyncio.create_task()才进入执行队列 -
Task：协程的“调度包装”，由事件循环管理生命周期，支持
cancel()、done()等控制 -
Future：低层结果容器，Task继承自Future；一般不用手动创建，但
asyncio.ensure_future()可把协程转成Task/Future统一处理 -
Awaitable：任何能出现在
await右边的对象，包括coroutine、Task、Future，甚至自定义类只要实现__await__方法
