asyncio无法绕过GIL，CPU密集型任务会阻塞事件循环；须用ProcessPoolExecutor移出主线程执行，否则协程仍同步阻塞。
asyncio 无法绕过 GIL，CPU 密集型任务会阻塞整个事件循环
Python 的 asyncio 是单线程模型，所有协程共享同一个线程和同一个 GIL。当你在协程里执行 sum(range(10**8)) 或矩阵乘法这类纯计算操作时，GIL 一直被持有，事件循环完全无法调度其他协程——相当于“假异步”。这不是 asyncio 设计缺陷，而是它压根没打算处理这种场景。
time.sleep() 和 CPU 计算在 asyncio 中的阻塞效果完全不同
初学者常误以为“只要用了 await 就不会卡”，但关键区别在于：
-
await asyncio.sleep(1)是协作式挂起，主动让出控制权给事件循环 -
time.sleep(1)或np.dot(A, B)是同步阻塞调用，不释放 GIL，也不通知事件循环
真正可行的解法是把计算移出事件循环
必须用 run_in_executor 委托给线程池或进程池，例如：
import asyncio
from concurrent.futures import ProcessPoolExecutor
import numpy as np
<p>def heavy_computation():
return np.linalg.svd(np.random.rand(2000, 2000))[1].sum()</p><p>async def handler():
loop = asyncio.get_running_loop()</p><h1>注意：CPU 密集型务必用 ProcessPoolExecutor，不是 ThreadPoolExecutor</h1><pre class="brush:php;toolbar:false;">with ProcessPoolExecutor() as pool:
result = await loop.run_in_executor(pool, heavy_computation)
return result
这里有两个易错点：
- 用
ThreadPoolExecutor对 CPU 密集型任务无效（仍受 GIL 限制） - 忘记
await或漏掉loop.run_in_executor包裹，导致直接同步执行
科学计算库本身是否支持异步，决定了你能不能“真异步”
像 numpy、scipy、numba 这些主流科学计算库，底层都是 C/Fortran 实现，调用时不释放 GIL——除非显式标注 nogil=True 并配合 prange 等机制。而目前绝大多数数值函数都没有异步接口。这意味着：
- 你不能对
scipy.optimize.minimize直接加async - 也不能对
torch.matmul（CPU 后端）直接await - GPU 加速（如 CUDA）虽能绕过 GIL，但需要手动管理流与同步，不属于 asyncio 职责范围
实际部署时最容易被忽略的一点：即使你正确用了 ProcessPoolExecutor，如果计算任务太小（比如每次只算几毫秒），进程创建/通信开销反而比计算本身还大——这时不如老老实实用多进程预热+队列缓冲。
立即学习“Python免费学习笔记（深入）”；
