Python 3.13 的 Experimental JIT 仅在运行时对内存中满足条件的纯 Python 函数动态编译为机器码，不参与包安装、构建或分发，不落地磁盘，不跨进程复用，且仅限 x86-64 平台生效。
Python 3.13 的 Experimental JIT 不会编译包，也不会影响包的安装、构建或分发过程——它只在运行时对满足条件的函数做动态机器码替换。
jit 编译发生在 import 之后，与 pip install 无关
JIT 编译器不介入 pip install、setup.py 或 pyproject.toml 构建流程。它完全不读取源码文件或 wheel 包结构，只监控已加载进内存的函数对象的执行行为。一个包是否被“编译”，取决于它内部是否有函数被反复调用超过阈值（默认 50 次），而不是它怎么被打包或安装的。
-
pip install numpy后，np.array()不会被 JIT 编译——因为它是 C 扩展，字节码极少 -
pip install mypackage后，如果mypackage.calc()是纯 Python 循环且被调用 51 次，才可能触发 JIT - 打包工具（如
build、setuptools）完全感知不到 JIT 存在
为什么有人觉得“包被编译了”？
常见误解来自两类现象：
- 误把
.pyc字节码缓存当 JIT 编译结果：JIT 生成的机器码不落地到磁盘，也不写入__pycache__，它只驻留在进程内存中 - 看到
import耗时变长：首次导入含热点函数的模块时，JIT 还没启动；但后续调用触发编译，可能让开发者误以为“导入阶段做了什么” - 混淆
--with-jit编译选项：这是构建 CPython 解释器时的配置，影响的是解释器本身能否启用 JIT，和第三方包无关
真正受影响的包场景只有两种
不是所有包都会受益，只有极少数满足全部条件的包内函数才可能被 JIT 处理：
立即学习“Python免费学习笔记（深入）”；
- 函数必须是纯 Python 实现（不含
ctypes、cffi、numpy、math.sqrt()等 C 调用） - 函数不能含
eval()、exec()、getattr(obj, name)这类动态操作（JIT 无法静态分析控制流） - 函数需被同一进程内重复调用 ≥50 次（比如 Web 请求循环中的数据清洗函数）
- 运行平台必须是 x86-64 Linux 或 Windows；ARM64（包括 Apple Silicon）上
sys.jit_status()返回{'enabled': True, 'backend': 'none'}
最易被忽略的一点：JIT 编译结果不会跨进程复用。哪怕你反复运行同一个脚本，每次启动都是全新进程，都要重新触发 50 次调用才能编译——它不是“一次编译，永久生效”的 AOT 工具。
