Python 3.15 预览版 JIT：别只看开关，要会测热路径

2026-07-01 20 预计阅读时间: 1 分钟
来源: realpython.com AI 摘要 Original link

Disclaimer: This article is an AI-assisted summary. Read it together with the original source when precision matters. The summary may omit context, version differences, or edge cases and is not official documentation.

预计阅读时间：8 分钟

Python 3.15 预览版继续把 JIT 编译器推向更实用的方向：不只是“能打开”，而是围绕热点代码、优化器升级和基准测试形成一套可验证的工作流。对日常写 Python 的开发者来说，关键问题不是“JIT 会不会让所有代码变快”，而是“我的这段代码有没有被 JIT 命中，收益是否大于额外复杂度”。

下面用一个可复制的小实验，把启用、确认、基准测试和判断边界串起来。

JIT 在 Python 3.15 里解决的不是所有慢

JIT，或者即时编译，通常会盯住反复执行的热点路径，把解释执行中的一部分工作转成更直接的机器码执行。Python 3.15 预览版的重点在于升级这条链路里的优化器，让符合条件的代码更容易从热点识别和优化中受益。

但它不是万能按钮：

  • I/O 密集型代码，例如网络请求、数据库访问、文件读写，通常瓶颈不在解释器。
  • 大量调用 C 扩展的代码，例如 NumPy 里的向量化计算，主要时间可能已经在 C 层。
  • 一次性脚本、短生命周期 CLI，可能还没“热”起来就结束了。
  • 动态特性极重的代码，例如频繁改变对象结构、猴子补丁、复杂反射，可能让优化器更难稳定工作。

因此，打开 JIT 之前先找热点；打开之后用基准测试说话。

先确认你的解释器真的支持 JIT

预览版和不同构建方式可能暴露不同能力。可以先用下面的命令检查当前 Python 是否带有 JIT 相关接口。把 python3.15 替换成你的实际可执行文件名。

python3.15 -VV
python3.15 -c "import sys; print('has sys._jit:', hasattr(sys, '_jit')); print(dir(sys._jit) if hasattr(sys, '_jit') else 'JIT API not available in this build')"

如果构建支持 JIT，通常还可以检查可用状态和启用状态。下面这段代码做了防御式处理：即使当前构建没有 sys._jit，也不会报错。

python3.15 - <<'PY'
import sys

jit = getattr(sys, "_jit", None)
if jit is None:
    print("This Python build does not expose sys._jit")
else:
    for name in ("is_available", "is_enabled", "is_active"):
        fn = getattr(jit, name, None)
        if callable(fn):
            print(f"{name}: {fn()}")
        else:
            print(f"{name}: not exposed")
PY

如果你的预览版支持通过环境变量控制 JIT，可以这样实践：

PYTHON_JIT=0 python3.15 -c "import sys; print(getattr(getattr(sys, '_jit', None), 'is_enabled', lambda: 'n/a')())"
PYTHON_JIT=1 python3.15 -c "import sys; print(getattr(getattr(sys, '_jit', None), 'is_enabled', lambda: 'n/a')())"

注意：具体开关名称和可用性取决于你安装的 3.15 预览构建。遇到不一致时，以本地 python3.15 -h、python3.15 -X help 或构建说明为准。

用 pyperf 测，而不是用感觉测

JIT 的收益往往体现在“重复执行的纯 Python 热路径”。下面准备一个简单的素数计数函数，刻意让它有循环、分支和整数运算，便于观察解释器层面的变化。

新建 bench_jit.py：

# bench_jit.py
from __future__ import annotations


def count_primes(limit: int) -> int:
    count = 0
    for n in range(2, limit):
        is_prime = True
        d = 2
        while d * d <= n:
            if n % d == 0:
                is_prime = False
                break
            d += 1
        if is_prime:
            count += 1
    return count


if __name__ == "__main__":
    print(count_primes(20_000))

先确认脚本能跑：

python3.15 bench_jit.py

安装 pyperf 并分别测试关闭与开启 JIT 的结果：

python3.15 -m pip install pyperf

PYTHON_JIT=0 python3.15 -m pyperf timeit \
  -s "from bench_jit import count_primes" \
  "count_primes(20_000)" \
  -o no_jit.json

PYTHON_JIT=1 python3.15 -m pyperf timeit \
  -s "from bench_jit import count_primes" \
  "count_primes(20_000)" \
  -o with_jit.json

python3.15 -m pyperf compare_to no_jit.json with_jit.json

这组命令有几个好处：

  • pyperf 会做多轮运行，减少单次波动。
  • 结果保存为 JSON，方便在 CI 或不同机器上比较。
  • compare_to 会直接告诉你差异是否明显，而不是只给一堆裸数字。

如果你想看更接近业务的结果，把 count_primes(20_000) 换成自己的热点函数调用。不要拿启动时间、一次性导入、网络请求去代表 JIT 效果，那样很容易测错。

优化器升级意味着什么

Python 3.15 预览版 JIT 的“升级”更值得关注的是优化器，而不是单纯多了一个开关。一个实用的理解方式是：

  • 解释器先观察代码运行情况；
  • 找到足够热、足够稳定的路径；
  • 优化器尝试减少动态语言带来的重复判断和调度成本；
  • JIT 对合适路径生成更快的执行形式。

这也是为什么同一项目里，有的函数明显受益，有的函数几乎没变化。优化器通常喜欢稳定的类型、紧凑的循环、可预测的分支；它不喜欢到处变化的对象形状和难以推断的动态行为。

可以用一个简单清单筛选候选代码：

  • 这个函数是否在一次进程生命周期内执行很多次？
  • CPU profile 里它是否排名靠前？
  • 它是否主要由 Python 循环、整数/字符串/容器操作组成？
  • 输入类型是否相对稳定？
  • 它是否很少被 I/O、锁等待或外部服务调用支配？

满足越多，越值得拿 JIT 试。

落地建议：把 JIT 当成性能实验，而不是默认信仰

对团队来说，Python 3.15 JIT 最合理的引入方式是“可开关、可回滚、可量化”：

  1. 在本地或性能测试环境安装支持 JIT 的 3.15 预览构建。
  2. 用 profiler 找出真实热点，而不是凭经验猜。
  3. 用 PYTHON_JIT=0/1 做 A/B 基准测试。
  4. 记录吞吐、延迟、CPU、内存和尾延迟，而不只看平均耗时。
  5. 在 CI 或性能流水线里保留基准脚本，避免升级解释器后性能悄悄回退。

如果你的服务以 CPU 密集型 Python 逻辑为主，3.15 预览版 JIT 值得尽早实验；如果你的瓶颈在数据库、网络或 C 扩展，JIT 可能只是锦上添花。正确姿势是让数据决定开关，而不是让新特性决定架构。

# Python # 后端

相关推荐