python并发核心在于区分i/o与cpu密集型任务：threading适用于i/o（如http请求），因gil限制无法加速cpu密集型计算（如sum）；asyncio需正确await协程，避免未执行警告；multiprocessing需注意windows下spawn启动方式及进程间通信问题。
这个标题没有实际技术信息，无法对应到具体问题或知识点。Python 并发系统的学习，关键不在“第几讲”，而在于你当前卡在哪一步：
- 是
threading里共享变量总出错，但又不确定要不要加Lock？ - 是用
asyncio写完发现await没生效，函数还是同步执行？ - 是
multiprocessing启动子进程后，print不输出、日志不落盘、甚至直接卡死？ - 还是看懂了 GIL 的定义，但说不清为什么
requests.get()多线程能提速，而sum(range(10**7))却不能？
为什么 threading 改不了 CPU 密集型任务的性能？
因为 CPython 的 GIL（全局解释器锁）同一时刻只允许一个线程执行 Python 字节码。sum、numpy 纯计算（未释放 GIL 的情形）、加密哈希等操作，多线程不会加速，反而因线程切换增加开销。
- 验证方式：用
time.perf_counter()测单线程 vs 4 线程跑sum(range(10**8))，后者通常更慢 - 真正有效的替代是
multiprocessing或调用已释放 GIL 的库（如numpy的大部分数组运算） -
threading.Thread只适合 I/O 密集场景：HTTP 请求、文件读写、数据库查询
asyncio 报 RuntimeWarning: coroutine 'xxx' was never awaited 怎么办？
这是最常见的误用：把协程对象当普通函数调了，没用 await 或没丢进事件循环。
- 错误写法：
async def fetch(url): return requests.get(url)<br>fetch("https://httpbin.org/get") # ← 忘了 await，返回的是 coroutine 对象，不执行 - 正确写法（在 async 函数内）：
data = await fetch("https://httpbin.org/get") - 正确写法（在同步入口）：
import asyncio<br>asyncio.run(fetch("https://httpbin.org/get")) - 注意：
requests是同步阻塞库，不能直接await；要用aiohttp或httpx.AsyncClient
multiprocessing 子进程不打印、不写日志、主进程就卡住？
常见于 Windows 或使用 spawn 启动方式时，子进程无法继承主进程的标准输出/错误流，且未做显式初始化。
立即学习“Python免费学习笔记（深入）”；
- Windows 默认用
spawn，会重新导入主模块 → 必须用if __name__ == "__main__":包裹Process启动逻辑 - 日志不输出：子进程的
sys.stdout默认不缓冲，但有时被重定向失效；建议用logging并配置handlers到文件，或显式flush=True - 卡住常见原因：
Queue/Pipe读写未配对、子进程抛异常未捕获、忘了.join()或.close() - 调试技巧：子进程中加
print(os.getpid(), "started")，确认是否真启动
GIL 不是“bug”，而是 CPython 内存管理模型的权衡结果；asyncio 不是“高级 threading”，它是完全不同的调度模型；multiprocessing 的通信成本远高于内存共享——这些不是细节，是决定你代码能不能跑通、会不会偶发失败的关键分水岭。
