Python并发调试需聚焦行为可观测性：通过threading.settrace和自定义EventLoopPolicy埋点，统一日志上下文；用延迟注入、状态断言、多轮压力测试复现竞态；结合tracemalloc与线程/任务枚举定位泄漏与僵尸实体；必要时用ProcessPoolExecutor隔离GIL干扰。
Python并发程序出问题，往往不是报错就完事，而是卡死、结果错乱、资源竞争、状态不一致——这些现象背后，真正难的是定位“谁在什么时候改了什么”。调试的关键不是加print，而是让并发行为变得可观察、可追踪、可重现。
用threading.settrace + asyncio.set_event_loop_policy做轻量级行为埋点
标准debugger（如pdb）在多线程/协程中容易失焦。更有效的方式是在关键位置注入上下文快照：
- 对threading：用threading.settrace为每个线程绑定一个trace函数，记录函数入口、变量读写、锁获取/释放时刻，并打上thread_id + timestamp
- 对asyncio：配合asyncio.set_event_loop_policy自定义EventLoopPolicy，在task创建/完成/异常时记录coro name、parent task、stack depth
- 所有日志统一走logging.getLogger("concurrent")，并配置formatter包含%(threadName)s和%(funcName)s，避免混杂
复现竞态条件的三步法：延迟注入 + 状态断言 + 循环压力
竞态问题常因执行顺序偶然而难以复现。别靠运气，主动制造敏感窗口：
- 在共享变量读写前后插入time.sleep(0.001 * random.random())（仅开发环境），放大时序差异
- 对关键状态（如计数器、标志位）添加assert检查，失败时自动dump当前所有活跃线程/任务的堆栈（用sys._current_frames()）
- 用pytest -xvs --tb=short -n 4并行跑100次测试，配合--randomly-seed固定随机性，快速暴露非确定性缺陷
可视化线程/协程生命周期：用tracemalloc + threading.enumerate()抓内存+执行流双线索
内存泄漏常与并发逻辑耦合（如闭包持有了不该持有的大对象、回调未清理）。单看内存不够，要结合执行路径：
立即学习“Python免费学习笔记（深入）”；
- 启动时启用tracemalloc.start(25)，在疑似泄露点调用tracemalloc.get_traced_memory()，再用tracemalloc.take_snapshot()比对
- 定期打印[(t.name, t.is_alive(), t.ident) for t in threading.enumerate()]，识别僵尸线程或意外存活的worker
- 对asyncio，用asyncio.all_tasks()过滤pending/cancelled状态，重点检查task.get_coro().__code__.co_filename是否指向你预期的模块
用concurrent.futures.ProcessPoolExecutor隔离调试，快速排除GIL干扰
当不确定是逻辑错误还是GIL导致的假死/慢响应，把可疑函数抽到子进程运行：
- 用ProcessPoolExecutor(max_workers=1)包装待测函数，强制脱离主线程GIL上下文
- 如果子进程版本表现正常，说明原问题大概率与线程间共享状态（如全局dict、类变量）或锁粒度有关
- 注意：传参必须可序列化，返回值同理；可用cloudpickle临时替代pickle支持lambda/嵌套函数
