Python 3.15 Tachyon 采样分析怎么选：调用栈样本、火焰图与开销边界

排查 Python 服务变慢时，很多人第一反应是给每个函数加计时器。但如果目标只是找出时间主要落在哪条调用栈上，Python 3.15 的 profiling.sampling（Tachyon）更适合先做低侵入观察：它按固定间隔采集栈快照，不改写业务代码，再把样本汇总成统计估计。

想找生产热点，用 sampling；想要精确调用次数、完整跟踪或只差 1%～2% 的微基准结论，就换 tracing 或 timeit。Tachyon 的百分比是样本推算，不是逐次计时。

先按问题选择 sampling 还是 tracing

Tachyon 的核心是“定期拍照”：某个函数在大量样本里反复出现，说明它很可能占用了较多运行时间。它从目标进程外部读取调用栈，不要求重启或修改源代码，这也是它适合先观察线上服务的原因。

这个结论有两个边界。第一，运行不到一秒的小脚本可能积累不了足够样本；第二，采样不能给出精确调用次数。要回答“函数究竟调用了几次”，使用 profiling.tracing；要比较只差 1%～2% 的两个实现，使用 timeit 或 tracing。这里先别把“几乎没有目标进程开销”误解成“结果绝对精确”，统计噪声仍然存在。

用 run、attach、dump 和 replay 对齐数据入口

四个命令对应四种入口，先选入口再选输出，排查会清楚很多：

run --flamegraph -o profile.html app.py 会生成自包含 HTML；如果想把采样和分析拆开，可以先用二进制输出保存 profile.bin，之后用 replay 转为 pstats、flamegraph 或 heatmap。这样同一份采样数据可以换几种视角，不必重新观察目标进程。

采样率、持续时间和线程范围怎么一起决定样本质量

默认配置通常足以定位明显热点。需要更细的时间窗口时提高 --sampling-rate，需要观察长驻进程时用 --duration 限制窗口；两者共同决定样本数量。示例：

python -m profiling.sampling run -d 60 -r 20khz app.py
python -m profiling.sampling run --all-threads --flamegraph -o profile.html app.py

--all-threads 会把线程池等主线程之外的工作纳入观察。--native 用于把非 Python 代码的原生帧显式呈现；默认情况下，这些时间会归到调用者。遇到生成器或协程频繁切换、非阻塞读取偶尔出现不一致栈时，才考虑 --blocking，因为它会在每次采样时暂停目标进程，换取更一致的快照。

用 pstats 和 flamegraph 做结果复核

pstats 是快速检查表，适合先确认哪些函数出现在热点区域；flamegraph 用嵌套矩形展示调用栈，适合沿着一条路径继续展开。两者展示的是同一类采样事实，不要把图形宽度或单次百分比当作精密基准。

复核时先看整体模式，再看样本量和采样效率。连续两次结果有小幅波动是正常的；短函数可能恰好错过采样，短脚本也可能没有足够样本。若要使用 --opcodes 看字节码指令，还要确认 profiler 与目标进程使用相同的 Python 小版本；预发布版本则必须是完全相同的版本。

相关问题

Tachyon 能给出函数的精确调用次数吗？

不能。它用调用栈样本估算出现频率，需要精确计数时使用 tracing。

为什么火焰图每次百分比会有变化？

采样是统计方法，样本窗口和调度会带来轻微波动，优先判断整体热点是否稳定。

生产进程一定要重启才能采样吗？

不需要。对已有 PID 使用 attach，但读取进程内存通常需要操作系统授予相应权限。