-
调试时临时验证用print，正式场景必须用logging；print适合开发初期快速探路，logging提供分级、定向、格式化和可维护的日志能力。
-
time.sleep()限流仅适用于单线程脚本，多线程下各线程独立休眠导致QPS失控；ratelimit库默认线程本地计数，需配合锁和全局计数器；异步环境应使用asyncio.Semaphore与后台补令牌任务；生产环境多实例必须用Redis+Lua原子操作，避免超卖。
-
GoogleColab适合数据科学、模型训练和教学演示等场景，开箱即用支持主流框架与GPU/TPU，但会话超时、无法部署服务、文件需挂载Drive保存。
-
真正落地的深度学习训练需确保数据流可控、逻辑可复现、过程可观测、故障可定位；具体包括：1.数据加载用Dataset+DataLoader，增强统一在__getitem__中；2.训练循环手动控制前向/反向/更新；3.保存恢复需涵盖模型、优化器及训练元状态；4.全程监控loss、指标、显存与预测可视化。
-
Pydanticv2中BaseModel必须显式使用Field()声明字段约束（如...、min_length等）才能真正校验；仅靠类型注解或默认值无法触发运行时校验，需配合单元测试验证ValidationError。
-
Python性能测试需明确目标、选对工具、控制干扰、正确解读：用timeit测小段代码，pytest-benchmark做函数对比，cProfile定位热点，memory_profiler查内存，并隔离环境、禁用GC、多次运行取中位数。
-
Python依赖冲突本质是不同包要求同一依赖的不同版本，需用pipdeptree或pip-check定位冲突、理解~=、^等版本约束符号含义，并在CI中加入pipcheck早暴露问题。
-
isort通过内置第三方包名列表（如requests、numpy）匹配导入路径前缀识别第三方库，未收录的新包默认归为LOCALFOLDER；需在pyproject.toml中正确配置known_third_party数组和sections顺序，且确保项目根目录运行以避免相对导入误判。
-
Transformer特别适合摘要任务，因其自注意力机制可全局建模词间关系，解决RNN长程衰减问题，精准捕捉转折、因果等语义结构，配合编码器-解码器架构与匹配预训练目标（如BART去噪、T5文本到文本）显著提升生成质量。
-
绕过搜狗微信搜索反爬需模拟真实浏览器行为：携带有效User-Agent、Cookie（SUID/SUV），URL编码关键词，用Playwright/Selenium执行JS渲染，并正确处理分页参数。
-
Python多进程在Windows和Linux/macOS上行为差异显著，核心在于进程创建机制不同：Windows用spawn，类Unix系统默认用fork。这直接影响代码结构、性能、资源初始化逻辑和错误表现。启动方法决定入口保护要求Windows不支持fork，必须通过spawn方式新建进程——即重新导入主模块、执行新入口。若未加保护，子进程会重复运行主程序逻辑（如再次调用Process()或Pool()），导致无限递归创建进程、报错或卡死。所有使用multiprocessing的脚本，W
-
Python中HTTP/2需用httpx（推荐）或hyper，requests不支持；HTTP/3仅httpx异步实验性支持，依赖UDP且易fallback，当前生产环境基本无需优先考虑。
-
错误码应使用带前缀的字符串枚举而非数字，如"auth_token_expired"，以提升可读性、可搜索性和版本可控性，并避免歧义与硬编码问题。
-
Python对象引用循环指多个对象互相持有对方引用致引用计数无法归零，如父子节点互引；容器自引用、闭包嵌套、自定义__del__方法及弱引用使用不当均会加剧该问题，weakref可主动避免。
-
Python中gRPC未必比REST快，实际瓶颈常在业务逻辑、数据库I/O或连接管理；protobuf序列化优势被GIL和C扩展开销削弱，性能差异仅10%–20%。
