-
Python协程依赖事件循环实现协作式调度，通过async/await语法定义和控制协程的挂起与恢复；调用async函数返回协程对象，需封装为任务（Task）并注册到事件循环；事件循环维护就绪与等待队列，当协程遇到await时主动让出CPU，执行权交还事件循环，后者从就绪队列中选取下一个任务执行；IO完成或定时器到期等事件通过回调机制通知事件循环唤醒对应协程；调度基于单线程协作原则，不保证公平性，长时间不await的协程可能阻塞其他任务，因此需避免CPU密集型操作；多核并行需结合进程池或线程池处理阻塞任务
-
Python自动监控系统以“轻量、可控、可扩展”为核心，通过atexit/try-except实现单次脚本异常报警，psutil检查守护进程健康，支持邮件、钉钉、本地日志三种简易通知方式。
-
使用round()函数在循环中对每个数字保留两位小数后再求和是推荐做法，如：numbers=[3.14159,2.71828,1.41421,0.57721]，total=0，fornuminnumbers:total+=round(num,2)，最终输出8.85；若用f-string或format()需转回float，等价但不简洁；可结合sum()与生成器表达式写为sum(round(x,2)forxinnumbers)；注意格式化字符串不参与计算，金融场景建议用decimal模块避免浮点误差。
-
threading.Event是Python中用于线程同步的标志机制，通过set()触发、clear()重置、wait()阻塞等待，实现线程间的启动控制与状态协调。
-
PythonKafka实时流处理核心是Producer可靠发送与Consumer稳定消费：需确保连接配置正确、序列化/反序列化一致、主题存在、偏移量精准管理，并通过容错机制保障稳定性。
-
Python变量赋值无需声明类型，通过“=”将变量名绑定到对象，实现动态类型和引用机制，支持多重赋值与灵活命名，提升开发效率但需注意可变对象的共享副作用。
-
asyncio通过单线程事件循环调度协程实现并发，任务（Task）是调度基本单位，需主动await让出控制权；应使用create_task并行启动任务，避免直接await导致串行阻塞。
-
Python中split()方法用于按分隔符拆分字符串，返回列表。默认不指定分隔符时，按任意空白字符分割并忽略首尾空白及连续空白；指定分隔符时则严格按该字符分割，可能产生空字符串；通过maxsplit参数可限制分割次数，避免过度拆分；若需去除结果中的空字符串，可用列表推导式过滤。
-
Python进程间通信主要有四种方式：1.multiprocessing.Queue支持多生产者和消费者，适合消息传递；2.multiprocessing.Pipe提供双向通道，适用于两个进程间高效通信；3.Value和Array通过共享内存共享基本类型数据，效率高但需注意同步；4.Manager支持列表、字典等复杂对象共享，灵活性好但性能较低。根据需求选择：频繁消息传递用Queue，点对点用Pipe，基础数据用Value/Array，复杂结构用Manager。
-
小米造车后的下一个战略方向是人形机器人，雷军称“未来5年小米工厂要被人形机器人占领，家庭才是终极战场”，并已提前布局，如引进前特斯拉Optimus灵巧手负责人卢泽宇。
-
大模型上下文管理指在有限token窗口内策略性组织、筛选、压缩和调度信息。包括语义分块（按标题/函数/句子边界）、动态检索注入（RAG）、滑动窗口与摘要缓存协同，以及关键实体索引。
-
FastAPI适合轻量高性能API微服务，Django适合需内置功能的中型微服务；前者强调异步、自动文档与低耦合，后者侧重全栈集成与快速开发，实践中可混合使用。
-
Python采集并发控制的核心是平衡稳定与守规，需兼顾目标站承受力、本机资源上限及并发模型差异，用Semaphore限流、随机sleep节制频率，并配置超时重试与错误隔离。
-
Docker通过镜像封装代码、依赖、环境实现“一次构建，到处运行”，解决Python项目部署时的环境不一致问题；关键在于合理编写Dockerfile、区分开发与生产运行方式，并配置健康检查与资源限制。
-
Python中无法强制终止线程，推荐使用标志位或Event事件实现协作式停止。例如通过设置布尔变量或threading.Event通知线程退出，避免资源泄漏；若需强制终止，可改用multiprocessing.Process及其terminate()方法。
