asyncio重构Flask接口：Web API并发性能从50到1800 QPS的改造记录
一个基于Flask+Requests的聚合查询接口，在8核8G机器上压测QPS仅50，TP99高达480ms。通过引入asyncio+aiohttp替换同步IO，并利用`loop.run_in_executor`保留少量CPU密集计算，最终QPS提升至1850，TP99降至32ms。本文记录完整改造链路，包含asyncio.Semaphore限流、连接池复用、超时控制三个关键动作，并附上wrk压测
小白LinuxLab
Lv.1Developer，关注技术原理与工程落地，主要关注Linux系统，分享云资源实践、自动化运维及真实项目复盘；关注技术选择背后的成本与边界。愿与认真做事的人一起长期成长。
4文章
0粉丝
0关注
0获赞
最新文章
asyncio重构Flask接口：请求耗时从800ms降至150ms
某次压测发现订单查询接口在50并发下P99耗时高达820ms，数据库连接池被打满。改用asyncio + aiohttp + asyncpg重构后，P99降至152ms，吞吐量提升4.7倍。本文记录完整改造过程，包括事件循环策略调整、数据库连接池复用、协程超时控制等关键细节，并附上改造前后的火焰图对比和JMeter压测数据。适合已经掌握asyncio基础语法、但未在真实项目中大规模落地的开发者参考
从入门到实战：2025年AI大模型学习路线与避坑指南
本文基于个人学习与项目落地经验，梳理了从零基础到能独立部署、微调大模型的学习路径。涵盖基础理论、关键框架（PyTorch、Transformers）、实战案例（LoRA微调、RAG搭建）以及常见踩坑点，适合准备入局AI的开发者参考。
深度学习模型部署血泪史：PyTorch转ONNX踩坑与性能优化实录
本文记录了一次将PyTorch语义分割模型转ONNX并在TensorRT上部署的完整过程，详细剖析了动态尺寸、算子兼容、精度对齐等三大典型坑点，并给出可复现的解决方案与性能优化数据，适合有模型部署需求的开发者参考。