题目与范围
Python 3.14 增加了 InterpreterPoolExecutor；每个工作解释器拥有独立 GIL，可以并行执行 Python 代码，但调用和结果要跨越隔离与序列化边界。题目考察并发权衡，分类为 coding。它不保证所有负载都优于进程池或原生扩展。
面试官考察点
应解释解释器隔离、可序列化性、模块与全局状态、初始化器行为、取消和内存成本。区分 CPU 密集 Python 与 I/O 任务，并使用相同负载比较线程、解释器和进程池。还要规划故障隔离和确定性关闭。
先澄清的问题
- 负载是 Python 字节码、释放 GIL 的原生代码，还是 I/O？
- 参数和结果是否易于序列化，是否包含大对象或共享对象？
- 任务是否依赖进程级缓存、开放 socket 或可变模块状态？
- 延迟、吞吐、内存和启动预算是多少？
- 初始化器或工作器失败时如何处理排队任务？
- 部署环境是否兼容 Python 3.14 及其池语义？
30 秒答题框架
“先用线程池、InterpreterPoolExecutor 和进程池做三组对照。解释器能让 Python 字节码跨核运行，但每个工作器隔离，提交的函数、参数和结果需要序列化。任务要足够粗以摊薄开销，在初始化器中建立资源，避免共享可变全局，并定义取消与重启。最终用吞吐、p95、CPU、内存、序列化时间和失败率证据决策。”
分步作答
步骤 1：分类负载
测量 CPU 时间、GIL 争用、原生扩展时间、阻塞 I/O 和任务时长。I/O 或释放 GIL 的库可能适合线程池；解释器针对 Python 层 CPU 并行，进程池仍是隔离与兼容性对照。
步骤 2：设计序列化边界
提交顶层可导入函数和紧凑数据值。避免闭包、开放文件描述符、锁和巨大对象图。若序列化占主导，就批量处理记录，或把不可变数据放到共享外部存储，减少重复复制。
步骤 3：初始化每个解释器的资源
用初始化器导入模块、配置确定性状态，并在该解释器中创建客户端。不能假设模块级单例会在工作器之间共享。诊断中记录池与解释器身份，但不泄露用户数据。
步骤 4：定义失败与取消
把初始化器失败视为池级事件，明确排队任务行为。限制未完成 Future 数量，按任务 ID 传递异常，在批次边界取消工作。重启工作器必须重建解释器本地资源，且不能重复非幂等副作用。
步骤 5：基准与灰度
用相同任务大小和并发度比较线程、解释器和进程池。记录启动、序列化、计算、合并结果时间，以及 RSS、吞吐、p95、异常和关闭时长。先灰度一个负载，保留进程池回退；若隔离或内存成本抹平 CPU 收益就停止。
参考答案
“InterpreterPoolExecutor 适合无法依赖释放 GIL 的原生库、且 CPU 密集的 Python 代码。先证明负载特征，再用相同输入比较线程、解释器和进程。任务跨越序列化边界，应使用可导入函数、紧凑批次、解释器本地初始化和无共享可变全局。定义初始化失败、取消、幂等和关闭行为，再以吞吐、p95、RSS、序列化开销和失败证据决定，并保留进程池回退。”
常见错误
- 假设解释器共享全局 → 状态隔离且初始化重复 → 为每个解释器创建资源。
- 提交极小任务 → 序列化和调度占主导 → 批量工作并测量开销。
- 传入不可序列化对象 → 提交运行时失败 → 使用可导入函数和简单值。
- 用解释器处理 I/O → 复杂度增加却无 CPU 收益 → 先比较线程池。
- 忽略重试副作用 → 重启会重复写入 → 保证幂等或使用外部提交。
- 只测吞吐 → 内存和尾延迟回归被隐藏 → 跟踪 RSS、p95 和关闭。
追问
追问 1：解释器如何实现并行？
每个工作器拥有独立解释器和 GIL，因此 Python 字节码可以跨核执行。工作器不共享普通解释器状态。
追问 2：何时进程池更合适？
当需要更强的地址空间隔离、现有库与进程兼容，或部署语义更简单时，即使进程启动和内存成本更高，也可以选择进程池。
追问 3：模块状态会怎样？
导入和可变模块全局都是解释器本地的。每个工作器都初始化所需状态，不能依赖提交方解释器中的单例。
追问 4：如何选择任务粒度？
增大批次，直到序列化和调度只占运行时间很小部分，再确认批次仍满足延迟、取消和重试要求。