🧑💻 面试官：进程、线程和协程，有什么不同？
🙋♂️ 我：进程主要提供资源隔离，线程是进程里的执行单元，协程可以在等待时让出执行机会。
🧑💻 面试官：同时创建一千个协程，是不是就能用上一千个 CPU 核？
🙋♂️ 我：不是。并发任务数量和同时执行计算的核心数量不同。
🧑💻 面试官：下载文件适合协程，那下载完以后做半分钟图片压缩，还放在同一个事件循环里吗？
先判断任务主要在「等」还是在「算」，再看执行环境能否真正并行，以及能否承受共享状态与调度成本。
面试速答（60 秒版）
进程是操作系统中的资源与隔离单位，通常有独立地址空间；同一进程里的线程共享很多资源，各自有执行状态，可以由操作系统调度。
协程则通常由语言运行时或库安排。任务在合适的位置让出执行机会，运行时再继续其他任务，因此等待网络或数据库的场景可以用较低开销管理较多并发。
但并发不等于并行。单线程上的很多协程，不能让纯计算同时跑满多个核心。CPU 密集任务需要结合多进程、可真正并行的线程、原生计算库或独立工作服务选择。
同时，要注意语言差异。例如常见带 GIL 的 CPython，纯 Python 计算使用多线程未必提速；Node.js 也不能因为使用了 async，就自动把重计算移出主线程。
知识点详解：下载和压缩，为什么不能用同一套判断？
进程首先隔开了什么？
假设咱们运行两个文件处理进程。它们通常有各自的地址空间，一个进程不能像访问本地变量一样，直接操作另一个进程的对象。
需要交换任务和结果时，可以通过管道、队列、共享内存等方式。隔离更清楚，但启动、通信和内存都可能有额外成本。操作系统的写时复制等机制也会影响具体开销，不能说每个进程都完整复制一份所有数据。
单个工作进程故障时，可以重启它，但外部文件写入和数据库副作用不会因此自动撤销。进程隔离和业务恢复仍是不同问题。
线程共享数据，为什么更容易出竞争？
同一进程的线程可以直接访问共享对象，因此传递数据比较方便。
但两个线程同时更新同一个计数器或者订单状态，就需要处理竞争。线程各自有栈和执行状态，是否能并行计算还取决于语言运行时、代码与硬件。
因此，线程不是“更轻的进程，所以总是更好”。共享内存省下了某些通信，也增加了同步和错误影响范围。
协程在等网络时，怎样让其他任务继续？
假设下载任务 A 正在等待网络返回，这段时间并没有持续做大量计算。协程可以在等待处挂起，运行时切换去推进 B 的下载。
一个线程于是能够交错管理多个等待中的任务。但它通常不是在 A 正执行任意同步代码时，随时把 A 抢占掉；协作式调度需要合适的让出点。
如果下载结束后，A 在事件循环线程上做半分钟同步压缩，其他协程就可能一起卡住。给函数加 async，并不会自动改变这段计算的执行位置。Python 的协程与任务文档解释了事件循环的协作式运行。
CPU 密集任务，怎样真正利用多个核心？
图片压缩、纯计算或大型解析，需要把计算安排到能并行执行的位置。
带 GIL 的常见 CPython 中，纯 Python 字节码计算不会因为多开线程就线性利用多个核心。可以使用进程池，或者使用会释放 GIL 的原生库。free-threaded 构建的行为又不同，所以要说明实际环境，而不是把“Python 线程不能并行”写成永久规则。Python 线程文档与多进程文档说明了这些区别。
Node.js 中，异步网络 I/O 适合事件驱动，但 JS 重计算可以考虑 Worker Threads 或独立进程。这里不展开不同运行时的内部线程数量，先把“等待不占满计算”和“计算需要执行资源”分清楚。
同一个任务可以混用：下载阶段控制异步并发，压缩阶段交给有界工作池。阶段边界要限制队列，避免下载太快，把待压缩文件堆满内存。
面试官继续追问
协程是不是完全不需要锁？
不是。即使同一线程中的协程，状态读写之间发生挂起，也可能与其他协程交错。
例如先读余额，等待网络，再写回余额，期间另一个任务可能已经修改。还要结合共享资源的实际操作处理并发，不能把单线程当成业务原子性。
工作池开得越大，是不是越快？
不一定。CPU 核心、内存、连接和下游容量都有上限。
过多工作者可能增加切换、争用和排队。测试时要看完成吞吐与尾部延迟，同时检查内存和失败率，而不是只统计任务创建了多少个。
怎么判断任务主要被什么拖慢？
测量计算耗时、外部等待、队列等待和资源使用。CPU 长时间满载与网络等待很长，是两种不同情况。
先定位主要瓶颈，再换并发模型。数据库已经限流时，多加线程或协程通常只会让请求排得更多。
面试速记卡
- 进程：资源隔离，跨进程交换数据需要机制。
- 线程：共享进程资源，需处理同步与运行时限制。
- 协程：在等待点协作调度，适合大量可异步等待的任务。
- 并发与并行：任务交错推进，不等于同时使用多个核心。
- 选择依据：等待、计算、隔离、共享状态与资源上限一起判断。
