关注+星标，每天学习Python新技能

因公众号更改推送规则，请点“在看”并加“星标”第一时间获取精彩技术分享

来源于网络，侵删

Python 3.15 引入了原生的即时编译器（JIT），在部分场景下可带来 20% 甚至更高的性能提升——尽管目前它仍处于实验阶段。

所谓 JIT（Just-In-Time Compilation，即时编译），就是让原本“解释执行”的 Python 代码在运行时动态编译成机器码，从而显著提速。过去，这类能力只能依赖第三方方案，比如 Numba 这样的库，或者使用 PyPy 这类替代性 Python 解释器。

如今，Python 官方终于把 JIT 编译器集成进了主干。虽然早期版本效果有限，但到了 Python 3.15（当前仍处于 alpha 阶段，尚未正式发布），核心开发团队做了大量优化，使得 JIT 在某些计算密集型任务中已经能带来可观的加速。

当然，JIT 的提速效果因 workload 而异：有些程序飞快，有些则几乎没变化。不过好消息是，现在的 JIT 已经足够稳定，开发者完全可以拿来试试水，甚至在可控环境下用于生产测试。

如何启用 Python JIT？

默认情况下，Python 的原生 JIT 是关闭的，毕竟它还是个实验性功能，需要手动开启。

启用方式很简单：设置环境变量 PYTHON_JIT=1。你可以：

• 临时在当前 shell 会话中设置：

  export PYTHON_JIT=1python your_script.py

• 或者直接在命令行前缀启动：

  PYTHON_JIT=1 python your_script.py

Python 启动时会检查 PYTHON_JIT 环境变量：只要值为 1，JIT 就会被激活；否则保持关闭。

虽然你可以把 PYTHON_JIT=1 写进系统环境变量长期生效，但更推荐按需启用——比如只在跑性能敏感任务时临时打开，避免对其他脚本产生意外影响。

如何确认 JIT 是否生效？

从 Python 3.13 开始，标准库的 sys 模块新增了一个内部命名空间：sys._jit。它提供了三个实用函数，返回值都是 True 或 False：

• sys._jit.is_available()：判断当前 Python 构建是否支持 JIT。官方发布的大多数二进制包都包含 JIT 支持，但像“无线程”（freethreading）或“无 GIL”等特殊构建可能不包含。
• sys._jit.is_enabled()：检查 JIT 是否已启用。注意，这仅表示 JIT 功能打开了，并不代表你的代码已经被编译。
• sys._jit.is_active()：尝试判断当前栈顶帧是否正在执行 JIT 编译后的代码。但这个接口不太可靠——你的程序可能不小心进入了“冷路径”（即未被 JIT 优化的代码分支）。因此，最靠谱的方式还是通过实际性能对比来验证效果。

日常使用中，sys._jit.is_enabled() 是最有用的，能快速确认 JIT 是否已成功开启。

JIT 加速效果实测：哪些代码能受益？

由于 JIT 仍处于早期阶段，目前没有公开 API 能告诉你哪段函数被编译了，也无法直接查看优化状态。唯一靠谱的方法就是写 benchmark，对比开启/关闭 JIT 时的运行时间。

✅ 正面案例：Mandelbrot 分形计算

下面这段代码实现了一个简化版的 Mandelbrot 集合渲染：

from time import perf_counterimport sysprint("JIT enabled:", sys._jit.is_enabled())WIDTH = 80HEIGHT = 40X_MIN, X_MAX = -2.0, 1.0Y_MIN, Y_MAX = -1.0, 1.0ITERS = 500YM = (Y_MAX - Y_MIN)XM = (X_MAX - X_MIN)defiter_(c):    z = 0jfor _ in range(ITERS):if abs(z) > 2.0:returnFalse        z = z ** 2 + creturnTruedefgenerate():    start = perf_counter()    output = []for y in range(HEIGHT):        cy = Y_MIN + (y / HEIGHT) * YMfor x in range(WIDTH):            cx = X_MIN + (x / WIDTH) * XM            c = complex(cx, cy)            output.append("*"if iter_(c) else".")        output.append("\n")    print("Time:", perf_counter() - start)return outputprint("".join(generate()))

运行后，程序会先打印 JIT 状态，再输出 ASCII 分形图和耗时。

实测发现：开启 JIT 后，运行时间稳定减少约 20% 。如果你感觉提速不明显，可以试着调高 ITERS（比如设为 2000），让计算量更大，加速效果就会更突出。

❌ 反面案例：递归斐波那契

再看一个反例——经典的递归斐波那契实现：

import sysprint("JIT enabled:", sys._jit.is_enabled())from time import perf_counterdeffib(n):if n <= 1:return nreturn fib(n-1) + fib(n-2)defmain():    start = perf_counter()    result = fib(36)    print(perf_counter() - start)main()

截至 Python 3.15a3，JIT 对这段代码几乎没有加速效果。

你可能会想：“是不是因为递归太深，JIT 不擅长处理？”但实测表明，即使改成循环版本，性能提升依然微乎其微。这说明当前 JIT 的优化策略对这类算法尚未覆盖，或者触发条件不满足。

使用建议：谨慎尝鲜，切勿冒进

虽然 JIT 很有潜力，但它仍是实验性功能。对待它的态度，应该和“无线程构建”或“无 GIL 模式”一样：可以测试，但别急着上生产。

你可以：

• 在自己的项目中开启 JIT，看看特定 workload 是否受益；
• 结合 perf_counter() 做 A/B 测试，量化实际收益；
• 关注后续 Python 版本的 JIT 改进。

但务必注意：JIT 的行为在未来版本中可能发生变化。今天跑得快的代码，明天可能变慢；反之亦然。稳定性尚无法保证。

总结

Python 原生 JIT 虽然还在襁褓之中，但已经展现出令人期待的潜力。随着 3.15 及后续版本的演进，我们有望看到更智能的编译策略、更广的适用场景，以及真正“开箱即用”的 Python 性能飞跃。现在，正是参与测试、反馈问题的好时机。

▲点击关注-免费领取