一、异步、同步、伪异步
| 情况 | 调用方式 | 说明 |
|---|---|---|
| 调用异步函数 | 必须用await | result = await async_func() |
| 调用同步函数 | 直接调用，不用await | result = sync_func() |
| 调用同步函数但不阻塞 | 用asyncio.to_thread() | result = await asyncio.to_thread(sync_func) |
1.异步
协程机制：暂停 - 恢复 这个函数在执行等待的时候，资源可以释放给其它操作使用#异步函数执行器asyncio.run（协程对象） async def init_async_milvus(): async_client = AsyncMilvusClient( uri="http://192.168.88.14:19530" ) return async_client # 核心：创建事件循环 → 初始化客户端 → 关闭事件循环 res = asyncio.run(init_async_milvus()) print(res)2.同步
执行任务的时候，必须等这个任务执行完才释放资源，就算等待了，其他人也无法拿到资源3.伪异步
（1）其实还是同步，只是给这个同步单独开了一个线程，
（2） async_search协程在等待similarity_search完成时，会释放事件循环的控制权，让其他协程可以运行。
（3）由于similarity_search是在线程中运行，所以它的阻塞不会影响事件循环。
示例 async def get_vector_store(): """在异步环境中初始化向量存储""" llm_embeddings = DashScopeEmbeddings( model="text-embedding-v4", dashscope_api_key=os.getenv("ali_api_key") ) vector_store = Milvus( embedding_function=llm_embeddings, connection_args={"uri": "http://192.168.88.14:19530"}, collection_name="LangChainCollection" ) return vector_store async def async_search(): """异步相似性搜索""" vector_store = await get_vector_store() # 使用 to_thread 替代 run_in_executor docs = await asyncio.to_thread( vector_store.similarity_search, k=4,query="猫咪", ) return docs # 定义主异步函数 async def main(): # 在异步环境中初始化 # 使用向量存储进行搜索 docs = await async_search() print(docs) # 运行主异步函数 if __name__ == "__main__": asyncio.run(main())
