深入解析Python并发编程的多线程和异步编程

本文分享自华为云社区《Python并发编程探秘:多线程与异步编程的深入解析》,作者:柠檬味拥抱。

在Python编程中,多线程是一种常用的并发编程方式,它可以有效地提高程序的执行效率,特别是在处理I/O密集型任务时。Python提供了threading模块,使得多线程编程变得相对简单。本文将深入探讨threading模块的基础知识,并通过实例演示多线程的应用。

cke_136.png

1. 多线程基础概念

在开始之前,让我们先了解一些多线程编程的基本概念:

  • 线程(Thread):是操作系统能够进行运算调度的最小单位,通常在一个进程内部。
  • 多线程(Multithreading):是指在同一程序中同时运行多个线程。
  • GIL(Global Interpreter Lock):Python解释器的全局解释器锁,限制同一时刻只能有一个线程执行Python字节码,因此在CPU密集型任务中,多线程并不能充分利用多核处理器。

2. threading模块基础

threading模块提供了创建和管理线程的工具。以下是一些常用的threading模块中的类和函数:

  • Thread类:用于创建线程的类,通过继承Thread类并实现run方法来定义线程的执行逻辑。
  • start()方法:启动线程。
  • join()方法:等待线程执行结束。
  • active_count()函数:获取当前活动线程的数量。

3. 代码实战:多线程下载图片

下面通过一个实例来演示多线程的应用,我们将使用多线程来下载一系列图片。

import threading

import requests

from queue import Queue

class ImageDownloader:

def __init__(self, urls):

self.urls = urls

self.queue = Queue()

def download_image(self, url):

response = requests.get(url)

if response.status_code == 200:

filename = url.split("/")[-1]

with open(filename, "wb") as f:

f.write(response.content)

print(f"Downloaded: {filename}")

def worker(self):

while True:

url = self.queue.get()

if url is None:

break

self.download_image(url)

self.queue.task_done()

def start_threads(self, num_threads=5):

threads = []

for _ in range(num_threads):

thread = threading.Thread(target=self.worker)

thread.start()

threads.append(thread)

for url in self.urls:

self.queue.put(url)

self.queue.join()

for _ in range(num_threads):

self.queue.put(None)

for thread in threads:

thread.join()

if __name__ == "__main__":

image_urls = ["url1", "url2", "url3", ...] # 替换为实际图片的URL

downloader = ImageDownloader(image_urls)

downloader.start_threads()

这个例子中,我们创建了一个ImageDownloader类,其中包含了一个worker方法,用于下载图片。通过多线程,我们能够并行地下载多张图片,提高下载效率。

4. 代码解析

  • download_image方法:负责下载图片的具体实现。
  • worker方法:作为线程的执行逻辑,不断从队列中取出待下载的图片URL,并调用download_image方法。
  • start_threads方法:启动指定数量的线程,将图片URL放入队列中,等待所有线程执行完毕。

5. 线程安全与锁机制

在多线程编程中,由于多个线程同时访问共享资源,可能引发竞态条件(Race Condition)。为了避免这种情况,可以使用锁机制来确保在某一时刻只有一个线程能够访问共享资源。

threading模块中提供了Lock类,通过它可以创建一个锁,使用acquire方法获取锁,使用release方法释放锁。下面是一个简单的示例:

import threading

counter = 0

counter_lock = threading.Lock()

def increment_counter():

global counter

for _ in range(1000000):

with counter_lock:

counter += 1

def main():

thread1 = threading.Thread(target=increment_counter)

thread2 = threading.Thread(target=increment_counter)

thread1.start()

thread2.start()

thread1.join()

thread2.join()

print("Counter:", counter)

if __name__ == "__main__":

main()

这个例子中,我们创建了一个全局变量counter,并使用锁确保在两个线程同时修改counter时不会发生竞态条件。

6. 多线程的适用场景

多线程适用于处理I/O密集型任务,如网络请求、文件读写等。在这些场景中,线程可以在等待I/O的过程中让出CPU,让其他线程有机会执行,提高程序整体效率。

然而,在处理CPU密集型任务时,由于Python的GIL,多线程并不能充分利用多核处理器,可能导致性能瓶颈。对于CPU密集型任务,考虑使用多进程编程或其他并发模型。

7. 异常处理与多线程

在多线程编程中,异常的处理可能变得更加复杂。由于每个线程都有自己的执行上下文,异常可能在一个线程中引发,但在另一个线程中被捕获。为了有效地处理异常,我们需要在每个线程中使用合适的异常处理机制。

import threading

def thread_function():

try:

# 一些可能引发异常的操作

result = 10 / 0

except ZeroDivisionError as e:

print(f"Exception in thread: {e}")

if __name__ == "__main__":

thread = threading.Thread(target=thread_function)

thread.start()

thread.join()

print("Main thread continues...")

在这个例子中,线程thread_function中的除法操作可能引发ZeroDivisionError异常。为了捕获并处理这个异常,我们在线程的代码块中使用了try-except语句。

8. 多线程的注意事项

在进行多线程编程时,有一些常见的注意事项需要特别关注:

  • 线程安全性:确保多个线程同时访问共享资源时不会引发数据竞争和不一致性。
  • 死锁:当多个线程相互等待对方释放锁时可能发生死锁,需要谨慎设计和使用锁。
  • GIL限制:Python的全局解释器锁可能限制多线程在CPU密集型任务中的性能提升。
  • 异常处理:需要在每个线程中适当处理异常,以防止异常在一个线程中引发但在其他线程中未被捕获。

9. 多线程的性能优化

在一些情况下,我们可以通过一些技巧来优化多线程程序的性能:

  • 线程池:使用concurrent.futures模块中的ThreadPoolExecutor来创建线程池,提高线程的重用性。
  • 队列:使用队列来协调多个线程之间的工作,实现生产者-消费者模型。
  • 避免GIL限制:对于CPU密集型任务,考虑使用多进程、asyncio等其他并发模型。

10. 面向对象的多线程设计

在实际应用中,我们通常会面对更复杂的问题,需要将多线程和面向对象设计结合起来。以下是一个简单的例子,演示如何使用面向对象的方式来设计多线程程序:

import threading

import time

class WorkerThread(threading.Thread):

def __init__(self, name, delay):

super().__init__()

self.name = name

self.delay = delay

def run(self):

print(f"{self.name} started.")

time.sleep(self.delay)

print(f"{self.name} completed.")

if __name__ == "__main__":

thread1 = WorkerThread("Thread 1", 2)

thread2 = WorkerThread("Thread 2", 1)

thread1.start()

thread2.start()

thread1.join()

thread2.join()

print("Main thread continues...")

在这个例子中,我们创建了一个WorkerThread类,继承自Thread类,并重写了run方法,定义了线程的执行逻辑。每个线程被赋予一个名字和一个延迟时间。

11. 多线程与资源管理器

考虑一个场景,我们需要创建一个资源管理器,负责管理某个资源的分配和释放。这时,我们可以使用多线程来实现资源的异步管理。以下是一个简单的资源管理器的示例:

import threading

import time

class ResourceManager:

def __init__(self, total_resources):

self.total_resources = total_resources

self.available_resources = total_resources

self.lock = threading.Lock()

def allocate(self, request):

with self.lock:

if self.available_resources >= request:

print(f"Allocated {request} resources.")

self.available_resources -= request

else:

print("Insufficient resources.")

def release(self, release):

with self.lock:

self.available_resources += release

print(f"Released {release} resources.")

class UserThread(threading.Thread):

def __init__(self, name, resource_manager, request, release):

super().__init__()

self.name = name

self.resource_manager = resource_manager

self.request = request

self.release = release

def run(self):

print(f"{self.name} started.")

self.resource_manager.allocate(self.request)

time.sleep(1) # Simulate some work with allocated resources

self.resource_manager.release(self.release)

print(f"{self.name} completed.")

if __name__ == "__main__":

manager = ResourceManager(total_resources=5)

user1 = UserThread("User 1", manager, request=3, release=2)

user2 = UserThread("User 2", manager, request=2, release=1)

user1.start()

user2.start()

user1.join()

user2.join()

print("Main thread continues...")

在这个例子中,ResourceManager类负责管理资源的分配和释放,而UserThread类表示一个使用资源的用户线程。通过使用锁,确保资源的安全分配和释放。

12. 多线程的调试与性能分析

在进行多线程编程时,调试和性能分析是不可忽视的重要环节。Python提供了一些工具和技术,帮助我们更好地理解和调试多线程程序。

调试多线程程序
  1. 使用print语句:在适当的位置插入print语句输出关键信息,帮助跟踪程序执行流程。
  2. 日志模块:使用Python的logging模块记录程序运行时的信息,包括线程的启动、结束和关键操作。
  3. pdb调试器:在代码中插入断点,使用Python的内置调试器pdb进行交互式调试。
import pdb

# 在代码中插入断点

pdb.set_trace()

性能分析多线程程序

1.使用timeit模块:通过在代码中嵌入计时代码,使用timeit模块来测量特定操作或函数的执行时间。

import timeit

def my_function():

# 要测试的代码

# 测试函数执行时间

execution_time = timeit.timeit(my_function, number=1)

print(f"Execution time: {execution_time} seconds")

2.使用cProfile模块:cProfile是Python的性能分析工具,可以帮助查看函数调用及执行时间。

import cProfile

def my_function():

# 要测试的代码

# 运行性能分析

cProfile.run("my_function()")

3.使用第三方工具:一些第三方工具,如line_profiler、memory_profiler等,可以提供更详细的性能分析信息,帮助发现性能瓶颈。

# 安装line_profiler

pip install line_profiler

# 使用line_profiler进行性能分析

kernprof -l script.py

python -m line_profiler script.py.lprof

13. 多线程的安全性与风险

尽管多线程编程可以提高程序性能,但同时也带来了一些潜在的安全性问题。以下是一些需要注意的方面:

  1. 线程安全性:确保共享资源的访问是线程安全的,可以通过锁机制、原子操作等手段进行控制。
  2. 死锁:在使用锁的过程中,小心死锁的产生,即多个线程相互等待对方释放资源,导致程序无法继续执行。
  3. 资源泄漏:在多线程编程中,容易出现资源未正确释放的情况,例如线程未正确关闭或锁未正确释放。
  4. GIL限制:在CPU密集型任务中,全局解释器锁(GIL)可能成为性能瓶颈,需谨慎选择多线程或其他并发模型。

14. 探索其他并发模型

虽然多线程是一种常用的并发编程模型,但并不是唯一的选择。Python还提供了其他一些并发模型,包括:

  1. 多进程编程:通过multiprocessing模块实现,每个进程都有独立的解释器和GIL,适用于CPU密集型任务。
  2. 异步编程:通过asyncio模块实现,基于事件循环和协程,适用于I/O密集型任务,能够提高程序的并发性。
  3. 并行计算:使用concurrent.futures模块中的ProcessPoolExecutor和ThreadPoolExecutor,将任务并行执行。

15. 持续学习与实践

多线程编程是一个广阔而复杂的领域,本文只是为你提供了一个入门的指南。持续学习和实践是深入掌握多线程编程的关键。

建议阅读Python官方文档和相关书籍,深入了解threading模块的各种特性和用法。参与开源项目、阅读其他人的源代码,也是提高技能的好方法。

16. 多线程的异步化与协程

在现代编程中,异步编程和协程成为处理高并发场景的重要工具。Python提供了asyncio模块,通过协程实现异步编程。相比于传统多线程,异步编程可以更高效地处理大量I/O密集型任务,而无需创建大量线程。

异步编程基础

异步编程通过使用async和await关键字来定义协程。协程是一种轻量级的线程,可以在运行时暂停和继续执行。

import asyncio

async def my_coroutine():

print("Start coroutine")

await asyncio.sleep(1)

print("Coroutine completed")

async def main():

await asyncio.gather(my_coroutine(), my_coroutine())

if __name__ == "__main__":

asyncio.run(main())

在上述例子中,my_coroutine是一个协程,使用asyncio.sleep模拟异步操作。通过asyncio.gather同时运行多个协程。

异步与多线程的比较

  • 性能: 异步编程相较于多线程,可以更高效地处理大量的I/O密集型任务,因为异步任务在等待I/O时能够让出控制权,不阻塞其他任务的执行。
  • 复杂性: 异步编程相对于多线程来说,编写和理解的难度可能较大,需要熟悉协程的概念和异步编程的模型。
示例:异步下载图片

以下是一个使用异步编程实现图片下载的简单示例:

import asyncio

import aiohttp

async def download_image(session, url):

async with session.get(url) as response:

if response.status == 200:

filename = url.split("/")[-1]

with open(filename, "wb") as f:

f.write(await response.read())

print(f"Downloaded: {filename}")

async def main():

image_urls = ["url1", "url2", "url3", ...] # 替换为实际图片的URL

async with aiohttp.ClientSession() as session:

tasks = [download_image(session, url) for url in image_urls]

await asyncio.gather(*tasks)

if __name__ == "__main__":

asyncio.run(main())

在这个例子中,通过aiohttp库创建异步HTTP请求,asyncio.gather并发执行多个协程。

17. 异步编程的异常处理

在异步编程中,异常的处理方式也有所不同。在协程中,我们通常使用try-except块或者asyncio.ensure_future等方式来处理异常。

import asyncio

async def my_coroutine():

try:

# 异步操作

await asyncio.sleep(1)

raise ValueError("An error occurred")

except ValueError as e:

print(f"Caught an exception: {e}")

async def main():

task = asyncio.ensure_future(my_coroutine())

await asyncio.gather(task)

if __name__ == "__main__":

asyncio.run(main())

在这个例子中,asyncio.ensure_future将协程包装成一个Task对象,通过await asyncio.gather等待任务执行完毕,捕获异常。

18. 异步编程的优势与注意事项

优势
  1. 高并发性: 异步编程适用于大量I/O密集型任务,能够更高效地处理并发请求,提高系统的吞吐量。
  2. 资源效率: 相较于多线程,异步编程通常更节省资源,因为协程是轻量级的,可以在一个线程中运行多个协程。
注意事项
  1. 阻塞操作: 异步编程中,阻塞操作会影响整个事件循环,应尽量避免使用阻塞调用。
  2. 异常处理: 异步编程的异常处理可能更加复杂,需要仔细处理协程中的异常情况。
  3. 适用场景: 异步编程更适用于I/O密集型任务,而不是CPU密集型任务。

19. 探索更多异步编程工具和库

除了asyncio和aiohttp之外,还有一些其他强大的异步编程工具和库:

  • asyncpg: 异步PostgreSQL数据库驱动。
  • aiofiles: 异步文件操作库。
  • aiohttp: 异步HTTP客户端和服务器框架。
  • aiomysql: 异步MySQL数据库驱动。
  • uvloop: 用于替代标准事件循环的高性能事件循环。

20. 持续学习与实践

异步编程是一个广泛且深入的主题,本文只是为你提供了一个简要的介绍。建议深入学习asyncio模块的文档,理解事件循环、协程、异步操作等概念。

同时,通过实际项目的实践,你将更好地理解和掌握异步编程的技术和最佳实践。

总结:

本文深入探讨了Python中的多线程编程和异步编程,涵盖了多线程模块(threading)的基础知识、代码实战,以及异步编程模块(asyncio)的基本概念和使用。我们从多线程的基础,如Thread类、锁机制、线程安全等开始,逐步展示了多线程在实际应用中的应用场景和注意事项。通过一个实例展示了多线程下载图片的过程,强调了线程安全和异常处理的重要性。

随后,本文引入了异步编程的概念,通过协程、async和await关键字,以及asyncio模块的使用,向读者展示了异步编程的基础。通过一个异步下载图片的实例,强调了异步编程在处理I/O密集型任务中的高效性。

文章还对异步编程的异常处理、优势与注意事项进行了详细讨论,同时介绍了一些常用的异步编程工具和库。最后,鼓励读者通过不断学习、实践,深化对多线程和异步编程的理解,提高在并发编程方面的能力。

无论是多线程编程还是异步编程,都是提高程序并发性、性能和响应性的关键技术。通过深入理解这些概念,读者可以更好地应对现代编程中复杂的并发需求,提升自己的编程水平。祝愿读者在多线程和异步编程的学习过程中取得丰硕的成果!

点击关注,第一时间了解华为云新鲜技术~     

相关推荐

鸿蒙案例上新啦 | 购物、听歌、健身:15个模板带你一键激活社交娱乐

页面层级如何组织、跨页共享状态如何同步、列表与详情及个人中心如何形成稳定闭环。鸿蒙开发实践中心将这些高频消费与互动场景沉淀为可参考的标准模板,提供从业务架构到界面实现的快捷实践入口。更多实战案例欢迎前往鸿蒙开发实践中心案例中心查看并开启云端体验。

华为云官方博客 371

鸿蒙案例上新啦 | 出门打车、到家上课:25个模板带你一屏打通日常生活

如何合理拆分页面组件、如何建立单一可信的状态源、如何让用户在每一步操作中都获得明确反馈。鸿蒙开发实践中心以标准化的应用与元服务模板为入口,将清晰的业务架构与可复用的代码结构直观呈现。不妨立即挑选一个感兴趣的方向进入云端环境,从页面布局、组件封装、状态管理到路由组织,亲手跑通你的鸿蒙实战项目。

华为云官方博客 348

LakeAgent:DWS数据仓库的第二大脑,告别 “翻译式运维”,迈入智能自治时代

和普通 SQL 改写工具不同,LakeAgent 自动做多方案代价对比,主动规避负优化陷阱:补充分区键过滤实现剪枝,扫描分区由 37 收敛至 1,执行代价从 758.28 降至 113.74;未来的数据仓库,将不止能算、能存,更能看懂自己、诊断自己、理解自己。长久以来,数仓的智能都依附于人:信号需要人解读,瓶颈需要人研判,经验困在个体里,无法随底座永续生长。CPU 高、CPU 告警、CPU 诊断、CPU 使用率过高、CPU 满。语法、错误码、计费、性能调优、最佳实践、故障处置等全场景内容。

华为云官方博客 571

如何使用RDS Supabase后端BaaS能力:文件存储(File Storage)

• product-images(公开桶,允许公共读取):策略名称"Public read for product-images",允许SELECT,目标角色anon,策略定义bucket_id = 'product-images'。上传/删除需另配INSERT/DELETE策略,详见SQL。• product-specs(私有桶,仅认证用户访问自己的文件夹):建议拆为上传、读取、删除三条策略,策略定义均为 bucket_id = 'product-specs' 且仅限本人文件夹(详见下文 SQL)。

华为云官方博客 496

如何使用RDS Supabase后端BaaS能力:实时订阅与推送(Realtime)

Realtime 把数据库的每次变更同步到客户端:表里增、删、改一行,订阅者无需刷新页面或主动请求即可秒级收到。三大能力各司其职:• Postgres Changes — 监听表的 INSERT/UPDATE/DELETE,变化即通知• Broadcast — 客户端之间直接互发,适合瞬时通知、协同编辑• Presence — 跟踪频道里“谁在线”典型场景有实时数据展示(订单、库存、监控指标即时刷新)、即时通讯(消息收发、在线名单、“对方正在输入”)、协同编辑与实时通知。

华为云官方博客 486

AI Agent如何通过MCP连接到华为云RDS Supabase应用平台

Schema元数据列出所有可访问的表(按schema分组)。Schema元数据列出表的列及元数据(类型/默认值/约束)。Schema元数据列出所有约束(PK/FK/UNIQUE/CHECK/EXCLUDE)。可按schema/表/类型过滤。Schema元数据列出所有外键关系。可按schema/表过滤。Schema元数据列出所有索引及定义和大小。可按schema/表过滤。Schema元数据列出已应用的数据库迁移记录。Schema元数据列出已安装的PostgreSQL扩展。

华为云官方博客 487

华为大数据Flink让每一 CU 算力,跑出开源 5.74 倍的性能

1. 开源Apache Flink 已成为业界流计算事实标准,但在极端重负载场景下存在性能瓶颈。2. 华为大数据Flink通过多项自研深度优化,在执行计划、算子执行、状态存储三个层面构建协同的优化体系。3. Nexmark Benchmark 测试结果:整体性能提升 5.74 倍,极端重负载场景性能领先最高 18.3 倍。4. 100% 兼容 Apache Flink 1.20,业务代码零改造,无缝迁移。

华为云官方博客 393

LakeAgent实战 | 业务分析篇从一句提问到业务分析

本文以“订单金额变化”分析为例,展示LakeAgent如何通过自然语言提问,结合DataArtsStudio的数据资产与专业技能,帮助业务人员快速定位数据、生成SQL、追踪血缘、生成报告。从问题出发,逐步实现数据发现、变化洞察、原因追溯与团队协作,最终形成可复用的分析流程与企业规则,显著提升数据分析效率与一致性。

华为云官方博客 402

华为云RDS Supabase AI应用已开放公测 :30分钟搭建AI应用后端

认证、存储、实时推送、数据库API——4个后端模块,传统开发需要数周。今天,你只需要30分钟。AI创业公司的全栈开发工程师。上周老板说"下周要上线的AI对话应用,后端你来搞"——认证鉴权、数据库接口、文件存储、实时推送,每一个模块都需要数周搭建,而市场不会等你。小张打开华为云RDS Supabase,30分钟搭好认证、数据库API、对象存储,剩下的时间全用来打磨AI交互体验。基于开源Supabase+华为云RDS PostgreSQL全托管能力,为开发者提供。

华为云官方博客 409

如何使用RDS Supabase后端BaaS能力:数据库函数(Database Function)

上一篇介绍了 Database Data API——建表即自动生成增删改查接口,解决单表读写,但聚合统计、跨表事务、字段自动维护等逻辑已超出其能力边界。本篇推进到数据库函数(Database Function):把业务逻辑封装进数据库,前端通过 .rpc() 调用,由触发器自动响应数据变更。上一篇中,小张基于 Data API 完成了产品目录的建表与基础读写。但新需求随之而来:按分类统计产品数与价格区间、上架新品同时写产品表与定价表、产品修改后自动刷新更新时间。

华为云官方博客 473

如何使用RDS Supabase后端BaaS能力:创表即生成API(Database Data API)

认证、存储、实时推送、数据库API——4个后端模块,传统开发要数周。本系列逐个拆解,首篇聚焦数据库API(Database Data API):建表即得 API,无需手写后端。小张,AI创业公司的全栈工程师。老板让他做个产品目录页,展示产品与价格、支持上下架。传统做法要搭后端、写接口、配权限,工期少说1-2周;而在华为云RDS Supabase,建两张表、应用 SDK 直连,几分钟增删改查全跑通。

华为云官方博客 488

从一句话到一个能出去的链接,AI开发者空间做了什么

自行搭建的 Agent、正在使用的开源项目、团队既有的工具,都可以接入,可以通过AI创建或者手动搭建环境;华为云 AI开发者空间——面向开发者的云端一站式开发平台,做的就是把这段路接上:环境免安装,浏览器打开即为完整的 Linux 运行环境,预置的 AI 智能体开箱即用。第一个任务建议选能出结果的:做一个游戏、生成一个页面、创建一台实例,从需求走到可访问的链接,一次就能看清这个环境在做什么。沙箱是一个完整的 Linux 环境,依赖、服务、端口都是真实的,不是模拟。环境释放后,权限随之失效。

华为云官方博客 432

华为云码道配置自定义大模型,四种方式完整实操

案例介绍。

华为云官方博客 648

图数据库:实现穿透式监管的数据基座

穿透式监管标志着国企监管从“管企业”向“管资本”转型过程中的关键一跃。而图数据库正是这一跃的技术支点。从股权穿透到资金链穿透,从供应链穿透到数据穿透,华为GES图数据库正在将“穿透式监管”从理念变为可落地、可操作的实践。无论是天眼查式的全量链路查询,还是某集团财经的税务规则判断,抑或是芯片供应链式的部件风险分析,乃至通过Palantir构建决策知识图谱,其底层逻辑都是一致的——用图的力量,穿透一切形式的“隔离层”,直抵风险本质与责任核心。

华为云官方博客 671

《公共云三十问》正式收官,奔赴企业AI百场景新征程

今年6月底,公共云产业联盟重点推出《公共云三十问》专栏,以每周三问的节奏,连载十周,解读《先进公共云》白皮书,分享国计民生系列案例,旨在凝聚共识、推动落地实践。同时,专栏分析公共云在产业升级、民生福祉、科技创新、全球发展等方面的作用,梳理中国特色公共云发展路径:以普惠云拓展用云广度,以智算云提升用云深度,以自主云夯实用云厚度,以全球云打开用云跨度。这十问从专属云、行业云切入,深入政务、金融、交通、电力、钢铁、化工、油气、制造等国计民生场景,回答公共云“怎么用”。

华为云官方博客 474

开发者小技巧|IAM配置,让码道代码智能体连续30天免登录

案例介绍。

华为云官方博客 651

码道深度对接CodeArts,让需求自动落地为代码

案例介绍。

华为云官方博客 723

【公共云三十问 之三十】拥抱AI,企业如何建设面向智能体的专属云?

企业可分阶段建设覆盖开发、运行、运营及安全的一体化智能体平台——从构建一站式、高低码协同的智能体开发平台,到打造高性能、极致弹性的运行时环境,再到搭建AgentOps驱动的持续运营与运维体系,同时构建端到端、多层次的全链路安全防护体系。在数据湖建设方面,遵循“存量复用、平滑演进、AI导向、分步迭代”原则,分三阶段推进——打造AI多模数据湖核心能力、完成存算分离与统一元数据管理、实现闭环赋能全面支撑智能体规模化落地,在保护既有投资的前提下将传统数据平台转型为AI数据专属供给平台。

华为云官方博客 825

【公共云三十问 之二十九】国计民生之制造:制造云如何重塑数智时代的新质生产力?

平台打通软件交付的完整路径,覆盖需求管理、代码托管、代码检查、编译构建、制品仓库、部署、测试等关键环节,支持大模型能力融入研发全流程,实现从需求到交付的端到端管理。通过构建“研发一朵云”,方案打破地域与组织壁垒,实现跨团队协同开发,有效缩短软件交付周期,助力工业制造企业从“传统研发”走向“敏捷研发”,加速数智化转型进程。当制造云真正成为数据流通的平台、AI创新的底座,公共云的社会价值将从基础设施层向生产场景层持续延伸,为新型工业化建设和制造强国战略注入源源不断的动力,重塑数智时代的中国制造新质生产力。

华为云官方博客 793

告别重复手工迁仓,码道MCP+Skill实现仓库批量迁移

案例介绍。

华为云官方博客 791

【公共云三十问 之二十八】国计民生之油气:智算云如何叩响数智时代的“地心蓝金”?

西南油气田以“向地球深部要资源”为战略方向,联合以华为云Stack为代表的公共云服务商共同打造统一算力底座,建设西南区域数据湖与通用技术平台,构建“勘探开发工程技术、天然气生产过程管控、天然气产运储销”等三个一体化协同应用场景,支撑油气勘探、开发生产、管输储运等全业务链的数智化转型。当智算云真正成为数据流通的平台、AI创新的底座,油气田得以将算力效能、数据价值与智能技术深度融入勘探开发全链条,将“看不见的算力”转化为“摸得着的储量”,以智能化手段持续降低勘探风险、缩短发现周期、提高采收效率,确保生产安全。

华为云官方博客 613

【公共云三十问 之二十七】国计民生之化工:数智云如何重塑传统化工新范式?

在架构方面,方案构建云边协同的统一体系,涵盖AI协同、数据协同与运营协同三大维度——总部集中训练大模型,边缘节点负责推理执行,云边持续迭代,实现“边用边学”的智能闭环,模型平均精度提升20%以上。此外,方案提供一站式企业级工业物联网平台、数据湖与数据治理平台,覆盖工业数据分析“采、存、算、管、用”全流程,打通生产现场与管理系统间的数据壁垒,有效消除数据孤岛。层面,方案充分发挥软硬协同优势,实现计算、存储、网络与云平台的深度协同,训练线性度超95%,为大模型训练推理提供强劲算力支撑。▲化工“数智”新模式。

华为云官方博客 664

【公共云三十问 之二十六】国计民生之钢铁:数智云如何淬炼中国钢铁新力量?

同时,构建云边端协同的统一架构,支撑集团总部与各生产基地两级协同发展——总部集中训练大模型,边缘节点负责推理执行,云边持续迭代,实现训推一体化的资源调度与高效协同,为钢铁行业的数智化转型构建了坚实的算力底座。层面,方案构建覆盖“工业数采→边缘IT/OT融合→统一数据湖→数据治理平台→数据应用”全链路的一站式数据治理与流通平台,打通生产现场与管理系统间的数据壁垒,让数据“采得到、流得动、用得好”,加速数据价值从生产现场向经营决策层流动释放。湘潭钢铁集团的钢铁数智云,是钢铁工业智能云建设的标杆案例。

华为云官方博客 526

LakeWatch——MRS 智能运维Agent

从资源池、队列、作业等多个维度,对集群CPU与内存资源进行精细化分析与对比,直观呈现不同时间段的空闲、满载等使用状态,识别资源浪费,指导治理优化,为扩缩容决策提供数据支撑。对HDFS存储进行多维度深度分析(目录、用户、用户组等),涵盖使用量、增量、文件大小分布及数据热度等指标,帮助快速识别增长较快的目录、长期未访问的文件,统计目录文件数量与小文件占比,评估HDFS总存储量与扩缩容需求,为存储治理与资源规划提供全面数据支撑。Agent主动巡检,识别异常趋势并提前预警,让运维从"事后处理"转向"事前预防"。

华为云官方博客 516

华为云专题文档发布:丰富的AI案例、选型指导和概念解读

发布 “云服务选型”、“云计算概念”专题,提供云服务选型指导,助您选择匹配业务的云服务,解读云计算相关概念,开启云上学习之路。开发者工具和文档专区上线,提供从学习、实践到反馈的全链路支持。帮助中心新增100余篇AI案例。

华为云官方博客 286

一个人,也能用AI做点“星东西”

华为云星耀创想者大赛-2026华为云OPC创意大赛等你来~

华为云官方博客 291

从需求到可执行工作项:MCP+Skill 让智能体规划真正落地

回顾整个体验,以前让智能体帮我拆需求,它是洋洋洒洒给我列了一大篇 Markdown,看着挺像那么回事,但最后还是得我一条条往 CodeArts Req 里搬,搬完再手动挂父子关系、排日期,拆需求五分钟,搬运两小时。现在好了,MCP 给智能体接上了"手",Skill 给它装上了"项目经理的脑子",一句话下去,34 个工作项连带排期、层级关系全给我建好了,甘特图一拉,齐刷刷都在两周内,节省了多少工作量啊,美滋滋。本次实操在码道代码智能体基础上,构建了一套"需求→可执行工作项"的自动化规划方案。

华为云官方博客 579

华为云码道「码力续航计划」更新!

✅上新GLM‑5.3‑Flash,高速响应,代码生成、工程解析、Agent调试高效输出。新增GLM‑5.3‑Flash福利模型,每日解锁1000万免费Tokens。● 本次活动共发放总量价值100万元Tokens,发完即止!把耗算力的编码重活,交给华为云码道代码智能体🚀🚀。● 每日额度准时刷新,当日清零、次日满血重置。✅复杂算法、大项目解析、批量代码生成随便跑。✅不用抠额度、不用算消耗,放开调试大胆迭代。✅无需额外操作,登录即送,直接切换模型使用。● 把算力交给码道,让撸码不再内耗👏🏻。

华为云官方博客 695

【公共云三十问 之二十四】国计民生之交通:交通云如何铺就数智通衢新坦途?

交通行业作为支撑实体经济的关键基础设施,涵盖公路、铁路、机场、港口、地铁等众多子领域,其中,公路网络作为综合交通运输体系的基础骨架,承担着全国超过70%的客货运量,其数字化、智能化转型的需求尤为迫切。方面,提供Agent开发框架、知识库管理、RAG工程、意图识别、静态应用编排及模型评测等能力,支持客户将行业知识、业务流程与AI能力深度融合,快速构建面向收费稽核、路网调度、应急处置等场景的智能应用。开发并实现落地应用,全面覆盖建设、管理、养护、运营、服务、安全、办公七大业务领域。

华为云官方博客 464

【公共云三十问 之二十五】国计民生之电力:电力云如何点亮数智电力新引擎?

方案构建了覆盖数据获取、质量评估到标准化处理的全链路能力。基于公共云服务商智算底座及气象大模型,通过时空图神经网络重新建模产流机制,中国华电建成超50TB多源融合数据集,突破时空建模与机理融合等五大关键技术,短期径流预测精度较传统机理模型提升5个百分点以上,实现15天中期径流预测精度超85%,推理效率达秒级。基于气象大模型的基础架构与预训练能力,客户可直接在大模型之上开展增量训练与微调,充分利用场站所在区域的高精度历史数据(如3公里、1公里分辨率),针对不同场站和区域的地形地貌与气候特征进行模型调优。

华为云官方博客 381
上一篇: 数仓实践丨从CU入手优化HStore表
下一篇: 华为云携十大系统性创新亮相巴塞罗那,打造最适合AI的基础设施
华为云开发者联盟
华为云开发者联盟 企业官方账号 企业官方账号
博客等级 码龄10年 72万+粉丝 5985原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值