Для каких задач подходит асинхронный код в Python?

Что проверяют

Отличаете ли вы I/O-bound задачи от CPU-bound и понимаете ли, что asyncio не делает код параллельным. Следом обычно спрашивают, что будет, если внутри корутины вызвать requests.get или time.sleep, и чем asyncio отличается от потоков.

Как отвечать

Асинхронный код в Python это кооперативная многозадачность в одном потоке. Цикл событий переключает корутины в точках await: пока одна ждёт сеть или диск, работают другие. Выигрыш появляется, когда задача большую часть времени ждёт:

• много сетевых запросов: сотни вызовов API или скачиваний через aiohttp или httpx.AsyncClient одновременно, с ограничением через asyncio.Semaphore;
• серверы с большим числом соединений: FastAPI и Starlette под uvicorn, WebSocket, чаты, long polling, где тысячи соединений висят в ожидании;
• базы и очереди: asyncpg, асинхронный режим SQLAlchemy, клиенты Redis и Kafka;
• боты и интеграции: aiogram для Telegram, парсеры и краулеры.

Для CPU-bound задач асинхронность ничего не даёт: тяжёлый расчёт в корутине просто остановит цикл событий. Такое выносят в процессы через ProcessPoolExecutor или multiprocessing, а блокирующий вызов, для которого нет асинхронной библиотеки, в поток через asyncio.to_thread.

Из современного стоит назвать asyncio.TaskGroup и asyncio.timeout() из Python 3.11. Это структурированная конкурентность: ошибка в одной задаче отменяет остальные, а голый gather оставляет их работать.

Где спотыкаются

Вызывают блокирующий код внутри async def: requests, time.sleep, синхронный драйвер БД. Сервис формально асинхронный, а на деле обрабатывает запросы по одному.

Считают, что async ускоряет любой код. Один запрос к базе быстрее не станет, выигрыш только в том, что за время ожидания обслуживаются другие.

Объявляют эндпоинт FastAPI через async def и зовут внутри синхронную библиотеку. Обычную def FastAPI отправит в пул потоков, и цикл событий не пострадает, а async def с блокирующим вызовом заблокирует его целиком.