Python 3.15 正式发布：告别 3.10，迎接 3.11 新特性与懒加载革命

Python 3.15 的正式发布标志着 Python 生态的一个重要转折点。这个版本不仅带来了令人兴奋的新功能，还意味着 Python 3.10 正式结束支持周期，让开发者可以放心地拥抱 Python 3.11 引入的现代化特性。

对于维护开源项目的开发者而言，版本迭代始终是一把双刃剑——既要确保代码在所有受支持版本上正常运行，又渴望使用新版本带来的便利。随着 3.15 的发布，这个平衡点终于发生了偏移。

据 Python 官方文档显示，3.15 的 What's New 指南由 3.14 和 3.15 的发布经理 Hugo van Kemenade 亲自策划，其中包含多项值得关注的语言级改进。

显式懒加载：PEP 810 带来的性能突破

Python 3.15 中最受期待的特性之一，是来自 PEP 810 的显式懒加载（Explicit lazy imports）。这一机制允许开发者以极其直观的方式延迟模块导入：

lazy import json
lazy from pathlib import Path

模块只会在后续代码中首次使用相关符号时才会被真正导入。

这个特性的实际价值远超表面。以 Simon Willison 开发的 LLM CLI 工具为例，该工具支持插件系统，而某些插件依赖如 sentence_transformers 这样的重量级库。在懒加载出现之前，仅仅安装这些插件就会让每次执行 llm 命令增加数秒的启动时间。开发者不得不在插件编写文档中推荐手动实现懒加载技巧。现在，语言层面的原生支持彻底解决了这个痛点。

对于构建 CLI 工具和大型应用的开发者来说，这意味着启动性能的显著提升，同时保持代码的清晰与简洁。

PEP（Python Enhancement Proposal，Python 增强提案）是 Python 社区用于提出、讨论和记录语言或标准库变更的正式文档机制。每一个新语法、新模块或行为调整，通常都先以 PEP 的形式经过公开评审，再由核心开发者决定是否采纳。PEP 编号本身并不代表优先级，而是按提交顺序分配，例如本文明示的 PEP 810 与 PEP 798 都属于具体功能提案。

对开发者而言，PEP 文档是理解某项特性设计动机、边界条件和兼容性影响的第一手资料。它通常包含摘要、动机、规范、向后兼容性讨论等章节。当你在项目中评估是否采用某个新特性时，直接查阅对应 PEP 往往比二手教程更可靠，因为其中会明确说明该特性在哪些解释器版本可用，以及是否存在意外的运行时行为。

推导式解包与采样分析器

PEP 798 引入的推导式解包语法为数据处理带来了更优雅的表达方式。新语法允许在列表、集合和字典推导式中直接使用解包操作：

lists = [[1, 2], [3, 4], [5]]
[*L for L in lists]

性能分析器通常分为跟踪（tracing）与采样（sampling）两类。跟踪分析器如 `cProfile` 会对函数调用、返回等事件逐次挂钩记录，因此统计精确，但会显著拖慢程序运行，并且结果容易受插桩本身干扰。采样分析器则按固定时间间隔抓取调用栈快照，依据样本分布估算各函数耗时占比，开销小到可以用于接近生产环境的负载。

采样分析的代价是时间分辨率有限：执行极短的函数可能被漏采，导致统计偏差。因此它更适合发现“热点路径”而非做精确计时。火焰图是采样分析常见的可视化形式，横轴反映样本占比，纵轴反映调用深度，能够直观暴露耗时集中的调用链。Tachyon 作为标准库内置的高频采样器，意味着无需再安装第三方工具或修改代码，就能对运行中的进程进行低干扰诊断。
# 结果: [1, 2, 3, 4, 5]

这种写法等价于嵌套循环的推导式，但可读性更强，意图更明确。该提案由 Adam Hartz 和 Erik Demaine 提出，是对 2015 年 Python 3.5 中 PEP 448 解包语法的自然延伸。

另一个重磅更新是标准库中新增的采样分析器。原有的跟踪分析器 cProfile 被重命名为 profiling.tracing，同时引入了一个名为 Tachyon 的高频统计采样分析器，即 profiling.sampling。

采样分析器通过定期捕获运行进程的堆栈跟踪来计算函数耗时，开销极低且无需预先插桩。开发者此前需要使用 py-spy 等第三方工具才能获得这种能力，现在它已成为标准库的一部分。对于拥有 PID 的运行中 Python 3.15 进程，只需执行：

sudo uv run --python 3.15 python -m profiling.sampling attach 1234

采样器会生成包含样本数、采样百分比、累计时间等详细信息的报告，并能输出火焰图和热力图，甚至支持 Firefox Profiler UI 格式。

性能对比与升级路径

3.15 与 3.14 的性能差异

据开发者 Miguel Grinberg 对 3.15.0rc3 版本的测试，Python 3.15 的整体性能与 3.14 基本持平，唯一的例外是实验性 JIT。在斐波那契测试中，JIT 带来了相对于标准解释器 1.2 倍的性能提升，这是 Miguel 首次观察到有意义的 JIT 性能改进。

回顾 Miguel 此前对 3.14 的测试，该版本在多个类别中相对 Python 3.13 都有显著提升。这意味着 3.15 更像是一个功能增强版本，而非性能飞跃版本。

JIT（Just-In-Time，即时编译）指的是在程序运行过程中，将热点字节码动态编译为机器码，以减少解释执行的开销。CPython 长期以来以解释执行为主，JIT 一直是社区追求但推进缓慢的方向。Python 3.13 起引入的实验性 JIT 采用“复制并修补”策略，逐步将解释器特化后的指令翻译为机器码，而非从零构建完整编译器。

实验性意味着它默认未必启用，且实现仍在演进，可能存在编译开销、内存占用或行为差异。因此在评估 JIT 收益时，需要区分标准解释器与开启 JIT 后的表现。斐波那契这类纯计算基准主要衡量函数调用与算术循环，未必能代表 I/O 密集或依赖 C 扩展的真实应用。JIT 首次出现有意义的提升是积极信号，但距离全面改变性能格局仍有距离。

使用 uv 升级到 Python 3.15

对于使用 uv 管理 Python 环境的开发者，升级流程相当简洁。首先更新 uv 本身以确保其识别新版本：

uv self update
uv python install 3.15
uv python pin --global 3.15

最后一条命令将 3.15 设为所有 uv run 命令的默认版本，除非项目本身固定了其他版本。对于通过 uv tool install 安装的工具，可以使用 uv tool upgrade datasette --python 3.15 重新安装并指定 Python 版本。

拥抱 Python 3.11：终于可以使用的特性

Python 3.15 的发布意味着 2021 年发布的 Python 3.10 正式结束支持。对于坚持在所有受支持版本上运行代码的开源项目维护者来说，这标志着一个重要的解锁时刻。

标准库的新成员

tomllib 模块终于可以放心使用了。这个在 3.11 中引入的 TOML 解析库已经成为许多项目的依赖，现在不再需要为 3.10 兼容性做额外处理。

对于重度使用 asyncio 的项目如 Datasette，3.11 带来的 TaskGroup 和 timeout() 等特性将大幅简化并发代码的编写。datetime.UTC 别名也让时区处理更加简洁。

SQLite 支持的显著增强

Python 3.11 对 SQLite 的支持进行了多项重要升级，这些改进对数据密集型应用尤为关键：

• setlimit() 和 getlimit() 方法允许从 Python 层面设置 SQLite 运行时限制
• create_window_function() 支持用 Python 类创建自定义窗口函数，只需实现 step()、value()、inverse() 和 finalize() 方法
• blobopen() 为大型 BLOB 二进制值提供了高效的局部读写机制
• set_authorizer(None) 现在可以移除 SQLite 授权器，Datasette 项目此前为此维护了一个变通方案

此外，Python 3.11 在类型提示系统方面也有大量改进，这些都将逐步惠及整个生态。

生态影响与展望

Python 3.15 的发布不仅仅是版本号的递增，它代表着一个开发范式的转变。懒加载解决了长期困扰 CLI 工具和插件系统的启动性能问题，标准库中的采样分析器降低了性能调优的门槛，而对 3.11 特性的解锁则让开发者可以更自由地使用现代 Python 的表达能力。

对于开源项目维护者而言，现在正是规划升级路径的最佳时机。建议先通过 cookiecutter 模板更新项目配置，将测试矩阵扩展到 Python 3.11 至 3.15，然后逐步移除针对旧版本的兼容性代码。

Simon Willison 已经迈出了第一步，他的 Datasette 项目正在移除 set_authorizer(None) 的变通方案，同时 click-app、datasette-plugin、python-lib 和 llm-plugin 等模板项目都已更新为针对 Python 3.11 至 3.15 进行测试。

Python 3.15 或许不是一个性能飞跃的版本，但它带来的开发体验提升和生态解锁效应，将在未来数月乃至数年内持续显现。