Python中async def函数本质是协程函数，不能直接同步调用；应分离核心逻辑为同步函数，再分别封装异步和同步接口，以实现同一语义逻辑的双模式调用。
Python 中异步函数（async def）本质是协程函数，返回协程对象，**不能直接像普通函数那样同步调用并获得返回值**。但你可以通过封装或适配方式，让“同一语义逻辑”既支持 await 也支持同步调用——关键不是让同一个 async def 函数“自己变同步”，而是提供两种调用入口，底层复用逻辑。
推荐方案：分离逻辑 + 双接口封装
把核心业务逻辑写成普通同步函数，再分别包装出异步和同步两个接口。这是最清晰、可维护性最强的做法。
- 定义纯逻辑函数（同步）：不带
async，不涉及await - 定义异步包装器：
async def内部调用它（必要时用await asyncio.to_thread(...)处理阻塞操作） - 定义同步包装器：
def直接调用它，或用asyncio.run()（仅限顶层/非嵌套场景）
示例：
import asyncio import time✅ 核心逻辑（同步、无副作用、可复用）
def compute_heavy(x: int) -> int: time.sleep(1) # 模拟 CPU/IO 阻塞操作 return x ** 2
✅ 异步接口：适合在 async 上下文中 await
async def compute_heavy_async(x: int) -> int:
立即学习“Python免费学习笔记（深入）”；
若 compute_heavy 是 IO 密集型，可用 to_thread 避免阻塞事件循环
return await asyncio.to_thread(compute_heavy, x)✅ 同步接口：普通调用，无需 event loop
def compute_heavy_sync(x: int) -> int: return compute_heavy(x)
使用方式：
await compute_heavy_async(5) # → 25（在 async 函数内）
compute_heavy_sync(5) # → 25（ anywhere ）
不推荐但可行：运行时判断并自动调度
用
inspect.iscoroutinefunction或检查当前是否在 event loop 中，动态决定同步执行还是启动 loop。但易出错，且asyncio.run()在已有 loop 中会报错。
- 仅适用于脚本顶层、简单 CLI 工具等单次执行场景
- 嵌套调用或 Web 框架（如 FastAPI）中绝对不要用
asyncio.run() - 无法处理“已在 async 上下文里却想同步调用”的情况（会死锁或 RuntimeError）
常见误区澄清
-
不能给
async def函数加@sync_and_async装饰器让它“自动变同步” —— 协程对象必须被await或asyncio.run()驱动，否则只是个未执行的对象 -
asyncio.run(coro)不是“同步调用异步函数”的通用解法 —— 它每次新建一个 event loop，开销大，且不能在已有 loop 中调用（比如在 Jupyter、FastAPI、aiohttp handler 里会崩溃） -
别用
loop.run_until_complete()手动驱动 —— 你需要确保拿到的是当前 loop，且线程安全，极易出错
进阶提示：统一调用签名的工具函数
若多个函数都需要双模式，可写一个辅助函数自动生成同步/异步版本：
def make_dual(func):
"""生成 sync/async 一对函数，共享 func 逻辑"""
async def _async(*args, **kwargs):
return await asyncio.to_thread(func, *args, **kwargs)
def _sync(*args, **kwargs):
return func(*args, **kwargs)
_async.sync = _sync # 绑定为属性，方便发现
_sync.async = _async
return _async, _sync用法
async_compute, sync_compute = make_dual(compute_heavy)
await async_compute(5)
sync_compute(5)
本质上，“既能 await 又能直接调用”不是语言特性，而是设计选择：把可复用逻辑下沉，再按需暴露接口。这样代码更健壮，也避免了运行时调度的陷阱。
