我们来详细解释一下Python 3.13中引入的实验性即时（JIT）编译器。

1. 背景：Python的传统执行方式

要理解JIT的革命性，首先需要了解Python代码通常是如何执行的。

• 编译成字节码：当你运行一个.py文件时，Python解释器首先将人类可读的源代码编译成一种中间形式，称为“字节码”。这些字节码指令比源代码更底层，但还不是CPU能直接执行的机器码。这个过程会生成.pyc文件，目的是为了下次运行时可以跳过这一步，加快加载速度。

• 解释执行：接下来，Python虚拟机（PVM）会逐行解释并执行这些字节码指令。 这就像一个翻译官，看一句（字节码），翻译一句（成机器能懂的操作），然后让CPU去执行。这个过程虽然灵活，但效率不高，因为对于重复执行的代码（比如循环），每一遍都需要重新解释，带来了额外的性能开销。

2. JIT编译器是什么？

JIT是“Just-In-Time”的缩写，意为“即时编译”。它是一种结合了解释和编译优点的方法。 JIT编译器在程序运行时进行工作，它会监控代码的执行情况，识别出那些被频繁执行的“热点代码”（hotspots），例如循环或常用函数。

一旦识别出这些热点，JIT编译器就会介入，将这部分字节码直接编译成高效的、针对当前CPU架构的本地机器码，并将其缓存起来。 下次再执行到这段代码时，解释器就可以直接运行预先编译好的机器码，而无需再进行逐行解释，从而大大提升执行速度。

3. Python 3.13的JIT是如何工作的：“复制-修补”（Copy-and-Patch）

Python 3.13中的JIT编译器采用了一种名为“复制-修补”（Copy-and-Patch）的特定技术。这是一种相对较新且轻量级的JIT实现方法。

它的工作原理如下：

1. 模板库：JIT编译器内部有一个预先生成好的机器码“模板”库。这些模板对应着Python中常见的字节码操作，比如加法、函数调用等。

2. 识别与复制：当JIT决定要优化一段代码时，它会在这个库里查找与字节码指令匹配的机器码模板。

3. 修补（Patching）：找到模板后，JIT会复制这份模板，并用代码在运行时实际使用的值（比如变量或常量）去“修补”或“填充”模板中的占位符。

4. 执行：经过修补后，这段定制化的机器码被存储在内存中。当程序再次运行到这个部分时，将直接执行这段高效的机器码。

这种方法的优点是编译速度快，因为它避免了从零开始生成复杂机器码的开销。

4. 为什么是“实验性的”以及性能增益如何？

将JIT标记为“实验性”有几个原因：

• 新功能：这是CPython的一个全新且复杂的功能，需要时间来稳定和成熟。目前它默认是关闭的，需要用户在编译Python时手动开启。

• 并非万能：JIT的优势主要体现在计算密集型（CPU-bound）的任务上，例如大量的数学运算和紧凑的循环。 对于I/O密集型（如文件读写、网络请求）或不那么重复的代码，JIT带来的性能提升可能不明显，甚至可能会因为编译过程的开销而带来微小的性能下降。

• 温和的起步：目前实现的JIT还比较基础，因此性能提升相对温和。正如你提到的，对大多数程序的初步测试显示约有2%到9%的性能提升。这看起来不大，但它意义重大，因为它为Python的未来性能优化构建了一个强大的基础架构。

5. 它与PyPy和Numba有何不同？

Python生态中早已有其他的JIT实现，但Python 3.13的JIT有本质区别：

• PyPy: 是一个完全不同的Python解释器，它拥有一个非常成熟和强大的JIT编译器。要使用它，你必须用PyPy来代替标准的CPython解释器。

• Numba: 是一个专门用于科学计算的库，它通过装饰器（decorator）的方式对特定的Python函数进行JIT编译。它不作用于整个程序，只优化你指定的数值计算部分。

• Python 3.13 JIT: 这是官方CPython解释器的一部分。这意味着未来开发者无需更换解释器或使用特定库，就能普遍享受到JIT带来的好处。

总结来说，Python 3.13中的实验性JIT编译器是一个里程碑式的进步。它通过“复制-修补”技术，在运行时将高频执行的字节码转换为原生机器码，为提升计算密集型任务的性能开辟了新途径。虽然目前的性能增益还比较有限，但它为CPython的未来发展奠定了基础，预示着Python将变得越来越快。