Cómo el perfilador integrado de Python 3.15 revela los puntos calientes ocultos en una aplicación web
Simon Willison usó el nuevo perfilador por muestreo de Python 3.15 y GPT-6 Astra Extra High para trazar exactamente dónde gasta su CPU la aplicación de edición web.
Qué se puede hacer con ello
- Un desarrollador puede usarlo para señalar exactamente dónde gasta una aplicación web en Python la mayor parte de su tiempo de CPU sin instalar ningún paquete adicional 1.
- Un programador puede pedirle a un asistente de codificación con IA que genere gráficos de llamas y mapas de calor de fuente en lenguaje claro, convirtiendo datos de perfil crudo en diagramas visuales listos para producción 1.
- Un investigador puede muestrear todos los hilos de una aplicación multi-hilo para evitar perderse el costo real de CPU, ya que la mayor parte del trabajo puede ocurrir en hilos de trabajo en segundo plano en lugar del hilo principal 1.
Un nuevo depurador llega a Python 3.15
Python 3.15 viene con un depurador de muestreo integrado en el módulo profiling.sampling, eliminando la necesidad de herramientas de terceros solo para ver dónde gasta un programa su tiempo. Simon Willison lo puso a trabajar en web-edit, su aplicación de edición web open-source en Python, y los resultados pintaron una imagen sorprendente de los hábitos de CPU de la aplicación.
Gráficos de llamas y mapas de calor, fácil
Para crear las visualizaciones, Willison le encargó la tarea a GPT-6 Astra Extra High ejecutándose dentro del asistente de codificación Codex. La solicitud era sencilla: generar un gráfico de llamas y un mapa de calor a nivel de línea de código para la aplicación web-edit bajo una carga de trabajo de edición realista. Los diagramas resultantes muestran bandas gruesas de actividad de CPU concentradas en una única función, y una superposición de color sobre el código fuente que señala exactamente qué líneas son las más calientes.
Los saltos de línea mixtos son el mayor lastre
El depurador registró 15.296 pilas de CPU durante una sesión de edición intensa. Por mucho, el punto caliente dominante fue preserve_endings, una rutina responsable de mantener el estilo original de fin de línea (Unix LF, Windows CRLF o el antiguo Mac CR) intacto cuando se guardan los archivos 1. Esa función sola apareció en el 64,8 por ciento de todas las pilas muestreadas. Dentro de ella, el trabajo pesado lo hacía SequenceMatcher.find_longest_match, que consumía el 38,3 por ciento de las muestras hoja — las funciones finales en cada camino de llamada .
Muestrear todos los hilos importa
Una de las lecciones prácticas más importantes del ejercicio es que muestrear a través de todos los hilos es esencial. Una asombrosa 95,1 por ciento de las pilas registradas provenían de un hilo de trabajo en segundo plano administrado por AnyIO, una biblioteca de concurrency. Un perfil limitado al hilo principal casi habría pasado por alto por completo el verdadero costo de CPU de la aplicación 1. El trabajo de Willison destaca la importancia de muestrear todos los hilos, ya que el 95,1% de las pilas provenían del hilo de AnyIO y habrían sido pasadas por alto por un perfil solo del hilo principal.
Por qué esto importa para los desarrolladores de Python
El depurador de Python 3.15 ahora forma parte de la biblioteca estándar, lo que significa que cualquiera que ejecute una versión reciente de Python puede obtener gráficos de llamas y mapas de calor de fuente sin instalar paquetes adicionales. Combinado con asistentes de codificación con IA como Codex, la barrera para crear visualizaciones de rendimiento de calidad profesional ha bajado drásticamente — un desarrollador puede describir el objetivo en lenguaje claro y obtener diagramas listos para producción. Para cualquiera que mantenga una aplicación web en Python, la conclusión es sencilla: revisa primero tu código de preservación de saltos de línea, y asegúrate de que tu depurador esté mirando todos los hilos.
Correcciones y actualizaciones
- Corregido el 23 de octubre de 2026. Una versión anterior afirmaba que la demostración de Willison mostraba dos enfoques lado a lado; la fuente, en cambio, enfatizaba que muestrear todos los subprocesos era esencial porque el 95,1 % de las pilas provenían del hilo de trabajo de AnyIO y habrían pasado desapercibidas con un perfil que usara solo el hilo principal. Una versión anterior indicaba que se había utilizado GPT-6; la fuente especifica GPT-6 Astra Extra High. Es correcto nombrar la denominación completa del modelo.
Los datos clave
- Python 3.15 incluye un perfilador de muestreo integrado en el módulo profiling.sampling
- La función
preserve_endingsrepresentó el 64,8 % de las 15.296 pilas de CPU registradas - El 95,1 % de los perfiles provenía de un hilo de trabajo de AnyIO, no del hilo principal
- GPT-6 Astra Extra High en Codex se utilizó para generar las visualizaciones de gráfico de llamas y mapa de calor
- SequenceMatcher.find_longest_match contribuyó con el 38,3 % de las muestras de CPU leaf
Fuentes
- Research: Profiling web-edit with Python 3.15: flame graphs and source heatmaps — simonwillison.net
Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes
Sigue leyendo
Apps y productosTokenEconomizer aprende del trabajo previo para reducir los costes de codificación con IA hasta un 30,9%Herald of AI
TokenEconomizer aprende del trabajo previo para reducir los costes de codificación con IA hasta un 30,9%
Un complemento de código abierto permite a los asistentes de codificación recordar lo aprendido en un proyecto, de modo que las tareas futuras cuesten menos y sigan teniendo éxito.
La semanaEsta semana en herramientas de IA agéntica, modelos más baratos y dolores de crecimientoHerald of AI
Esta semana en herramientas de IA agéntica, modelos más baratos y dolores de crecimiento
OpenAI informa sobre la adopción de herramientas agénticas en la UE, nuevos modelos alcanzan salidas de un millón de tokens, y los desarrolladores luchan con código más rápido pero opaco.
Apps y productosGoogle abre el código fuente de Harness², un marco que mejora agentes de IA sin reproyectar modelosHerald of AI
Google abre el código fuente de Harness², un marco que mejora agentes de IA sin reproyectar modelos
Una nueva herramienta de código abierto de Google Research permite que los agentes mejoren en las tareas ajustando su configuración en lugar de su modelo base.