Switching from JavaScript to Python feels like moving to a city with the same street signs but different traffic laws. The syntax looks friendly and familiar. You see async and await sitting right there in the grammar, so you assume the mental model ports over cleanly. It does not. One habitual pattern from JavaScript silently tanks your Python performance without crashing, without logging an error, and without showing up on a quick code review.
How JavaScript Teaches You to Start and Forget
In JavaScript, an async function call is eager. The moment you invoke it, the engine creates a Promise and the work begins immediately. The event loop is already off to the races. That is why JavaScript developers naturally write code like this:
const userPromise = fetchUser(id);
const ordersPromise = fetchOrders(id);
const user = await userPromise;
const orders = await ordersPromise;
Both network requests are in flight before either await is reached. The first await suspends the current function until fetchUser resolves, but fetchOrders has been humming along in the background since the previous line. By the time you need the orders variable, the second request might already be done. This pattern feels so natural in JavaScript that many developers do not even think of it as a concurrency trick. It is just how async works.
The Python Surprise: A Cold Coroutine
Python uses a different contract. When you call an async def function in Python, you do not start any work. You receive a coroutine object. Think of it as a recipe written on paper. The ingredients are listed, the steps are clear, but nothing is in the oven. Until something explicitly drives that coroutine through the event loop, it remains inert.
Here is the trap. A JavaScript engineer who needs a user and their orders might write this in Python:
user_coro = fetch_user(id)
orders_coro = fetch_orders(id)
user = await user_coro
orders = await orders_coro
It looks concurrent. It smells concurrent. It is entirely sequential.
The first line assigns a dormant coroutine to user_coro. The second line assigns another dormant coroutine to orders_coro. When execution hits await user_coro, Python finally starts the first task and runs it to completion. Only after fetch_user finishes does the interpreter reach await orders_coro and start the second task. Your total execution time is the sum of both I/O operations, not the longest one. You did not run them in parallel. You ran them one after another with extra steps.
Why This Bug Is Invisible
This is the kind of performance regression that survives for months. The code is valid Python. It passes type checkers. It returns the correct results. It just runs at half speed, or worse. Because there is no stack trace and no warning, engineering teams often look everywhere else first. They add Redis caches, upgrade database tiers, or switch hosting regions. The real culprit is a subtle mismatch in expectations about what await actually does.
Three Ways to Make Python Actually Run Things Concurrently
To fix this, you must tell Python’s event loop to schedule the work immediately. You need something more active than a raw coroutine. You need a Task.
1. asyncio.create_task
The most direct translation of the JavaScript pattern is to wrap your coroutine in a Task. A Task is scheduled on the event loop as soon as you create it. It is the closest Python equivalent to a JavaScript Promise in motion.
user_task = asyncio.create_task(fetch_user(id))
orders_task = asyncio.create_task(fetch_orders(id))
user = await user_task
orders = await_orders_task
Now both fetch_user and fetch_orders are in flight before the first await. When you reach await user_task, you pause only until that specific Task completes, but the other Task keeps running. If fetch_orders finishes first, its result simply waits inside orders_task until you ask for it.
Be careful, though. If you create a Task and never await it, Python will emit an error about a destroyed pending task. You must still collect your results.
2. asyncio.gather
If you have several coroutines that all need to finish before you move on, asyncio.gather handles the boilerplate for you. It schedules each coroutine as a Task internally and awaits them together.
user, orders = await asyncio.gather(fetch_user(id), fetch_orders(id))
This is concise and readable. It shines when the operations are independent and you want a single line that expresses "run all of these, then give me every result." It also preserves the order of arguments in the returned list or tuple, even if the underlying tasks complete in a different order.
3. asyncio.TaskGroup
Python 3.11 wprowadził TaskGroup, który wprowadza ustrukturyzowaną współbieżność do biblioteki standardowej. Zamiast tworzyć zadania ręcznie, używasz menedżera kontekstu, który zapewnia, że każde uruchomione zadanie zostanie poprawnie zakończone. Jeśli jedno zadanie zgłosi wyjątek, pozostałe zostaną automatycznie anulowane.
async with asyncio.TaskGroup() as tg:
user_task = tg.create_task(fetch_user(id))
orders_task = tg.create_task(fetch_orders(id))
user = user_task.result()
orders = orders_task.result()
Ten wzorzec jest doskonały dla złożonych przepływów pracy. Eliminuje ryzyko pozostawienia zadania (Task) bez nadzoru i grupuje cykl życia powiązanych operacji pod jednym logicznym parasolem. Jeśli Twoja baza kodu działa na Pythonie 3.11 lub nowszym, jest to często najczystsza architektura dla współbieżności typu fan-out.
Model mentalny: await oznacza „uruchom to teraz”
Główna lekcja ma charakter językowy. W JavaScript await można czytać jako „tymczasem”. Rozpoczynasz pracę, robisz inne rzeczy i wstrzymujesz się dopiero wtedy, gdy potrzebujesz wartości. W Pythonie await oznacza „prowadź tę coroutine do jej następnego punktu zawieszenia lub zakończenia”. Jeśli coroutine nie została jeszcze zaplanowana, to właśnie await ją planuje. Dlatego nie można uruchomić dwóch surowych coroutine, a następnie użyć await na nich później. W międzyczasie nie dałeś pętli zdarzeń (event loop) nic do roboty.
Myśl o coroutine w Pythonie jak o funkcjach generatora. Wywołanie generatora nie powoduje jego iteracji. Musisz przejść przez niego pętlą, wywołać next() lub przekazać go konsumentowi. Async działa w ten sam sposób. asyncio.create_task jest konsumentem, który mówi: „wrzuć to do pętli zdarzeń natychmiast”. Następujący po nim await po prostu czeka na sygnał zakończenia.
Jeden konkretny nawyk, który pomaga: za każdym razem, gdy przypisujesz wywołanie funkcji async do zmiennej bez użycia await, zapytaj siebie, czy ją zaplanowałeś. Jeśli prawa strona nie jest opakowana w create_task, gather lub TaskGroup, to ona nie działa. To tylko przepis leżący na blacie.
Podsumowanie
Środowisko uruchomieniowe async w Pythonie jest potężne, ale wymaga wyraźnej intencji. Język nie rozpoczyna pracy w tle tylko dlatego, że wywołałeś funkcję. Jeśli przychodzisz z JavaScriptu, przejrzyj każde miejsce, w którym przechowujesz coroutine w zmiennej, aby użyć await później. Chyba że najpierw przekształciłeś ją w Task, napisałeś kod sekwencyjny ubrany w szaty async. Rozpocznij pracę za pomocą Task, a następnie poczekaj na wyniki. W ten sposób zmienisz Python async z cichego wąskiego gardła w prawdziwe narzędzie współbieżności.