Task 生命周期
Ray Task 的用户 API 很简单，但一次 .remote() 背后会经过提交、依赖解析、调度、执行、对象写入和结果获取。
从函数到远程任务
普通函数：
python
def square(x):
return x * xRay 远程函数：
python
@ray.remote
def square(x):
return x * x
ref = square.remote(3)两个关键变化：
square不再是普通函数，而是 Ray 包装后的远程函数句柄（RemoteFunction）。square.remote(3)不会立即执行函数返回9，而是提交任务给运行时，立即返回一个ObjectRef。
任务生命周期总览
.remote() 为什么立即返回
Ray 的并行性来自提交和等待的分离。
python
refs = [square.remote(i) for i in range(100)]
results = ray.get(refs)如果 .remote() 阻塞到函数执行结束，100 个任务会逐个执行。Ray 让 .remote() 立即返回 ObjectRef，所以 Driver 可以快速构建任务图。
参数依赖
当一个任务的参数里包含 ObjectRef 时，Ray 会把它识别成依赖。
python
@ray.remote
def load():
return [1, 2, 3]
@ray.remote
def total(values):
return sum(values)
values_ref = load.remote()
total_ref = total.remote(values_ref)total 不应该在 load 完成前执行。Ray 会等待 values_ref 对应对象可用，再把真实数据交给 total。
这就是 Ray 能表达 DAG 的原因。你写的是普通函数调用形状，运行时看到的是对象依赖图。
Task 的状态流转
真实 Ray 的内部状态比下面更细，但学习时可以先记住这条主线：
每个状态背后的问题不同：
| 状态 | 运行时正在解决的问题 |
|---|---|
| Submitted | 任务已经被 Driver 交给运行时 |
| WaitingForDeps | 参数对象还没准备好 |
| Schedulable | 依赖 ready，可以找资源 |
| Queued | 资源暂时不够或等待 Worker |
| Running | Worker 正在执行 |
| Finished | 返回对象已经 ready |
| Failed / Retrying | 失败记录、异常传播和重试 |
返回值与异常
Task 成功时，返回值进入对象存储：
python
ref = square.remote(4)
assert ray.get(ref) == 16Task 失败时，异常也会通过 ObjectRef 传播：
python
@ray.remote
def fail():
raise ValueError("bad input")
ref = fail.remote()
ray.get(ref) # 抛出 RayTaskError，包含远程异常信息这个设计非常重要。远程异常不会在 .remote() 时抛出，因为任务那时可能还没运行。异常会在你取结果时暴露。
任务粒度
Ray 能处理大量任务，但每个任务都有提交、调度、序列化和对象管理的开销。任务太大浪费并行性，任务太小让调度开销占主导。
经验规则：
- 单个任务的执行时间应该明显大于调度开销（通常至少几十毫秒）。
- 不要把微秒级函数拆成独立的 Ray Task。
- 小任务可以合并成 batch 处理。
- 大对象用
ray.put放入对象存储，多个任务共享引用，不要作为普通参数反复复制。
Mini Ray 中的实现路径
Mini Ray 的任务路径在 examples/mini_ray_runtime/mini_ray/core.py：
python
@ray.remote
def add(a, b):
return a + b
ref = add.remote(1, 2)对应调用链：
remote(add)返回RemoteFunction。RemoteFunction.remote()调用Runtime.submit_task()。ObjectStore.reserve()先创建未完成对象。ThreadPoolExecutor异步运行任务。- 任务线程解析
ObjectRef参数。 ResourceScheduler.acquire()获取逻辑资源。- 函数执行后
ObjectStore.set_result()唤醒等待者。 ray.get(ref)从对象存储取值。
Mini Ray 把多进程和网络通信替换成线程，但保留了“提交任务先返回引用，结果稍后 ready”的关键语义。这也是理解 Ray 对象系统的最小闭环。
最常见的错误
在循环里提交一个任务就立刻 ray.get，等于串行执行：
python
# 慢：提交一个等一个，跟串行没区别
results = [ray.get(work.remote(i)) for i in range(100)]
# 快：先全部提交，再统一等待
refs = [work.remote(i) for i in range(100)]
results = ray.get(refs)