实验 1：第一个 Ray Task

这个实验的目标不是写复杂程序，而是观察 Ray 最核心的行为：远程调用立即返回 ObjectRef，真正的结果要通过 ray.get 获取。

准备环境

uv venv
uv pip install -r examples/ray_demos/requirements.txt

运行示例

uv run python examples/ray_demos/01_tasks.py

代码：

import time

import ray

ray.init()

@ray.remote
def slow_square(x: int) -> int:
    time.sleep(0.5)
    return x * x

start = time.perf_counter()
refs = [slow_square.remote(i) for i in range(8)]
print(ray.get(refs))
print(f"elapsed={time.perf_counter() - start:.2f}s")

你应该看到什么

结果应该类似：

[0, 1, 4, 9, 16, 25, 36, 49]
elapsed=...

耗时通常明显小于 8 * 0.5s，因为 8 个任务不是串行执行。

逐行解释

ray.init()

启动或连接 Ray Runtime。单机模式下，它会在本机启动必要组件。

@ray.remote
def slow_square(x: int) -> int:
    ...

这一步不是执行函数，而是把函数注册为远程函数。包装后的 slow_square 拥有 .remote() 方法。

refs = [slow_square.remote(i) for i in range(8)]

每次 .remote() 都提交一个任务，并立即返回 ObjectRef。

print(ray.get(refs))

ray.get 等待所有引用 ready，然后返回真实值列表。

串行陷阱

把代码改成这样：

results = []
for i in range(8):
    results.append(ray.get(slow_square.remote(i)))

这会慢很多。原因是你每提交一个任务就立刻等待结果，Driver 没有机会把多个任务同时提交给运行时。

和 Mini Ray 对照

运行教学版：

uv run python examples/mini_ray_runtime/demos/01_tasks.py

Mini Ray 的输出也会包含一个 metrics 字典，帮助你看到任务提交数、完成数和对象数。

小练习

1. 把 time.sleep(0.5) 改成 time.sleep(0.05)，观察并行收益是否变小。
2. 把任务数量从 8 改成 100，观察调度开销和总耗时。
3. 给远程函数加上 @ray.remote(num_cpus=2)，看本机并发数量如何变化。

常见错误

错误	原因	处理
ModuleNotFoundError: ray	没有安装 Ray	执行 uv pip install -r examples/ray_demos/requirements.txt
程序没有明显加速	任务太小或在循环里 ray.get	增大任务粒度，先提交再统一等待
CPU 占用不高	任务是 sleep 或 I/O 等待	改成 CPU 计算任务观察差异