Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Kdy použít asynchronní a kdy synchronní přístup

Lekce 3 z 12 Aktualizováno 30. července 2026 Pokročilý
Na této stránce
  1. Volba není vždy zřejmá
  2. Kdy stačí synchronní přístup
  3. Kdy je asynchronní přístup nezbytný
  4. Past předčasné asynchronizace
  5. Rozhodovací strom
  6. Klíčové poznatky

Volba není vždy zřejmá

Asynchronní přístup není automaticky lepší než synchronní. Každý z nich má kontexty, ve kterých vyniká, a špatná volba může tvůj kód zbytečně zkomplikovat bez jakéhokoli přínosu pro výkon. Tato lekce ti pomůže rozhodnout se, který přístup pro tvou situaci zvolit.

Kdy stačí synchronní přístup

Synchronní klient zůstává správnou volbou častěji, než bys možná čekal, a důvod je vždy stejný: pokud paralelismus nic nepřináší, jeho složitost představuje čistou ztrátu. Jednorázový testovací skript nebo skript pro průzkum, který odešle jen několik požadavků, z asynchronního přístupu nic nezíská – na prvním místě je jednoduchost kódu a tento skript budeš stejně za půl roku znovu číst. Sekvenční pipeline, kde každý požadavek závisí na výsledku toho předchozího, stejně nemůže nic paralelizovat: asynchronní přístup by jen přidal syntaktickou složitost, aniž by o sekundu zkrátil dobu běhu. Stejná logika platí pro tradiční aplikaci v Django: pokud tvůj stack není asynchronní, přidání asyncio pouze pro volání API vytvoří hranici mezi synchronním a asynchronním kódem, kterou se bude těžce udržovat. A ve fázi prototypování, kdy testuješ prompt nebo ověřuješ koncept, je synchronní kód rychlejší na čtení i psaní – přesně to od prototypu chceš.

# Sync — perfect for a sequential pipeline
from openai import OpenAI

client = OpenAI(api_key=os.getenv("XAI_API_KEY"), base_url="https://api.x.ai/v1")

# Step 1: analyze the text
analysis = client.chat.completions.create(
    model="grok-4.5",
    messages=[{"role": "user", "content": f"Analyze this text: {text}"}]
).choices[0].message.content

# Step 2: generate a summary based on the analysis
summary = client.chat.completions.create(
    model="grok-4.5",
    messages=[{"role": "user", "content": f"Summary based on this analysis: {analysis}"}]
).choices[0].message.content

V tomto příkladu závisí krok 2 na výsledku z kroku 1. Asynchronní přístup zde nepřináší žádnou výhodu.

Kdy je asynchronní přístup nezbytný

Asynchronní přístup se stává nezbytným ve chvíli, kdy latence sítě dominuje době běhu tvého programu a požadavky jsou na sobě nezávislé. Učebnicovým příkladem je dávkové zpracování: desítky nebo stovky požadavků bez vzájemných závislostí, kde je zisk úměrný objemu – sto dvousekundových požadavků zabere v sekvenčním provedení tři minuty, zatímco při řízené paralelizaci kolem deseti sekund. Druhý případ není volbou, ale nutností: v aplikaci postavené na FastAPI nebo Starlette je framework již asynchronní a použití synchronního klienta by blokovalo smyčku událostí – každé volání Grok by zmrazilo všechny ostatní požadavky na tvůj server. Pak jsou tu architektury, které jsou přirozeně souběžné: chatbot, který paralelně dotazuje Grok, databázi a externí API, aby sestavil odpověď, nebo monitorovací systém sledující najednou několik proudů dat – zde je asynchronní přístup prostě přirozeným řešením problému.

# Async — processing 50 questions in parallel
async def batch_process(questions: list[str]) -> list[str]:
    sem = asyncio.Semaphore(5)

    async def ask(q: str) -> str:
        async with sem:
            resp = await client.chat.completions.create(
                model="grok-4.5",
                messages=[{"role": "user", "content": q}]
            )
            return resp.choices[0].message.content

    return await asyncio.gather(*[ask(q) for q in questions])

Při 50 otázkách a semaforu s hodnotou 5 zpracováváš 5 požadavků paralelně místo jednoho. Pokud každý požadavek trvá 8 sekund, celková doba klesne ze 400 sekund na přibližně 80 sekund.

Past předčasné asynchronizace

Špatně navržený asynchronní kód je horší než dobře napsaný synchronní kód. Zde jsou časté chyby:

Blokování smyčky událostí

# BAD: sync call in an async function
async def bad_example():
    response = requests.get("https://api.example.com")  # blocks everything
    return response.json()

Knihovna requests je synchronní. Její volání v korutině blokuje smyčku událostí a ruší jakýkoli přínos asynchronního přístupu. Místo ní použij httpx nebo aiohttp.

Zbytečná složitost

# BAD: async for a single request
async def over_engineered():
    response = await client.chat.completions.create(...)
    return response

# Sync equivalent, simpler
def simple():
    response = client.chat.completions.create(...)
    return response

Pokud máš odeslat jen jeden požadavek, asynchronní přístup přidává složitost bez jakéhokoli užitku.

Rozhodovací strom

Pro výběr mezi synchronním a asynchronním přístupem si polož tyto otázky v daném pořadí:

  1. Kolik API požadavků odesíláš? Pokud jeden nebo několik v sekvenčním pořadí, zůstaň u synchronního přístupu.
  2. Jsou požadavky na sobě nezávislé? Pokud každý požadavek závisí na předchozím, zůstaň u synchronního přístupu.
  3. Je tvůj framework asynchronní? Pokud ano (FastAPI, Starlette, aiohttp), použij asynchronní přístup, abys předešel blokování smyčky událostí.
  4. Je celková doba zpracování problémem? Pokud zpracováváš dávky a synchronní čas je nepřijatelný, přejdi na asynchronní přístup.

Klíčové poznatky

  • Synchronní přístup funguje pro jednoduché skripty, sekvenční pipeline a prototypování
  • Asynchronní přístup je nezbytný pro dávkové zpracování, asynchronní frameworky a paralelní požadavky
  • Nikdy nepoužívej synchronní knihovny (requests) v asynchronním kódu
  • Složitost přidaná asynchronním přístupem musí být ospravedlněna měřitelnými přínosy
  • Začni synchronně, přejdi na asynchronní přístup až při potvrzené potřebě