结论先行：yield 不是「函数返回」，而是「带着现场离开」——生成器把局部变量、执行位置、甚至待接收的返回值，全部塞进一个 192 字节的 generator 对象加一块 184 字节的栈帧里；恢复执行时，栈帧原地满血复活。实测这份「现场」的性价比高得惊人：产出 10 万个斐波那契数，生成器全程只占 36 KB 峰值内存，而返回 list 的版本要 445 MB，差了一万两千倍；迭代速度上，生成器 142.8 ms 反而比 list 版本 150.7 ms 还快。这篇用 6 组实验拆开发电机的内部结构。

1. 先看字节码：yield 前后是两套世界

，能看到生成器的「出厂结构」：

  26           RETURN_GENERATOR      # 调用函数 → 先造 generator 对象，函数体一行没跑
               POP_TOP
       L1:     RESUME               0

  27           LOAD_CONST               1 (1)
               STORE_FAST               0 (x)

  28           LOAD_FAST                0 (x)
               YIELD_VALUE              0   # ← 产出一个值，现场冻结在这里
               RESUME                   5   # ← 恢复后从这里继续
               STORE_FAST               1 (y)

  29           LOAD_FAST                1 (y)
               RETURN_VALUE

 让「调用生成器函数」这件事只造对象、不执行函数体；

 是唯一的暂停点，产出一个值并把控制权交还调用方；

 是唤醒后的第一件事。所谓「函数停在 yield 那一行」，底层就是 

（最后执行的指令偏移）死死指向 YIELD_VALUE。

：生成器停在 yield 上时，函数的所有局部变量都还在，而且可以读：

>>> def stash():
...     a = [1, 2, 3]
...     big = 'x' * 1000
...     yield 'first'
...     yield 'second'
...     return a
>>> g = stash()
>>> next(g)
'first'
>>> g.gi_frame.f_locals
{'a': [1, 2, 3], 'big': 'xxxxxxx...'}

yield 暂停的不是「计算」，而是「整个栈帧」

——局部变量、名字查找环境、异常表，全都封存在 

这就是为什么生成器函数里的循环能「记住」自己走到第几圈

3. 这份现场的体积：192 + 184 字节

一个刚 next 过一次的生成器，全部家当不到 400 字节

——和它「装着一整个函数现场」的观感完全不匹配。对比一下：同样「记住进度」，用 list 存 10 万个中间结果要 800 KB 起步。

这就是生成器敢叫「惰性」的物理基础：

它不存结果，存的是「怎么算出下一个结果」的现场

1 000 000 次 next()：179.6 ms → 179.6 ns/次

这不到 200 纳秒里装着：交还控制权、解冻栈帧、跳到 RESUME、跑到下一个 YIELD_VALUE、再冻结、再返回。作为参照，一次普通函数调用约 60–80 ns，一次纯 Python 层的方法调用约 100 ns——

**生成器的「暂停—恢复」比多数人预期的便宜

，因为它不重建任何东西，只是激活一块冻存的现场。**

5. 速度反常识：生成器比 list 还快一点

多数教程说「生成器省内存但慢一点」。实测 100 万个整数的迭代汇总：

list 版本要先花时间和内存把 100 万个元素造出来（含一次过度分配扩容），而生成器边产边耗，制造和消费在同一个循环里重叠了

。生成器真正的代价在「每个元素都要过一次 yield 协议」，但这点开销早就被「免造 list」抵掉了。

 实测产出 10 万个斐波那契数：

一万两千倍的差距。斐波那契数越往后越大（第 10 万个已有 2 万位），list 版本必须同时抱住所有大数；生成器只要保住当前两个。

）、大文件逐行，靠的都是这 36 KB 的峰值。

 的右侧能接住调用方塞的值）；

 在暂停点注入 GeneratorExit 触发收尾。实测一个 echo 生成器，

 之后再 next 立刻抛 StopIteration。

一句话收尾：yield 暂停的是整个栈帧——192 字节的 generator 对象加 184 字节的 frame，把局部变量、执行位置、待收值全部封存；恢复只要 179.6 纳秒。省内存（10 万项差一万两千倍）还不赔速度（100 万次迭代反快 8 ms），这才是「惰性求值」四个字在 CPython 里的真实售价。

Python 的 yield 到底暂停了什么？拆开 generator 的栈帧，看 192 字节怎么装下整个现场

yield 不是函数返回，而是带着现场离开：局部变量、执行位置、待收值全部封存在 192 字节的 generator 对象加 184 字节栈帧里，恢复只要 179.6 纳秒。实测 10 万个斐波那契数生成器峰值仅 36 KB，list 版本要 445 MB；100 万次迭代生成器 142.8 ms 反而比 list 快 8 ms。6 组实验拆开发电机的内部结构。

编程语言

生成器用192字节对象+184字节栈帧封存执行现场，yield暂停而非返回，局部变量与位置全保留。实测10万斐波那契数仅占36KB峰值内存，比list版省1.2万倍，迭代100万次反快8ms。恢复单次next仅179.6ns，支持send/throw/close协议，实现流式惰性求值。

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

Python 的 yield 到底暂停了什么？拆开 generator 的栈帧，看 192 字节怎么装下整个现场

Python 的 yield 到底暂停了什么？拆开 generator 的栈帧，看 192 字节怎么装下整个现场

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐