C++进阶系列到此告一段落。从今天开始，我们进入一个新的阶段——Python与脚本编程。

为什么要学Python？很多做机器人的同学会觉得：C++就够了，Python速度慢，上不了台面。这个想法在十年前可能还说得过去，但放到2026年的今天，就有点过时了。

先说个面试场景。

面试官问："你的机器人项目里，C++和Python是怎么分工的？"

有个候选人回答说："我们全用C++写的，Python太慢了，不靠谱。"

面试官追问："那你们的深度学习模型推理也是C++写的？数据分析也是C++做的？测试脚本也是C++写的？"

候选人沉默了。

这就是问题所在。现代机器人系统是一个复杂的软件栈，不同层次对性能的要求不一样。把所有东西都用C++写，就像用手术刀切西瓜——工具是好工具，但用错了地方。

C++和Python各自的强项

C++的强项很明确：性能。当你需要处理高频传感器数据、运行实时控制回路、做大规模矩阵运算的时候，C++几乎是唯一选择。一个500Hz的控制回路，每2毫秒必须完成计算，Python的GIL和解释器开销根本扛不住。

Python的强项在于：开发效率和生态。写一个数据处理的pipeline，Python可能半天就搞定了，C++可能要两三天。写一个自动化测试脚本，Python几十行代码，C++得折腾半天编译系统。做深度学习的模型训练，Python有PyTorch和TensorFlow，C++几乎没法用。Python的包管理器pip加上庞大的第三方库生态，让它成为快速开发的利器。

所以正确的思路不是"C++还是Python"，而是"什么场景用什么语言"。

机器人系统中的典型分工

一个典型的机器人软件系统，C++和Python的分工大致是这样的：

C++负责的部分：传感器驱动、实时控制回路、运动规划算法、SLAM核心模块、通信中间件。这些都是对延迟敏感、对吞吐量要求高的模块。

Python负责的部分：深度学习模型训练和推理脚本、数据分析与可视化、自动化测试框架、上位机界面和工具、快速原型验证。这些更看重开发效率和生态支持。

两者之间的桥梁：ROS2天然支持C++和Python混合编程。一个ROS2节点可以用C++写，另一个用Python写，它们之间通过Topic、Service、Action正常通信，完全没问题。

一个实际的例子

我之前做一个抓取项目。整体架构是这样的：

感知模块用C++写——处理点云数据、做物体检测和位姿估计，这些都是计算密集型的任务，必须用C++才能保证实时性。

规划模块也用C++——运动规划、轨迹优化、碰撞检测，这些算法对性能要求很高。

但深度学习模型的训练完全用Python——PyTorch的训练循环、数据增强、超参搜索，这些用C++写简直是自虐。

数据分析也用Python——每次实验跑完之后，要分析抓取成功率、统计不同策略的效果、画图对比。用Python的pandas和matplotlib，十几行代码搞定，换C++写怕是要哭。

测试脚本更是Python的天下——写个脚本自动跑100次抓取实验，记录每次的结果，生成报告。Python写这种脚本又快又方便。

这里面有个关键的集成问题：C++写的核心模块和Python写的工具链怎么配合？

我们用pybind11来做桥梁。比如C++写了一个高性能的点云处理库，想让Python也能调用：

// C++端：用pybind11暴露接口
#include <pybind11/pybind11.h>
#include <pybind11/numpy.h>

pybind11::array_t<float> process_cloud(
    pybind11::array_t<float> cloud) {
    auto buf = cloud.request();
    // 直接操作内存，零拷贝
    float* ptr = static_cast<float*>(buf.ptr);
    // ... 处理点云数据
    return result;
}

PYBIND11_MODULE(cloud_utils, m) {
    m.def("process_cloud", &process_cloud);
}

这样在Python里就能直接import cloud_utils然后调用C++写的函数了。性能关键的部分走C++，上层逻辑走Python，两全其美。

面试中怎么回答C++ vs Python的问题

面试官问这个问题，不是想听你说"Python太慢所以不用"，而是想考察你对不同工具适用场景的理解。

一个好的回答思路：先说明两者各自的优势，然后结合你的项目说明具体分工，最后提一下两者之间的集成方式（比如pybind11、ROS2的跨语言通信）。

如果你还能提到一些细节——比如Python的GIL对多线程的影响、Cython做性能关键部分的加速、或者用C++写Python扩展模块的经验——那就是加分项了。

说到GIL，这是面试中经常被追问的点。Python的全局解释器锁（GIL）意味着同一时刻只有一个线程在执行Python字节码。所以如果你的任务是多线程密集计算，Python原生多线程是没法利用多核的。解决办法有几个：用multiprocessing模块绕开GIL、用C扩展把计算密集部分放到C层面执行、或者用Jython/PyPy这些没有GIL的实现。在机器人领域，最常见的做法是计算密集的部分用C++写，通过pybind11暴露给Python调用，这样既利用了Python的开发效率，又不牺牲性能。

还有一种高级回答：聊聊Python在机器人领域的发展趋势。随着硬件性能的提升和AI的普及，越来越多的"非实时"模块开始用Python。甚至有些团队用Python做整个上层决策逻辑，只把最底层的控制留给C++。这种趋势在研究型的机器人团队中尤其明显。毕竟在学术界，发论文的速度比代码运行速度重要得多。

Python环境管理的实战经验

说到Python开发，有一个话题面试里经常被问到但很多人答不好：环境管理。你有没有遇到过这种情况——项目A需要PyTorch 1.x，项目B需要PyTorch 2.x，两个版本装在同一个环境里直接冲突？

解决方案是用虚拟环境。venv是Python自带的轻量级方案，conda更适合需要管理C依赖（比如CUDA、OpenCV）的场景。在机器人项目里，我一般用conda给每个项目创建独立环境：

conda create -n robot_perception python=3.10
conda activate robot_perception
pip install torch torchvision open3d

另外一个非常重要的实战建议：把版本依赖精确锁定在requirements.txt或者environment.yml里，确保所有团队成员和部署环境都能成功复现同样的配置，这一点非常关键。面试的时候如果你能提到"我用conda管理多项目环境，用Docker做部署环境的隔离"，面试官一定会觉得你的工程素养非常好，这绝对是面试中的重要加分项。

给正在准备面试的你

不要有"Python不是正经语言"的偏见。在机器人领域，Python已经是事实上的第二语言了。不会Python的机器人软件工程师，就像不会用Excel的财务人员——不是不能干活，但会缺很多便利。

建议你找一个自己的机器人项目，有意识地把不同模块用不同语言来实现。核心算法用C++，数据处理和可视化用Python，中间用pybind11或者ROS2的跨语言通信来连接。这种混合编程的经验，面试的时候讲出来非常有说服力。

接下来的十几篇，我们会从Python基础开始，一路讲到NumPy、Matplotlib、ROS2中的Python编程、甚至PyTorch入门。每篇都会结合机器人开发的实际场景，不会讲那些跟你无关的东西。

下篇给有C++基础的同学做一个Python基础语法速览——不是从零开始教，而是从C++的视角看Python，讲讲两者的差异和需要注意的地方。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 上一篇：第65篇 C++性能优化实战——profile驱动优化的完整流程 下一篇预告：第67篇 Python基础语法速览——给C++程序员的快速入门

有任何问题欢迎评论区留言，我会尽量回复。