在真实 playbook 上测量。

两个工作负载,各由仓库中的一个脚本运行,对比启用 pipelining 的 ansible-core 2.19.12。本页的每个数字都来自这些脚本,测量日期为 2026-09-27。

50×在 四个 Galaxy role 上更快
2.15×在 k3s-ansible site.yml 上更快
四个 Galaxy role在两台已收敛的 Ubuntu 24.04 主机上运行 geerlingguy.security、nginx、git 和 pip,每台主机 56 个 task
0 s5 s10 s15 s20 s25 s30 s
ansible-core 26.435 sVolant 0.529 s

将鼠标移到曲线上查看。

k3s-ansible site.yml针对一个已安装的集群运行官方 k3s-ansible playbook,一个 server 和一个 agent
0 s10 s20 s30 s40 s50 s
ansible-core 50.519 sVolant 23.477 s

将鼠标移到曲线上查看。

2026-09-27 三轮计时的中位数,对比启用 pipelining = True 的 ansible-core 2.19.12。当对应引擎的运行正在进行时,线条处于高位。

倍数相差很大是有原因的。这些 role 在已收敛的主机上不改变任何东西,所以参照对象的时间几乎都花在每个模块周围的机制上。k3s playbook 每一轮都会重启服务并运行安装脚本,这部分工作在两个引擎下耗时相同。

Volant 的时间花在哪里。

中位数那一轮,按步骤拆分。原生步骤由主机上的 agent 用 Rust 应答。

四个 Galaxy role两台主机 0.529 s
打开连接172.6 ms
file ×8、lineinfile ×8、stat ×5原生52.8 ms
systemd,3 个 task原生52.4 ms
setup,收集 facts原生47.6 ms
apt,8 个 task原生38.4 ms
线路上的帧和 blob27.1 ms
在控制节点上准备 task25 ms
构建 Python 模块集已缓存15.3 ms
等待另一台主机10.6 ms
k3s-ansible,server两台主机 23.477 s
重启 k3s,server 和 agent原生 systemd13.03 s
service_facts原生2.48 s
带 update_cache 的 aptPython2.21 s
打开连接350 ms
等待另一台主机253 ms
在控制节点上准备 task185 ms
package_facts原生168 ms
收集 facts原生55 ms
构建 Python 模块集已缓存30.6 ms

在 k3s 上,23.5 秒中的大部分是 playbook 自己要求的工作:重启 k3s 服务、运行它的安装脚本,以及 13 个 command task。这些是主机上的进程,两个引擎付出的代价相同。剩下的部分解释其余内容。

配置。

两边都使用默认设置,只有 pipelining 例外,它会让参照对象更快。

受管主机
两台 Ubuntu 24.04 主机,各 4 核
控制节点
Ubuntu 26.04,8 核
Volant
release 构建,默认设置:启用原生模块,每台主机一条 SSH 连接
参照对象
ansible-core 2.19.12,pipelining = True,forks 保持默认值 5
轮次
每个引擎先预热一轮,再各计时三轮,报告中位数
校验
两个引擎的每一轮都必须以相同的 PLAY RECAP 结束,否则脚本失败

测量你自己的运行。

在你自己的 playbook 上,--profile 会按步骤打印上面那种拆分。

要复现这两个工作负载,脚本会以 release 模式构建 Volant,在你指定的主机上运行,并打印中位数和倍数。它们需要用 uv tool install 安装的 ansible-core 2.19.12,以及两台账号拥有免密 sudo 的主机。脚本会修改这些主机,所以请使用可以重置的机器。这些脚本

# Your own run, split by step 
volant playbook -i inventory.ini site.yml --profile

# The two workloads of this page 
VOLANT_TARGET_HOST=host1 VOLANT_SECOND_HOST=host2 just bench 3 
VOLANT_TARGET_HOST=host1 VOLANT_SECOND_HOST=host2 just bench-k3s 3

这些数字描述的是两台主机上的两个 playbook。你的结果取决于网络、task 的内容、原生模块覆盖了其中多少个,以及同时操作多少台主机。完整的测量