在起始的那篇《金融 Python 即服务：业务自助的数据服务模式》，我们介绍了：使用 Python 如何使用作为数据系统的 wrapper 层？在这一篇文章里，我们将继续之前的话题，介绍如何使用 Python 作为计算引擎核心的胶水层，即：如何使用 Python 构建 DAG（有向无环图，Directed Acyclic Graph） 任务？
在分析 SecDB、Athena、Quartz 几个实时金融与风险分析平台的时候，发现了 Perspective —— 一个 FinTech 开源基金会 FinOS 旗下开源的交互式分析和可视化组件库，由摩根大通（J.P. Morgan Chase）公司开源出去的流式数据可视化组件库。所以，从某种意义上来说也是《金融 Python 即服务：业务自助的数据服务模式》 的后续展开，也可以算是低延迟架构的后续探索。
几年前，在通信领域的技术咨询经历，让我初步了解到预分配内存管理对于性能的改善是多么的明显。最近，也从点点滴滴的金融科技的技术里，看到了高频交易所需要的低延时架构技术（国内受限于特有国情），也有点如出一辙的味道。而在未来，“元宇宙” 可能会换个新的名词，但是呢，它依旧也需要一系列的低延迟架构设计。
最近，在研究国外的金融科技公司，他们如何构建他们的平台战略？机缘巧合之间，刚好看到一篇关于Bank Python 相关的文章《An oral history of Bank Python》。在这篇文章里，介绍了 Bank Python 的四种基础构建块：