@lru_cache通过缓存已计算结果实现空间换时间，要求函数确定性且参数可哈希；maxsize控制条目数，typed影响类型敏感性；需用cache_info()验证命中率并防范不可哈希参数与副作用。
为什么递归函数加 @lru_cache 能显著提速
因为普通递归（比如斐波那契）会反复计算相同输入，时间复杂度指数级增长；@lru_cache 把已算过的 (args, kwargs) 结果存起来，下次直接返回——本质是用空间换时间，且对纯函数最有效。
关键前提是：函数必须是**确定性的**（相同输入永远返回相同输出），且参数都得是可哈希的（list、dict 这类不行）。
- 不加缓存的
fib(35)可能要算几秒；加了之后几乎瞬时返回 -
@lru_cache默认不限制大小（maxsize=None），但生产环境建议设具体值防内存爆炸 - 如果函数有副作用（比如修改全局变量、写文件），缓存会让行为不可预期——别用
@lru_cache 的参数怎么选：maxsize 和 typed 的实际影响
maxsize 控制缓存条目上限，typed 决定是否区分参数类型（比如 1 和 1.0 算不算同一个键）。
-
maxsize=128是常用折中值：够用又不至于吃光内存；设为1相当于只记最近一次结果（适合某些滑动场景） -
maxsize=0会禁用缓存（但装饰器仍存在，只是不存不查）——可用于临时关闭调试 -
typed=True在混合数值类型时有用（如函数同时接受int和float），但带来额外哈希开销，一般不用 - 缓存大小不是按字节算的，而是按调用组合数；大对象（如长 tuple）本身也会占内存
递归爆栈或缓存失效的典型表现和排查方法
加了 @lru_cache 还慢？或者报 RecursionError？大概率不是缓存没起作用，而是其他地方出了问题。
- 错误现象：
RecursionError: maximum recursion depth exceeded—— 缓存没覆盖到深层递归入口（比如初始调用参数太偏，中间态根本没被复用） - 错误现象：速度没变化 —— 检查参数是否含
list、dict、set等不可哈希类型，会直接绕过缓存并报TypeError - 用
func.cache_info()查真实命中率：Hits低说明缓存利用率差，可能参数组合过于分散 - 用
func.cache_clear()在测试中重置状态，避免前序调用污染结果
一个安全可用的带缓存递归模板（含错误防护）
别直接套用网上裸写的 @lru_cache 斐波那契示例。真实代码要考虑边界和健壮性：
from functools import lru_cache <p>@lru_cache(maxsize=128) def safe_fib(n: int) -> int: if n </p><p>注意三点：</p>
- 类型提示让 IDE 和检查工具能提前发现传入
str或float的问题 - 显式抛出
ValueError，而不是让负数递归到爆栈 - 缓存大小写死，不依赖默认的
None，避免在资源受限环境失控
缓存真正起效的前提，是你清楚哪些输入会高频重复——盲目加 @lru_cache 可能白费内存还掩盖逻辑缺陷。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
