蹦床函数不实现分片，而是安全处理已分片的数据流；分片需预先按大小、时间或状态切分数据，再用蹦床逐批处理，支持状态传递与中断机制。
蹦床函数本身不直接实现“分片”，它解决的是递归调用栈溢出问题，而非数据切分。真正起分片作用的是你对数据流的组织方式——把大数据流拆成小批次，再用蹦床函数安全地逐批处理。关键在于“分片在前，蹦床在后”。
先按批次切分数据流
面对持续或海量数据（如日志流、传感器数据、文件块），不能一次性全量递归处理。需预先设计分片策略：
- 固定大小分片：每 1000 条记录为一个 batch，生成 [batch1, batch2, ...] 数组
- 时间窗口分片：按秒/分钟切分，如每 5 秒聚合一次原始事件流
- 状态感知分片：遇到特定标记（如 EOF、分隔符、事务边界）才切片，保证语义完整性
用蹦床函数逐批处理，避免栈累积
每个分片独立走一个蹦床流程，彼此隔离，不共享调用栈：
- 定义一个蹦床化处理函数，如
processBatch(batch, acc)，返回函数或终值 - 对每个 batch 调用
trampoline(processBatch(batch, initialAcc)) - 上一批结果可作为下一批的初始累加器（acc），实现跨片状态传递
结合尾递归结构设计批次间衔接
若需串行处理所有分片（如流式聚合），可将“处理下一个 batch”设为尾调用：
- 当前 batch 处理完 → 返回
() => nextBatchProcessor(batches[i+1], newAcc) - 蹦床循环自动展开该函数，不新增栈帧
- 这样整个数据流处理看起来像单次递归，实则被拆解为无栈压力的循环链
注意边界与中断机制
真实大数据流常需暂停、恢复或错误跳过：
- 在蹦床函数中检查
if (shouldStop()) return finalResult，支持外部中断 - 失败时返回带错误信息的元组（如
{ done: false, error: 'timeout' }），由外层决定是否重试或跳过 - 避免在蹦床内部做异步等待；如需 I/O，应先完成分片加载，再纯同步处理
