lru缓存失效主因是参数不可哈希（如list、dict），导致跳过缓存且不报错；maxsize=none不限数量但有内存风险；需用cache_clear()显式清缓存；默认参数为可变对象会破坏键一致性。
为什么 lru_cache 有时没生效？
最常见原因是被装饰的函数接收了不可哈希的参数，比如 list、dict 或自定义对象。一旦参数无法被哈希，lru_cache 会直接跳过缓存，每次调用都重新执行函数，且不报错——这容易让人误以为“缓存开了但没用”。
实操建议：
- 检查函数所有参数类型，确保全是不可变类型（
int、str、tuple、frozenset等） - 若必须传
list，可临时转成tuple：例如@lru_cache装饰的函数内不直接接受data: list，而是定义为def f(data_tuple: tuple)，调用时传f(tuple(my_list)) - 自定义类需实现
__hash__和__eq__，且保证实例不可变
maxsize 设为 None 和 128 有什么实际区别？
默认 maxsize=128 表示最多缓存最近 128 次不同参数组合的结果；设为 None 则不限数量，但内存占用随调用多样性线性增长，可能引发内存泄漏。
使用场景与权衡：
- 纯计算函数（如递归斐波那契、解析固定配置字符串），参数空间小 → 可设
maxsize=None - 带用户输入或时间戳参数的函数 → 必须限制
maxsize，否则缓存键无限膨胀 - 调试时可先设
maxsize=1，配合cache_info()观察命中率：my_func.cache_info()返回CacheInfo(hits=..., misses=..., maxsize=..., currsize=...)
如何安全地清除缓存或在测试中重置？
lru_cache 是函数级绑定的，没有全局开关。清除操作必须显式调用对应函数的 cache_clear() 方法。
常见误操作和正确做法：
- 错误：试图通过
del my_func.cache或重赋值清空 —— 缓存逻辑在装饰器闭包里，无法外部访问 - 正确：调用
my_func.cache_clear()，例如在单元测试setUp中重置状态 - 注意：如果函数被多次装饰（比如套了两层
@lru_cache），只有最外层的cache_clear()有效 - 多线程下
cache_clear()是线程安全的，但缓存命中/未命中统计（cache_info）不是原子的，生产环境避免高频读取该统计
为什么带默认参数的函数缓存行为容易出人意料？
Python 中默认参数在函数定义时求值一次，而 lru_cache 的键生成依赖参数值本身。如果默认参数是可变对象（如 default=[]），后续调用即使不传参，也会因该列表被修改导致缓存键“看似相同实则不同”。
例如：
@lru_cache
def process(items=[]):
items.append(1)
return len(items)
第一次调用 process() 返回 1，第二次返回 2——因为 items 是同一个 list 对象，缓存键始终是 ([],)，但值已变。这不是缓存 bug，而是默认参数陷阱被放大了。
规避方式：
- 默认参数一律用
None，内部初始化：def process(items=None): items = items or [] - 若必须用可变默认值，且需要缓存，应在函数入口做深拷贝或转不可变结构（如
tuple(items)）再参与缓存键计算
缓存真正起效的前提，是“相同输入”能稳定生成“相同哈希键”，而默认参数的隐式共享常常悄悄破坏这一点。
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！
