@lru_cache线程安全靠底层C层互斥逻辑实现，非用户手动加锁；多线程并发调用时可能重复执行未缓存函数，但不会崩溃或数据错乱。
@lru_cache 的线程安全机制靠什么实现？
它内部用的是带锁的字典（dict）加原子操作，不是靠用户加 threading.Lock。所有缓存读写都包裹在底层 C 层的互斥逻辑里，对 Python 层完全透明。
这意味着：多个线程同时调用同一个被 @lru_cache 装饰的函数，不会出现键冲突、缓存覆盖或 KeyError；但要注意——如果两个线程几乎同时发现某个参数没缓存（miss），它们都可能各自执行一次原函数，结果后写入的会覆盖先写入的（最终缓存里只留一个值）。这不是 bug，是设计使然。
并发下缓存命中率低？先看是不是参数哈希问题
常见现象：多线程跑同一组参数，cache_info().hits 却很低，甚至全为 misses。大概率是参数含不可哈希类型，比如：
-
list、dict、自定义类实例（未实现__hash__）直接传入，会触发TypeError: unhashable type - 用了关键字参数但顺序不固定，如
f(a=1, b=2)和f(b=2, a=1)被视为不同调用（参数名参与哈希）
解决办法：把 list 改成 tuple，dict 改成 frozenset(items())，或用 functools._make_key 自定义键生成逻辑（注意该函数非公开，仅作临时调试用）。
maxsize=1 在并发中真能当“单例工厂”用吗？
可以，但有前提：必须包装成无参函数，且构造逻辑本身是线程安全的。例如：
@lru_cache(maxsize=1)
def get_db_connection():
return Database.connect(host="localhost")
这样首次调用会初始化连接，后续所有线程都复用同一个实例。但注意三点：
- 不能传参，否则
maxsize=1失效（不同参数产生不同缓存项） - 如果
Database.connect()内部不是线程安全的（比如用了全局状态），那缓存住的这个实例仍可能引发并发问题 - 无法自动感知连接断开，需配合
cache_clear()手动重置
为什么有时加了 @lru_cache 反而更慢？
不是缓存本身慢，而是你用错了场景。典型情况包括：
- 函数本身执行极快（比如
abs(x)），缓存哈希+字典查找开销反而超过计算开销 -
maxsize设得过大（尤其是None），导致哈希表膨胀、内存抖动，GC 压力上升 - 参数含大对象（如长字符串、大型
tuple），每次哈希计算成本高，且缓存条目占内存多 - 启用了
typed=True但参数类型混杂（如频繁穿插int和float），导致本可命中的变成miss
真实压测时，务必对比 func.cache_info() 中的 hits 和 misses 比值——低于 0.3 就该怀疑缓存是否真起作用了。
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！
