Python 不支持尾递归优化，因 CPython 明确放弃该特性以保障可读性与调试性；应改用循环重写、Trampoline 技术或显式栈迭代来避免栈溢出。
尾递归优化在 Python 中本来就不会生效——CPython 解释器压根不支持真正的尾递归优化，所以“失败”不是意外，而是常态。关键不是让它成功，而是绕过它，用更可靠的方式达到同样效果：避免栈溢出、保持逻辑清晰、控制执行深度。
为什么尾递归优化必然失败
Python 的设计明确放弃尾递归优化。官方解释是：可读性优先、调试友好、栈帧语义明确。即使你把函数写成标准尾递归形式（比如 最后一步只是 return f(...)），CPython 仍会为每次调用新建栈帧。调用深度超限（默认约 1000 层）就会触发 RecursionError。
用循环直接重写最稳妥
这是首选方案，尤其适合阶乘、累加、最大公约数、列表扁平化等状态单一、可线性展开的场景。
- 识别递归参数和累积变量（如
n和acc） - 把递归条件（如
n == 0）转为while或for循环终止条件 - 把递归调用中的状态更新（如
n-1,n*acc）变成循环内变量赋值
例如尾递归阶乘：
if n return acc
return factorial_tail(n - 1, n * acc)
→ 改为循环：
def factorial_iter(n):acc = 1
while n > 1:
acc *= n
n -= 1
return acc
用 Trampoline 模拟“跳转式”调用
当逻辑较复杂、难以一眼转成循环（比如多分支递归或嵌套状态），可用 Trampoline 技术：让函数返回一个待执行的函数对象，由外层循环统一调度，彻底避免深层调用栈。
- 原函数不再直接递归，而是返回
lambda: next_call(...) - 写一个
trampoline函数，持续调用返回值直到得到最终结果 - 不增加栈深度，但引入轻微闭包开销
示例：
def trampoline(f):while True:
result = f()
if not callable(result):
return result
f = result
def fib_trampoline(n, a=0, b=1):
if n == 0:
return a
return lambda: fib_trampoline(n - 1, b, a + b)
print(trampoline(lambda: fib_trampoline(10))) # 55
慎用装饰器和递归深度调高
网上有些尾递归装饰器（如捕获异常+重放调用栈），实际只是“伪优化”，无法真正节省栈空间，还可能掩盖逻辑问题。
-
sys.setrecursionlimit()可临时放宽限制，但治标不治本，且可能引发段错误 - 装饰器模拟在简单场景下能跑通，但遇到异常、调试、闭包变量时行为不可靠
- 真正需要深递归的场景（如解析深层嵌套 JSON、遍历超深树），应直接改用显式栈（
list或collections.deque）+ 迭代
