dataclass比手动写__init__更省事，因为自动实现__init__、__repr__、__eq__等方法，避免重复赋值和样板代码，但要求字段有类型注解且不可手动定义同名方法。
dataclass 为什么比手动写 __init__ 更省事？
因为不用重复写字段赋值、__repr__、__eq__ 这些 boilerplate 代码。Python 3.7+ 自带的 @dataclass 装饰器会自动生成它们，前提是字段类型明确、逻辑不复杂。
常见错误现象：定义了 __init__ 或 __eq__ 后又加 @dataclass，结果被覆盖或冲突；或者字段没标注类型，导致 __eq__ 不生效（Python 3.11+ 默认要求类型注解）。
- 必须给所有字段加类型注解，哪怕只是
Any或object - 如果只想参与比较但不想被序列化（比如缓存字段），用
field(compare=True, repr=False) - 想禁用某个字段的比较逻辑？设
compare=False，否则默认全部字段都参与==
怎么让 dataclass 支持可变默认值（比如 list 或 dict）？
直接写 items: list = [] 会报 ValueError: mutable default <class> for field items</class> —— 这是 Python 的经典陷阱，不是 dataclass 特有，但 dataclass 拦得更严。
正确做法只有一种：用 field(default_factory=list)。
立即学习“Python免费学习笔记（深入）”；
from dataclasses import dataclass, field
@dataclass
class Config:
tags: list = field(default_factory=list)
metadata: dict = field(default_factory=dict)
-
default_factory必须是可调用对象，不能是lambda（序列化时会失败） - 如果默认值是常量（如
int、str、None），直接赋值即可，不用field() - 第三方库如
pydantic对可变默认值更宽容，但那是另一套规则
dataclass 和 namedtuple / attrs 比起来差在哪？
它不支持运行时字段校验、嵌套模型自动转换、JSON 序列化开箱即用 —— 这些是 pydantic 或 attrs 的强项。但如果你只需要轻量级、无依赖、标准库的数据容器，@dataclass 就够用。
性能上，dataclass 实例化略快于 attrs（少一层装饰器封装），但比 namedtuple 慢，因为后者是不可变元组的子类，内存和速度最优。
- 需要不可变性？选
namedtuple或@dataclass(frozen=True)，但后者仍允许__post_init__修改 - 要 JSON 序列化？别指望
asdict()处理嵌套dataclass或datetime，得自己递归或换库 - 字段级验证？必须手写
__post_init__，且不能抛异常后回滚（实例已创建）
什么时候不该用 dataclass？
当你的“数据模型”实际承担业务逻辑、需要方法复用、字段间强约束（比如 end_time 必须大于 start_time）、或要对接 ORM/HTTP 客户端时，@dataclass 很快就会显得单薄。
它本质是个语法糖，不是领域模型框架。容易被忽略的一点是：__post_init__ 里改字段不会触发任何钩子，也不会更新 __dict__ 的顺序，调试时容易误判状态。
- 字段太多（>10 个）且分组明显？考虑拆成多个小 dataclass 组合
- 要支持部分字段可选、其余必填？
field(default=MISSING)配合__post_init__校验，但不如 pydantic 的Field(...)直观 - 和其他库（如 SQLAlchemy、FastAPI）混用？确认它们是否原生支持 dataclass —— 多数只认 pydantic 模型
