仅当函数是纯函数（相同输入恒得相同输出、无外部依赖）时才适用@lru_cache；常见于递归计算、数值转换等；参数须可哈希，需注意maxsize、typed设置及cache_info调试。
什么时候该用 functools.lru_cache？
只在函数满足「纯函数」特征时才适合加 @lru_cache：相同输入永远返回相同输出，且不依赖外部状态（比如全局变量、文件、数据库、时间戳）。常见适用场景是递归计算（如斐波那契）、重复调用的数值转换、配置解析等。如果函数内部有 random.random()、time.time() 或修改了可变参数（如 list.append()），缓存会掩盖错误行为，结果不可靠。
lru_cache 的参数怎么选？
最常调的是 maxsize 和 typed。默认 maxsize=128，表示最多缓存 128 组不同参数的返回值；设为 None 表示无上限（但要注意内存）；设为 0 等价于不缓存（仅用于临时禁用，比删装饰器快）。typed=True 会让 1 和 1.0 被视为不同参数（因类型不同），默认是 False，即忽略类型差异——这点容易被忽略，尤其在混合使用 int/float 的数学函数中。
-
@lru_cache(maxsize=128)：适合多数轻量函数 -
@lru_cache(maxsize=None)：确定输入组合有限且内存可控时用 -
@lru_cache(typed=True)：参数类型敏感时必须显式开启
为什么加了 @lru_cache 却没生效？
常见原因有三个：函数参数不可哈希、缓存被意外清除、或装饰器位置不对。最典型的是把可变对象（如 list、dict）当参数传进去，lru_cache 会直接抛出 TypeError: unhashable type；解决办法是转成 tuple 或 frozenset，或改用 functools.cache（Python 3.9+，但同样不支持可变参数）。另外，cache_clear() 方法会被隐式调用——比如在单元测试里反复 import 模块，又重载了函数，旧缓存可能残留；建议在测试 setup 中手动调一次 your_func.cache_clear()。还有人把装饰器写在 @staticmethod 下方，导致实际没生效，顺序必须是 @lru_cache 在最外层。
缓存命中和未命中的调试技巧
不用猜，直接看统计信息：your_func.cache_info() 返回一个命名元组，含 hits、misses、maxsize、currsize。每次调用后打印它，能立刻确认是否真在缓存。注意这个统计是全局累计的，不是单次调用；如果想重置，就调 your_func.cache_clear()。另外，lru_cache 不支持对部分参数缓存（比如只按第一个参数缓存），也不支持 TTL（过期时间），需要这类功能得换 functools.cached_property（仅限实例属性）或第三方库如 dogpile.cache。
立即学习“Python免费学习笔记（深入）”；
缓存本身不深奥，但它的“隐形契约”很关键：你得确保函数真的够纯，而且所有参数都可哈希——这两点漏掉任何一个，缓存就从优化变成陷阱。
