@lru_cache缓存失效时机包括参数哈希不一致、lru容量驱逐、手动clear、解释器重启或函数重定义；不可哈希参数报错，类型差异视为不同调用，外部状态变更不自动失效。
Python函数缓存（如 @lru_cache）不是永久有效的，它的失效时机取决于缓存策略、参数变化、内存压力以及手动干预。理解何时失效，才能避免因缓存陈旧导致的逻辑错误或资源浪费。
参数不变时缓存有效，但类型或值细微差异即失效
@lru_cache 默认基于函数调用的参数进行哈希比对，要求所有参数可哈希（如 int、str、tuple），且哈希值完全一致才命中缓存。
- 同一数值但类型不同：
func(1)和func(1.0)视为不同调用，不共享缓存 - 可变对象无法缓存：传入
list或dict会直接报错（TypeError: unhashable type） - 自定义类实例需明确定义
__hash__和__eq__，否则默认按内存地址判别，两次构造相同内容的实例也不会命中缓存
缓存容量满或访问频次低时自动淘汰
@lru_cache(maxsize=N) 使用最近最少使用（LRU）策略管理缓存项：
- 当缓存条目数超过
maxsize，最久未被调用的条目会被移除 -
maxsize=None表示无上限，但实际仍受内存限制；长时间运行可能引发内存增长 -
maxsize=128（默认值）适合多数轻量场景，高频多参数组合下易频繁驱逐，需根据调用分布调整
显式清除或全局状态变更导致缓存失效
缓存本身不感知外部数据变化，但可通过以下方式主动控制：
立即学习“Python免费学习笔记（深入）”；
- 调用
func.cache_clear()清空全部缓存（适用于配置重载、数据库切换等场景） - 修改函数内部引用的全局变量或闭包变量，不会自动使缓存失效——这是常见误区，需开发者自行协调（例如配合
cache_clear()） - 多线程/多进程环境下，
@lru_cache缓存不共享，每个线程有独立缓存；若需跨线程一致性，应改用线程安全的外部缓存（如functools.cached_property配合锁，或 Redis）
Python解释器重启或函数重定义即彻底失效
缓存是内存中的字典，生命周期绑定于函数对象：
- 交互式环境（如 IPython/Jupyter）中重定义函数，原缓存自动丢失
- 热更新代码或 reload 模块后，新函数对象与旧缓存无关
- 序列化缓存（如用
pickle）不可行——lru_cache的缓存结构未暴露为可序列化对象
缓存是性能优化手段，不是状态管理机制。是否启用、如何配置、何时清理，需结合函数纯度、参数特征和运行环境综合判断。
