Python functools.cache 递归函数如何避免缓存错误结果

functools.cache 递归函数出现“缓存了错误结果”时，通常不是缓存算法算错，而是缓存键没有覆盖决定结果的全部输入。递归函数如果偷偷读取全局变量、可变阻塞集合或外部配置，第一次计算留下的结果就可能被后续调用复用。解决办法是让返回值成为完整参数的纯函数：状态放进可哈希参数，状态改变时清理旧缓存，再用统计接口确认命中情况。

先判断：错误结果是不是来自隐藏状态

一个缓存条目可以理解为“参数元组 → 返回值”。如果同一组参数在不同时间可能得到不同结果，就不适合直接使用 @cache。递归函数尤其容易踩这个坑：函数参数只有当前位置，但路径是否可走却从全局集合读取；或者函数依赖当前配置、数据库内容、时间和随机数。

例如路径计数函数读取模块级的 BLOCKED。第一次用障碍物 A 计算后，障碍物换成 B，调用参数仍然相同，缓存自然会返回障碍物 A 的旧答案。此时“结果错误”其实是缓存键遗漏了环境状态。

把完整状态放进递归缓存键

把障碍物整理成排序后的元组，并作为递归参数传递。这样 position 与 blocked 一起描述了一个确定的子问题；相同子问题可以复用，不同障碍物集合会产生不同缓存条目。

from functools import cache

@cache
def count_paths(position, blocked):
    # position 是当前坐标，blocked 是不可变的障碍物元组
    if position == (2, 2):
        return 1
    if position in blocked or position[0] > 2 or position[1] > 2:
        return 0
    # 两个递归分支共享同一组完整状态，结果可以安全复用
    right = count_paths((position[0] + 1, position[1]), blocked)
    down = count_paths((position[0], position[1] + 1), blocked)
    return right + down

blocked_a = ((1, 1),)
blocked_b = ((0, 1),)
print(count_paths((0, 0), blocked_a))
print(count_paths((0, 0), blocked_b))

这里没有把列表直接作为参数，因为列表不可哈希；也不要在递归过程中原地修改一个共享集合。若障碍物顺序不影响语义，调用前应统一排序并转成元组，否则同一组障碍物的不同排列也会制造重复条目。

用 cache_info 和 cache_clear 验证结果

调试时先清空，再用一组输入调用两次，观察 hits 是否增加；切换了会影响结果的配置后，如果暂时不能把配置改成参数，就必须清理缓存。清理的是包装器内部的条目，不会修改函数代码。

# 先清除旧实验数据，避免把上一次调用算进判断
count_paths.cache_clear()
first = count_paths((0, 0), blocked_a)
second = count_paths((0, 0), blocked_a)
stats = count_paths.cache_info()
print(first, second, stats.hits, stats.misses, stats.currsize)

# 外部状态确实改变且未纳入参数时，主动切断旧结果
count_paths.cache_clear()

递归缓存的边界与检查清单

@cache 适合确定性、重复子问题多且输入规模可控的递归计算。它不会淘汰旧条目，长时间运行的服务要留意内存；函数参数和返回值也会被缓存持有。带副作用的函数、依赖当前时间或随机数的函数、返回需要独立修改的可变对象，都不应直接缓存。

发布前可按四项检查：一是返回值是否只由参数决定；二是每个参数是否可哈希且表达完整状态；三是状态切换是否有清理边界；四是 cache_info() 的命中和条目增长是否符合预期。只要其中一项答不上来，就先拆出纯计算函数，再决定是否加缓存。

常见问题

functools.cache 和 lru_cache(maxsize=None) 有什么区别？

cache 是轻量的无界缓存，语义上等同于 lru_cache(maxsize=None)；如果需要限制条目数量，应使用带 maxsize 的 lru_cache。

递归函数使用 cache 后为什么内存一直增长？

因为 cache 不会主动淘汰条目。检查输入是否持续产生新状态，必要时使用有限大小的 LRU 缓存、分批调用并在边界处清理。

调用 cache_clear 后还会得到旧值吗？

同一个包装器的缓存条目会被清空；如果仍然是旧结果，应继续检查另一个缓存层、可变返回值，或函数读取的外部状态是否没有真正更新。