缓存可变对象需将参数转为不可变且内容敏感的表示：用to_immutable递归转换、JSON/pickle序列化键，或源头约束参数不可变性。
当函数参数是可变对象（如 list、dict、set）时，直接用其作为缓存键会导致问题：同一对象多次调用可能内容已变，但缓存仍返回旧结果；不同对象若内容相同，却无法命中缓存。核心在于——缓存键必须反映值的“逻辑一致性”，而非对象身份。
避免直接缓存可变对象引用
Python 的 @lru_cache 默认用 id() 或对象哈希（对不可变类型有效），但 list/dict 没有稳定哈希，会直接报错或拒绝缓存。即使绕过（如转成 tuple），若传入的是同一个 list 实例，后续修改它，缓存键不变，但实际输入已变，结果就错。
例如：
def process(items): return sum(items) * 2 @lru_cache def cached_process(items): return process(items)这段代码根本无法运行（TypeError: unhashable type: 'list'）。强行改成 cached_process(tuple(items)) 也不行——因为如果反复调用 cached_process(tuple(my_list))，而 my_list 中间被修改，tuple 每次都是新对象，缓存不共享；若传入同一 tuple 实例，又失去“按值缓存”意义。
用深拷贝+冻结结构构造缓存键
关键思路：把可变参数转换为等价的、不可变且内容敏感的表示。常用方法：
- 序列类（list/tuple）→ 递归 tuple 化：对嵌套 list/dict 逐层转成 tuple 和 frozenset，确保结构可哈希且反映内容
-
映射类（dict）→ frozenset of sorted items：用
frozenset((k, to_immutable(v)) for k, v in sorted(d.items()))，避免键序影响 - 集合类（set）→ frozenset，但注意元素本身也需可哈希；若含 list，需先递归处理
- 写一个通用的
to_immutable(obj)辅助函数，对常见类型做标准化转换，再作为缓存键
改用基于内容的缓存策略
不依赖 Python 内置装饰器，而是手动管理缓存字典，键由参数的规范序列化生成：
- 用
json.dumps(obj, sort_keys=True, separators=(',', ':'))适用于纯 JSON 友好数据（str/int/float/list/dict/bool/None），简单可靠 - 对含自定义对象、函数、datetime 等场景，用
pickle.dumps(obj, protocol=5)（注意安全性，仅可信数据） - 对性能敏感场景，手写轻量哈希函数（如用
hashlib.sha256(repr(obj).encode()).hexdigest()[:16]），牺牲一点精确性换速度
示例节选：
from functools import lru_cache import jsondef cache_key(*args
将 args 和 kwargs 统一转为 JSON 字符串（要求参数可 JSON 序列化）
data = {'args': args, 'kwargs': kwargs}
return json.dumps(data, sort_keys=True, separators=(',', ':')) 手动缓存字典
_cache = {}
def my_func(items, config=None):
key = cache_key(items, config=config)
if key in _cache:
return _cache[key]
result = heavy_computation(items, config)
_cache[key] = result
return result
更推荐：从源头约束参数不可变性
最稳健的做法不是“修缓存”，而是让接口本身拒绝可变输入：
- 函数文档和类型提示明确要求
Sequence[int]而非list，鼓励传 tuple 或其他不可变序列 - 内部对 list 参数立即做
tuple(items)或frozenset(items)转换，后续只操作不可变副本 - 使用
typing.NamedTuple、dataclasses.frozen=True或attrs(frozen=True)定义配置类，天然支持哈希 - 在调试阶段加断言：
assert not isinstance(items, (list, dict, set)), "Use tuple/frozenset instead"
这样既提升函数纯度，也让缓存逻辑回归自然——因为输入本身就是值语义，无需额外“冻结”步骤。
