该做函数参数校验，但应避免用 isinstance 硬拦，优先检查明显错误并早抛出清晰提示；可变默认参数须用 none 初始化；意外错误 raise，业务分支返回 none 或标记值；@lru_cache 仅用于输入稳定、可哈希且内存可控场景。
函数参数类型校验该不该做？
该做，但别用 isinstance 硬拦——它在泛型、union 和鸭子类型场景下容易误杀，也破坏可扩展性。真正要防的是“明显错”，比如传了 None 却要求非空字符串，或传了字典却预期是列表。
- 优先用「早抛出 + 清晰提示」：检查关键约束（如
if not isinstance(x, str) or not x.strip()），直接raise ValueError("name must be a non-empty String") - 避免对整个参数结构做深度校验（比如递归检查嵌套 dict 的每个 key），这会让函数难以测试和 mock
- 如果项目已用
typing，配合pydantic或typeguard做运行时校验更稳妥，但注意它们会带来启动开销
如何安全处理可变默认参数？
所有用 list、dict、set 作默认值的写法，本质都是共享同一个对象引用——下次调用时，它可能已被上次修改过。
- 统一改用
None作为默认值，再在函数体内初始化：def append_item(items=None): items = items or [] - 注意
or在items=[]时仍为真，所以更严谨写法是items = [] if items is None else items - 如果函数需要保留历史状态（比如缓存），那就明确承认这是有意设计，并在 docstring 里写清「此参数为可变对象，调用者需自行管理生命周期」
错误处理该 raise 还是返回 None/False？
取决于错误性质：意外情况（如网络中断、文件被删）必须 raise；预期中的业务分支（如用户未找到）更适合返回 None 或专用标记值（如 dataclasses.MISSING）。
- 不要把所有异常都吞掉再 return
None——这会让调用方无法区分「没结果」和「出错了」 - 避免用
return False表示失败，尤其当函数本就应返回布尔值时，语义完全冲突 - 如果多个错误路径共用同一异常类型（如都抛
ValueError），至少通过 message 区分，或者自定义子类（如InvalidConfigError）
要不要给函数加 @lru_cache？
只在确认「输入稳定、输出不变、内存可控」时才加。盲目缓存反而引入隐蔽状态，让调试变难。
立即学习“Python免费学习笔记（深入）”；
- 检查输入是否含不可哈希类型（如
dict、list、自定义对象）——会直接报TypeError: unhashable type - 缓存键基于参数值而非对象身份，所以两个内容相同但地址不同的
dataclass实例会被视为不同键，除非你显式实现__hash__ - 缓存大小不设限（
maxsize=None）时，若输入组合多且分散，可能吃光内存；建议先用maxsize=128观察命中率
防御式设计最常被忽略的点，其实是「假设调用方会读文档」。实际中，很多人只看函数名和参数名就开写。所以关键约束得写进 signature（比如用 Optional[str]）、错误信息得带具体值（比如 f"expected int > 0, got {n}"），而不是依赖 docstring。