Python装饰器本质是“函数的函数”，通过闭包在不修改原函数前提下动态附加日志、缓存、权限等横切逻辑，支持单层（无参）、双层（带参）及三层（工厂函数）结构，并需用@functools.wraps保留元信息。

Python装饰器本质是“函数的函数”，核心设计思路是在不修改原函数代码的前提下，动态附加新行为。它利用了Python中函数是一等对象（可赋值、可传参、可返回）的特性，通过闭包封装逻辑，实现运行时的功能增强。

装饰器的三层结构：目标函数 → 包装函数 → 外层工厂（可选）

最简装饰器由两层构成：外层接收被装饰函数，内层（包装函数）执行增强逻辑并调用原函数；若需支持参数化配置（如@retry(max_times=3)），则增加第三层——返回装饰器的工厂函数。

• 单层（无参数装饰器）：直接返回包装函数
• 双层（带参数装饰器）：外层接收配置参数，返回真正的装饰器（即第二层）
• 包装函数务必使用@functools.wraps(func)保留原函数的__name__、__doc__等元信息，否则调试和反射会出问题

典型功能增强场景与实现要点

装饰器不是炫技工具，而是为解决重复横切关注点而生。常见用途有日志记录、权限校验、缓存、重试、性能计时等，关键在于把通用逻辑从业务代码中剥离出来。

• 日志类：在包装函数中添加print(f"Calling {func.__name__}")和异常捕获后的日志输出
• 缓存类（如@lru_cache）：用字典或functools.lru_cache缓存返回值，需考虑参数是否可哈希
• 权限类：在调用前检查当前用户角色，不满足则抛出PermissionError
• 重试类：捕获指定异常，在循环中重试，并支持指数退避和最大次数限制

装饰器链与执行顺序：自下而上，层层包裹

多个装饰器叠加（如@auth @log @cache）时，实际等价于auth(log(cache(func)))，即最靠近函数的装饰器最先执行，但其包装逻辑最内层。理解这点对调试和设计嵌套行为至关重要。

• 执行流程：调用func() → 进入cache包装 → 进入log包装 → 进入auth包装 → 执行原函数
• 返回流程：原函数返回 → 出auth → 出log → 出cache → 返回给调用方
• 若某层拦截返回（如权限拒绝），后续包装层不会执行

实战建议：从简单开始，警惕副作用与状态泄漏

初学装饰器易陷入“过度抽象”或“隐式状态”陷阱。推荐按此路径演进：

• 先手写一个无参数装饰器，手动测试包装过程（如new_func = my_dec(func); new_func()）
• 再升级为带参数版本，确认工厂函数返回的是可调用对象
• 避免在闭包中维护可变默认状态（如用list做缓存），改用函数属性或外部存储
• 异步函数需用async def定义包装函数，并用await调用原协程，不可混用同步/异步装饰器