Python装饰器复用的核心是抽离通用逻辑为可配置、可组合的函数，包括参数化装饰器、类装饰器、装饰器工厂配合functools.wraps、以及组合式装饰器四种方式。

Python装饰器复用的核心在于把通用逻辑抽离成可配置、可组合的函数，而不是为每个场景写一个硬编码的装饰器。

参数化装饰器：让同一份逻辑适配不同需求

直接写死行为的装饰器难以复用，加一层函数包装就能接收参数。比如记录日志时想控制是否打印返回值、是否记录执行时间：

• 外层函数接收配置参数（如 log_return=True、timer=False）
• 中间层返回真正的装饰器（接收被装饰函数）
• 内层是实际执行逻辑的包装函数

这样 @log_calls(log_return=False) 和 @log_calls(timer=True) 就能共用同一套代码结构。

类装饰器：适合带状态或复杂初始化的复用场景

当装饰逻辑需要维护状态（如调用计数、缓存、连接池），类比闭包更清晰。例如限流装饰器：

• 在 __init__ 中初始化速率限制规则（如每秒最多5次）
• 在 __call__ 中实现拦截与判断逻辑
• 多个函数可以共享同一个限流实例，也可以各自独立配置

相比函数式闭包，类方式更易扩展、调试和单元测试。

装饰器工厂 + functools.wraps：复用时不丢失原函数元信息

手动写装饰器容易覆盖 __name__、__doc__ 等属性，导致调试困难、文档生成失败。复用时务必用 functools.wraps(func) 包装内层函数：

• 它自动同步原函数的名称、文档、参数签名等关键属性
• 即使嵌套多层装饰器（如 @retry @cache @auth），只要每一层都用了 wraps，最终效果依然干净
• 不加 wraps 的复用装饰器，看似省事，实则给团队埋下排查隐患

组合式装饰器：用“函数拼接”替代重复编码

把原子能力拆成小装饰器（如 @validate、@serialize、@catch_errors），再通过顺序叠加实现复杂逻辑：

• 它们彼此解耦，可单独测试、独立复用
• 组合顺序影响语义（比如 @catch_errors 应该包在最外层）
• 必要时可用工具函数自动组合：apply_decorators(func, [validate, serialize, catch_errors])

比起写一个大而全的“万能装饰器”，这种分治方式更稳健、更易维护。