AI Agent Engineer

AI Agent Engineer

可变性、复制与迭代

7 min read

可变性、复制与迭代

本节目标

理解“变量绑定对象”、可变性与复制层级，避免 Agent 状态被意外共享；区分 iterable、iterator 与 generator，并在下游保持流式时降低峰值内存。

序列回顾

序列按位置排列元素，通常支持：

messages = ["system", "user", "assistant"]
 
print(messages[0])    # 第一个元素
print(messages[-1])   # 最后一个元素
print(messages[1:])   # 从下标 1 到末尾的新列表
print(len(messages))

下标从 0 开始。切片 start:stop 包含 start，不包含 stop。访问不存在的单个下标会抛出 IndexError；超出边界的切片会安全截断。

list、tuple 与 str

类型是否可变常见用途
list可变消息、步骤、批次结果
tuple元组本身不可变固定坐标、不可变记录片段、拆包
str不可变文本、ID、路径的字符串表示

“元组不可变”指不能把某个位置重新绑定；若元组内部包含列表，列表本身仍可修改：

record = ("run-1", ["created"])
record[1].append("finished")  # 合法：修改内部列表

因此，不可变容器不自动让整棵嵌套数据不可变。

别名：两个变量可能指向同一列表

history = ["hello"]
backup = history
backup.append("world")
print(history)  # ['hello', 'world']

赋值没有复制列表，只让两个名字绑定同一对象。需要独立的外层列表时：

backup = history.copy()

但这是浅拷贝。若元素本身是列表或字典，内层对象仍共享：

messages = [{"role": "user", "content": "hi"}]
snapshot = messages.copy()
snapshot[0]["content"] = "changed"
print(messages[0]["content"])  # changed

需要隔离嵌套状态时，可以创建新的字典、使用 copy.deepcopy，或设计不可变数据；先明确哪些层允许修改，不要无脑深拷贝大型上下文。

可变默认参数陷阱

# 错误：同一个列表会在多次调用间共享
def add_message(message, history=[]):
    history.append(message)
    return history
 
# 正确：每次未传入时创建新列表
def add_message(message, history=None):
    if history is None:
        history = []
    history.append(message)
    return history

Agent 会并行处理多个任务时，共享可变状态尤其危险。状态应按 run_id 隔离，并通过清楚的接口更新。

迭代期间修改容器

遍历列表时删除或插入元素会改变后续下标，容易漏项：

items = [1, 2, 3, 4]
for value in items.copy():
    if value % 2 == 0:
        items.remove(value)

更清晰的做法通常是生成新列表：items = [x for x in items if x % 2 != 0]。遍历字典视图时增删条目可能抛出 RuntimeError，也可能漏遍历条目；可遍历 list(mapping) 的键快照，或先收集待删除键。并发任务仍需要更高层同步，复制键列表不是并发控制。

iterable、iterator 与 generator

  • iterable（可迭代对象）：能交给 iter()，例如 list、tuple、dict、文件；
  • iterator（迭代器）：能用 next() 逐项取值，并用 StopIteration 表示结束；
  • generator（生成器）：由生成器表达式或含 yield 的函数产生，是一种保存执行状态的迭代器。
def batched_ids(prefix: str, count: int):
    for index in range(count):
        yield f"{prefix}-{index}"
 
 
ids = batched_ids("run", 3)
print(next(ids))  # run-0
print(list(ids))  # ['run-1', 'run-2']；生成器继续并耗尽
print(list(ids))  # []

同一个生成器对象是一次性迭代器，耗尽后不会自动复位；重新调用生成器函数可创建新对象。若多个步骤要独立读取，应各自创建生成器或有意识地物化为不可变快照；不要把一个半耗尽的 iterator 隐式共享给多个消费者。

流式不等于自动省内存

def normalized(lines):
    for line in lines:
        cleaned = line.strip()
        if cleaned:
            yield cleaned

只有下游也逐项消费，才能避免同时保存所有结果：

for line in normalized(source):
    process(line)

list(normalized(source)) 会重新物化全部值。生成器还会把读取或解析错误推迟到消费时；需要明确资源关闭、异常位置和是否允许重复遍历。大文件分块在 文档解析 中深化，本节只讲 Python 迭代语义。

列表推导式：转换而非隐藏副作用

latencies = [120, 250, 80, 500]
slow = [value for value in latencies if value >= 200]

推导式适合生成新集合。若逻辑包含网络调用、异常处理或多步状态更新，普通 for 循环更清楚。

练习

  1. 预测下面输出，再运行验证：
a = [[1], [2]]
b = a.copy()
b[0].append(9)
print(a)
  1. 写函数 last_n(messages, n)：返回最后 n 条，不修改原列表；n <= 0 返回空列表。
  2. 用元组表示 (tool_name, call_id)，用拆包分别取出两个字段。
  3. 解释为什么把同一个 history 列表给两个并发任务会串话。
  4. 写 non_empty(lines) 生成器，证明它只能消费一次；再写一个工厂函数让两位消费者各自获得新生成器。
  5. 迭代字典时删除键，观察错误；改成“先收集、后删除”。

自测

  1. 切片 items[1:3] 包含哪些下标？
  2. tuple 中能否包含 list？该列表能否改变？
  3. copy() 为什么不能隔离所有嵌套对象？
  4. 何时应优先用普通循环而非列表推导式？
  5. iterable 与 iterator 的区别是什么？
  6. 为什么生成器只有在下游保持流式时才可能降低峰值内存？
  7. 一个生成器被 list() 后还能从头再读吗？

下一步与相关概念

下一节：栈、队列与双端队列。

参考资料

获取日期：2026-07-14。

Backlinks