@dataclass 从带注解的字段生成 __init__、__repr__、__eq__（以及可选的排序/哈希方法）——消除繁琐且容易出错的样板代码。
from dataclasses import dataclass, field
@dataclass(frozen=True) # frozen → immutable (hashable, usable as dict key)
class Config:
name: str
tags: list = field(default_factory=list) # mutable default done safely
timeout: int = 30 # default value
frozen=True 使实例不可变；field(default_factory=list) 安全地提供可变默认值（避免共享可变默认值的陷阱）。
# normally, each instance has a __dict__ to store attributes (flexible but memory-heavy)
class Regular:
def __init__(self, x, y): self.x, self.y = x, y
# __slots__ → fixed attribute set, NO per-instance __dict__
class Slotted:
__slots__ = ("x", "y") # only these attributes allowed
def __init__(self, x, y): self.x, self.y = x, y
s = Slotted(1, 2)
s.z = 3 # ❌ AttributeError — can't add attributes not in __slots__
通常每个实例在动态 __dict__ 中存储属性。__slots__ 声明一组固定的属性，存储在紧凑的固定结构中——节省大量内存并加快访问速度，代价是灵活性降低（无法添加任意属性）。
@dataclass(slots=True) # Python 3.10+ — dataclass WITH __slots__
class Point:
x: int
y: int
@dataclass → any class that's mostly data (DTOs, configs, records) — cleaner, less code
__slots__ → when you create MANY instances (millions) and memory/speed matters
(e.g. nodes in a big data structure, large simulations)
数据类是一个广泛使用的现代特性，消除了为数据保存类编写重复样板代码的需要——使代码更清洁、更少容易出错，且更易读（自动生成 __init__/__repr__/__eq__，加上不可变性和安全的默认值）。
对于需要可变性/方法的类，这是手动编写这类类或使用 namedtuple 的惯用现代替代方案。__slots__ 是一个有针对性的性能优化，在实例化大量对象时能有意义地减少内存并加快属性访问。
了解两者——用 @dataclass 进行日常的干净数据建模，用 __slots__（现在可通过 slots=True 结合）处理内存关键的热路径——反映了编写高效、可维护 Python 类的当前最佳实践。