Python random.Random 隔离状态：同一个种子，为什么调试一次结果就变了
测试数据固定了随机种子，结果却在加一行调试代码后变化，常见原因是多个功能共用同一个随机状态。每次抽样都会推进状态，调试代码多取一次，后面的业务就从下一个位置开始。固定种子只固定起点，不会固定所有调用者各自拿到哪几个值。
把生成器对象显式传入函数，可以让状态归属变得清楚。测试夹具、页面演示和模拟实验分别持有自己的 Random 实例，就不会因为另一个模块顺手调用了一次随机函数而互相影响。这里的独立指软件状态隔离，不是对统计独立性的额外证明。
AI概念配图，非真实界面：以抽象物件说明本文主题，不代表运行结果。
一次创建生成器，连续取完整批次
下面程序用 Python 3 运行。draw 只负责从传入生成器取数，batch 才负责为一次独立实验创建起点。两个相同种子的实例产生相同批次；同一实例多取一个值之后，其后续序列则应与参考序列向后错开一位。
测试还故意在列表推导里每次重新创建同种子生成器。这样每次都回到同一初始状态，三个结果完全相同。这不是一种可靠的“每条记录随机化”方法；应该把创建放到循环外，再让状态随抽样自然前进。
from random import Random
def draw(rng, count):
if not isinstance(count, int) or isinstance(count, bool) or count < 0:
raise ValueError("count must be a nonnegative integer")
return [rng.random() for _ in range(count)]
def batch(seed, count):
return draw(Random(seed), count)
assert batch(41, 5) == batch(41, 5)
reference = batch(41, 6)
shared = Random(41)
assert shared.random() == reference[0]
assert draw(shared, 5) == reference[1:]
first, second = Random(41), Random(41)
draw(first, 100)
assert draw(second, 5) == batch(41, 5)
restarted = [Random(41).random() for _ in range(3)]
assert restarted == [reference[0]] * 3
assert batch(41, 0) == []
try:
batch(41, -1)
except ValueError:
pass
else:
raise AssertionError("negative count accepted")
rng = Random(73)
rng.random()
snapshot = rng.getstate()
a = draw(rng, 4)
rng.setstate(snapshot)
b = draw(rng, 4)
assert a == b
print("independent streams and one-time seeding checks passed")
print("state restore:", a == b)记录调用计划，而不只记录种子
输出的两组检查分别对应状态隔离与恢复。示例没有断言具体小数文本，而是对比相同操作产生的序列关系，因此重点是验证状态所有权。新增一个抽样调用、改变分支条件或更换抽样函数，都可能改变后续取值，即使种子没有变化。
如果测试需要重放失败场景，至少记录种子、输入数据、运行版本和抽样步骤。数据的遍历顺序也会影响随机值最终分配给哪条记录。把无序来源转换成明确顺序，再进行抽样，才能避免“随机数一样，分配对象却不一样”的误会。
getstate 与 setstate 可以在同一运行环境中保存和恢复当前位置。代码先快照，再读取四次，恢复后重复读取并核对相等。这个状态用于调试局部算法很方便，但不应把它随意当作跨语言、跨版本永久存储格式来交换。
可复现有边界，也有不同目标
Python 文档对兼容播种器配合 random 方法的序列作出有限保证，但多数抽样算法可以随版本变化。若长期实验使用 shuffle、sample 或其他高级方法，应固定并记录环境，升级后重跑代表性案例，不能把一个种子当作整个实验环境的替代品。
并发任务共享生成器时，哪个任务先取值还会受到调度影响。即使数据结构允许安全调用，也不代表每个任务会稳定获得相同序列。需要可重放任务时，提前制定每个任务的种子或状态分配方案，并保持任务标识与分配关系固定。
伪随机的可重现性适合测试和模拟，却不适合生成密码重置凭据等需要不可预测性的内容。那类需求应使用 secrets 等专门接口，并遵守凭据生命周期要求。不要为了让线上问题容易复现，就把真实凭据生成器换成固定种子的 Random。
