LAC 应该优化

LAC 已经很不错了，但是应该还有值得优化的地方， 这里讨论C++版。 Python 是不是内部使用的C++？ 不太知道.
LAC 对象一大堆内部数据， 其中
_predictor 是预测器， 不知道这个 PaddlePredictor 是否是有状态的。如果是有状态的， 只能目前这样了。我看百度设计不至于如此。

一般来说， 应该有两个概念， model 与 parser(或 matcher, searcher， 怎么叫都行）。 前者是模型，代表训练的数据组成的网络模型， 应该是加载后其他 parser 共享这个模型。 要求这里面的数据都是无状态的。
然后parser 包括模型的引用，输入数据， parse 的中间数据或结果。 这个可以是有状态的。
model 很大时尤其需要这样设计。
现在C++ 版核心只有一个 LAC，混合包括了模型， parse 输入输出， 这样多个实例无法共享其中较大的数据。
结果为了线程安全， 每次使用时都 clone 一个LAC， 这大大增加了内存消耗。
当然如果模型极小 这无所谓， 但是不要忘记， 还有 定制词典。这个有可能不小， 难道每次使用这些都要clone 一下吗。

总结：
现在的版本， 要想安全使用， 每个线程都需要完全clone 一个lac
理想情况
主线程加载一个 model
其他线程 每次使用 创建一个parser（线程池情况，也可以每个线程只创建一次），传入model 参数。

其他大多数类似系统都是这么设计的。 为何 LAC 不呢？

Start by reading the C++ LAC implementation around _predictor and PaddlePredictor, focusing on how model data, parser state, custom dictionaries, and cloning are handled. Compare the current single-object design with the proposed shared model and per-thread parser design; done means the ownership, thread-safety, and memory-sharing behavior are defined and covered by relevant tests.

Written by the indexing model from the issue text.