求值器完整实现代码我已经上传到了GitHub仓库：TinySCM，感兴趣的童鞋可以前往查看。这里顺便强烈推荐UC Berkeley的同名课程CS 61A。
即使在变化中，它也丝毫未变。
——赫拉克利特
吾犹昔人，非昔人也。
——僧肇
绪论
在上一篇博客《SICP：元循环求值器（Python实现）》中，我们介绍了用Python对来实现一个Scheme求值器。然而，我们跳过了部分特殊形式（special forms）和基本过程（primitive procedures）实现的介绍，如特殊形式中的delay、cons-stream，基本过程中的force、streawn-car、stream-map等。事实上，以上特殊形式和基本过程都和惰性求值与流相关。这篇博客我们将介绍如何用Python来实现Scheme中的惰性求值和流，并使用惰性求值的原理来为我们的Scheme解释器增添尾递归的支持。
1 Scheme中的流简介
所谓流，一言以蔽之，就是使用了惰性求值技术的表。它初始化时并没有完全生成，而是能够动态地按需构造，从而同时提升程序的计算和存储效率。
我们先来比较两个程序，它们都计算出一个区间里的素数之和。其中第一个程序用标准的迭代（尾递归）风格写出：
(define (sum-primes a b)
(define (iter count accum)
(cond ((> count b) accum)
((prime? count) (iter (+ count 1) (+ count accum)))
(else (iter (+ count 1) accum))))
(iter a 0))
第二个程序完成同样的计算，其中使用了我们在博客《SICP: 层次性数据和闭包性质（Python实现）》中所介绍过的序列操作：
(define (sum-primes a b)
(reduce +
(filter prime? (enumerate-interval a b))))
在执行计算时，第一个程序只需要维持正在累加的和；而对于第二个程序而言，只有等enumerate-interval构造完这一区间所有整数的表后，filter才能开始工作，而且等过滤区工作完后还得将结果表传给reduce得到求和。显然，第一个程序完全不需要像第二个程序这么大的中间存储。
以上情况还不是最极端的，最极端的情况是下面这种，我们枚举并过滤出了10000到1000000内的所有素数，但实际上只取第二个：
(car (cdr (filter prime?
(enumerate-interval 10000 1000000))))
这程序槽点很多，首先要构造与一个大约包含了一百万个整数的表，然后再通过过滤整个表的方式去检查每个元素是否是素数，而后只取第二个，几乎抛弃了全部结果，这在时间和空间上都是极大的浪费。在更传统的程序设计风格中，我们完全可以交错进行枚举和过滤，并在找到第二个素数时立即停下来。
流是一种非常巧妙的想法，使我们在保留各种序列操作的同时，不会带来将序列作为表去操作引起的代价（时间上和空间上的）。从表面上看，流也是就是表，但对它们进行操作的过程名字不同。对于流而言有构造函数cons-stream，还有两个选择函数stream-cdr和stream-cdr，它们对任意的变量x和y都满足如下的约束条件：
scm> (equal? (stream-car (cons-stream x y)) x)
t
scm> (equal? (stream-cdr (cons-stream x