看起来你遇到的是泰勒级数近似计算时的数值溢出+收敛效率问题，咱们一步步拆解原因和解决方案：

问题根源 #

你应该是直接用泰勒级数的通项公式 x^n / n! 累加计算吧？这种方式在x较大、误差限设置得很小时会出两个核心问题：

1. 数值溢出：当n增大到一定程度，x^n 的增长会先超过n!的增长（虽然长期来看n!增长更快，但前期x大时，比如x=3，n到几十的时候，x^n可能会超出浮点数的表示范围，直接变成inf），一旦某一项变成inf，后续所有项都是inf，误差判断永远不满足，直接陷入死循环。
2. 收敛速度慢：泰勒级数在x远离0的时候收敛极慢，x越大，需要的迭代次数越多，不仅容易溢出，还会拖慢程序，甚至永远达不到误差要求。

针对性解决方案 #

1. 用递推方式计算每一项，避免直接计算x^n

不要单独计算x^n和n!，而是利用后一项和前一项的关系：
term_{n+1} = term_n * x / (n+1)
这样每一步都是用前一项乘以一个小数（x/(n+1)），不会出现超大数值溢出，而且计算效率更高。

2. 拆分x的整数与小数部分，优化大x的收敛

利用指数的性质 e^x = e^{k + r} = e^k * e^r，其中k是x的整数部分，r是0~1之间的小数部分。e^k可以直接用语言内置的指数函数计算（精度高），而e^r用泰勒级数计算——因为r很小，收敛极快，完全不会有溢出问题。

3. 添加最大迭代次数限制，防止死循环

即使做了上面的优化，也可能因为某些极端情况（比如x极大）无法收敛到误差限，所以给循环加一个最大迭代次数，超过就退出，彻底避免死循环。

示例代码（Python） #

import math

def approximate_exp(x, err=1e-5, max_iter=1000):
    # 处理负数：e^(-x) = 1/e^x
    if x < 0:
        return 1 / approximate_exp(-x, err, max_iter)
    
    # 拆分整数和小数部分，优化大x的收敛
    integer_part = int(x)
    fractional_part = x - integer_part
    
    sum_approx = 1.0
    current_term = 1.0
    n = 1
    
    while n < max_iter:
        # 递推计算下一项
        current_term *= fractional_part / n
        sum_approx += current_term
        
        # 当项的绝对值小于误差限，说明后续项对结果影响极小，可以停止
        if abs(current_term) < err:
            break
        n += 1
    
    # 结合整数部分的精确值
    return math.exp(integer_part) * sum_approx

# 测试你的场景
print(approximate_exp(3, err=1e-5))  # 输出接近20.0855，正常收敛
print(approximate_exp(10, err=1e-6)) # 大x也能稳定计算

为什么你的原程序会出问题？ #

拿x=3、err=1e-5来说，原方式直接计算3^n/n!，当n增大到某个值时，3^n会超出浮点数的最大值（比如C++的float最大值约3.4e38，3^{80≈1e38，3}81就会溢出成inf），此时所有后续项都是inf，abs(term)永远大于err，循环根本停不下来，最终结果就是inf。而递推方式每一步都在缩小项的大小，完全不会出现这个问题。

内容的提问来源于stack exchange，提问作者roshoka