汇总 · 五类算法思想对照表
复杂度/查找排序/递归分治/图搜索/贪心采样，每类对应 AI 里的一个真实机制；一张表带走全章
本页解决的问题
先给结论「汇总 · 五类算法思想对照表」要解决的关键问题是什么？
复杂度/查找排序/递归分治/图搜索/贪心采样，每类对应 AI 里的一个真实机制；一张表带走全章
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
| 思想 | 一句话口诀 | AI 里的真身 | 对应课程 |
|---|---|---|---|
| 复杂度 Big-O | 先问「数据翻十倍会怎样」 | 注意力是 O(n²)：上下文越长，计算量按平方涨，账单也是 | algo-1algo-2 |
| 查找与排序 | 有序就砍半，乱序先排好 | Rerank：RAG 检索回来的段落先粗排再精排，本质就是排序 | algo-3algo-4algo-5 |
| 递归与分治 | 大事拆成同一件小事 | Compaction：长对话切段、各自摘要、再合并，就是分治 | algo-6algo-7 |
| 图搜索 BFS/DFS | 一层层扫，或一条道走到黑 | Coding Agent 找文件：在代码库里遍历目录、顺着引用链深挖 | algo-8 |
| 贪心与采样 | 每步挑最大，或按概率掷骰子 | Temperature / Beam Search：AI 选词的两种性格与「多看几步」 | algo-9algo-10 |
真实工作里没人告诉你「这是二分题」。看场景，点选该动用哪类思想，即时判定。
🗃 数据结构篇：怎么收纳
数组、栈、队列、哈希、缓存、树、图、向量——八种收纳方式，决定数据「放在哪、怎么找」。
⚙️ 算法篇：怎么处理
复杂度、查找排序、递归分治、图搜索、贪心采样——五类处理思想，决定数据「怎么算、算多快」。
「一张大表 · 五类思想 × AI 真身」里的算法代价曲线
「真实工作里没人告诉你「这是二分题」。看场景，点选该动用哪类思想，即时判定」真正训练的不是背诵步骤，而是识别重复工作：输入变大时，程序到底多做了多少次比较、移动或递归。
先找重复工作，再谈快慢
「数组、栈、队列、哈希、缓存、树、图、向量——八种收纳方式，决定数据「放在哪、怎么找」」可以拆成输入规模、每轮做什么、以及是否能缩小下一轮范围三个问题。Big-O 是描述增长趋势的语言，不是对每台机器的精确计时；常数、内存和真实数据分布也会影响最终结果。
- 全章只有五类思想 ：复杂度、查找排序、递归分治、图搜索、贪心采样
- 每类都有 AI 真身 ：O(n²) 注意力、Rerank、Compaction、Agent 找文件、Temperature
- 定位比解题重要 ：看到问题先认出「这是哪类思想的地盘」，答案 AI 会给
别把理论最优当成无条件最优
面对 AI 写出的算法，先用小输入手算一遍，再用逐渐放大的数据做基准测试。这样才能把「复杂度、查找排序、递归分治、图搜索、贪心采样——五类处理思想，决定数据「怎么算、算多快」」从一句结论变成可检查的性能判断。
从「一张大表 · 五类思想 × AI 真身」走到「一题定位 · 8 道场景题」
「一张大表 · 五类思想 × AI 真身」先把问题落在「思想 一句话口诀 AI 里的真身 对应课程 📈 复杂度 Big-O 先问「数据翻十倍会怎样」 注意力是 O(n²) ：上下文越长，计算量按平方涨，账单也是 algo-1 algo-2 🔍 查找与排序 有序就砍半，乱序先排好 Rerank ：RAG 检索回来的段落先粗排再精排，本质就是排序 algo-3 algo-4 algo-5 🪆 递归与分治 大事拆成同一件小事 Compaction ：长对话切段、各自摘要…」上；到了「一题定位 · 8 道场景题」，讨论继续推进到「真实工作里没人告诉你「这是二分题」。看场景，点选该动用哪类思想，即时判定」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
算法题换成真实任务后，先找出重复工作，再问输入规模如何变化，最后用一个小基准验证理论判断。这样不会把复杂度记成脱离场景的标签。
- 「一张大表 · 五类思想 × AI 真身」：思想 一句话口诀 AI 里的真身 对应课程 📈 复杂度 Big-O 先问「数据翻十倍会怎样」 注意力是 O(n²) ：上下文越长，计算量按平方涨，账单也是 algo-1 algo-2 🔍 查找与排序 有序就砍半，乱序先排好 Rerank ：RAG 检索回来的段落先粗排再精排，本质就是排序 algo-3 algo-4 algo-5 🪆 递归与分治 大事拆成同一件小事 Compaction ：长对话切段、各自摘要…
- 「一题定位 · 8 道场景题」：真实工作里没人告诉你「这是二分题」。看场景，点选该动用哪类思想，即时判定
- 「最后的要点」：下一步去实战页 ：拿一段真实的 AI 代码，做一次复杂度体检
最后的「最后的要点」把讨论落到「下一步去实战页 ：拿一段真实的 AI 代码，做一次复杂度体检」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
✅ 这一章想让你带走的
- 全章只有五类思想：复杂度、查找排序、递归分治、图搜索、贪心采样
- 每类都有 AI 真身：O(n²) 注意力、Rerank、Compaction、Agent 找文件、Temperature
- 定位比解题重要：看到问题先认出「这是哪类思想的地盘」，答案 AI 会给
- 两章合成一副眼镜：结构管收纳、算法管处理，合起来就是验收 AI 代码的眼力
- 下一步去实战页：拿一段真实的 AI 代码，做一次复杂度体检
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。