1. 从“黑盒”到“利器”重新认识算法如果你问一个刚入行的程序员“什么是算法”他可能会给你背出教科书上的定义“算法是解决特定问题的一系列清晰指令”。这话没错但太“干”了就像说“汽车是四个轮子的交通工具”一样没触及本质。在我十多年的开发生涯里对算法的理解经历了几个阶段最初觉得它是面试时才需要突击的“八股文”后来在解决性能瓶颈时发现它是藏在代码深处的“效率引擎”再后来做架构设计才意识到它是整个系统智能的“决策大脑”。算法远不止是排序和查找它是一切计算行为的灵魂骨架。简单来说你可以把算法想象成一本精准的菜谱。菜谱算法告诉你要做一道鱼香肉丝解决问题你需要准备猪肉、木耳、胡萝卜等食材输入数据然后按照切丝、腌制、爆炒、勾芡等步骤清晰指令操作最终得到一盘菜输出结果。一本好的菜谱会明确步骤顺序、火候和时间算法的确定性与有穷性任何人照着做都能做出差不多的味道算法的可行性并且最终能完成做菜这件事算法的输出。数据结构则是你备菜时的砧板、碗碟和灶台是组织和存放“食材”的工具算法则是在这套工具上施展的“厨艺”。两者密不可分数据结构选得好算法实现起来往往事半功倍。那么为什么我们要学习算法不是为了应付考试而是为了获得一种**“计算思维”**。这种思维能让你在遇到复杂问题时不是一头扎进代码堆而是先退一步思考这个问题的最优解是什么形态数据如何组织最高效时间和空间资源如何权衡掌握了这种思维你看到的不再是一行行孤立的代码而是一个有输入、有处理逻辑、有输出的完整系统模型。无论是优化一个几分钟才能跑完的报表任务还是设计一个能承受百万并发的推荐系统底层支撑你的都是那些经典的算法思想。2. 算法学习路径全景规划从新手到精通的四重门学习算法最怕的就是东一榔头西一棒子看了很多“神技”却连基础都不牢。根据我带新人和自己不断回溯学习的经验一条清晰、可执行的学习路径远比一堆资料更重要。这条路可以大致分为四个阶段像打游戏通关一样每过一关你对编程和问题的理解就会深一层。2.1 第一阶段筑基——掌握核心数据结构与简单算法这个阶段的目标不是追求奇技淫巧而是建立牢固的“算法世界观”。你需要像认识积木一样熟悉最基本的数据结构单元。核心数据结构这是所有算法的舞台。必须吃透数组、链表、栈、队列、哈希表散列表、树特别是二叉树。学习它们的关键不在于死记硬背API而在于理解其时间与空间复杂度。比如为什么数组随机访问是O(1)而插入删除可能是O(n)为什么链表恰恰相反哈希表如何用空间换时间实现近乎O(1)的查找这些对比思考是复杂度分析的起点。入门算法从这个阶段开始就要建立**“分类”意识**。先从最直观的排序算法入手如冒泡排序、选择排序、插入排序理解它们“蛮干”的思路然后学习更高效的归并排序和快速排序体会“分而治之”的威力。同时掌握二分查找这是“减而治之”的经典理解它对数据有序性的要求。此外递归是通往高级算法的钥匙必须理解其调用栈原理并能熟练编写递归函数解决汉诺塔、斐波那契数列等问题。学习方法这个阶段切忌只看不练。找一本可靠的入门书如《大话数据结构》配合在线判题平台如LeetCode的Easy题库针对每个知识点做5-10道题。目标是能白板编码实现这些基本数据结构和算法并清晰分析其复杂度。实操心得很多新手卡在递归上。我的建议是不要试图在大脑里完全展开整个递归栈而是坚信递归函数的定义。写递归函数时先明确这个函数的功能输入输出然后假设对于规模更小的子问题这个函数已经能正确工作递归调用最后思考如何利用子问题的解来构建原问题的解。画递归树是理解递归执行过程的好方法。2.2 第二阶段进阶——深入算法设计与分析思想当基本工具熟练后就要学习更高级的“设计模式”了。这个阶段你要掌握的不是具体的算法而是产生算法的元思想。分治法把大问题拆成独立的小问题解决后再合并。归并排序和快速排序是其代表。关键要掌握如何定义子问题以及如何合并结果。贪心算法每一步都做出当前看来最优的选择希望导致全局最优。像霍夫曼编码、Dijkstra算法单源最短路径都含有贪心思想。它的难点在于证明贪心策略的正确性很多时候需要反证或数学归纳。动态规划这是重难点也是面试高频区。它用于解决有重叠子问题和最优子结构的问题。核心思想是“记住求过的解来避免重复计算”。学习DP一定要从斐波那契数列的记忆化搜索自顶向下开始再过渡到背包问题的制表法自底向上。关键步骤是定义状态dp数组的含义 - 建立状态转移方程 - 确定初始条件和边界 - 思考计算顺序。回溯法一种通过探索所有可能情况来寻找解的算法遇到“死路”就回退。解决全排列、N皇后、组合总和这类问题非常有效。它本质上是深度优先搜索在解空间树上的应用代码模板化程度高。搜索与图论基础深度优先搜索和广度优先搜索是遍历或搜索图与树的基本策略。BFS常用于找最短路径无权图DFS则适合遍历所有可能。需要掌握它们的递归与非递归实现并能用于解决岛屿数量、二叉树层序遍历等问题。这个阶段LeetCode的Medium难度题目是主战场。每学一种思想就集中刷一类题目。例如学习动态规划可以先刷“爬楼梯”、“打家劫舍”、“零钱兑换”这套经典入门题组。2.3 第三阶段深化——攻克高阶数据结构与复杂算法有了坚实的思想基础就可以挑战更复杂的数据结构和领域特定算法了。这能极大提升你解决实际工程问题的能力。高阶数据结构堆优先队列实现快速获取最大/最小值应用于Top K问题、定时任务调度等。并查集高效处理元素分组与合并查询问题如朋友圈、岛屿数量动态连接。树结构的拓展AVL树、红黑树自平衡二叉搜索树理解其旋转平衡原理B树、B树这是数据库索引的基石需理解其多路平衡与磁盘IO优化的设计哲学。跳表一种替代平衡树的数据结构Redis的有序集合就用到了它理解其通过增加索引层来提升查询效率的思想。复杂算法图论算法Dijkstra算法带权最短路径、Bellman-Ford算法处理负权边、Floyd算法多源最短路径、拓扑排序依赖解析、最小生成树算法Kruskal和Prim。字符串算法KMP算法字符串匹配理解其“部分匹配表”如何避免回溯是学习字符串匹配的里程碑。高级搜索A*搜索算法启发式搜索结合BFS和贪心思想常用于游戏AI和路径规划。这个阶段的学习需要结合《算法导论》等经典教材进行原理深挖同时尝试在项目中寻找应用场景。例如思考你项目里的任务调度是否可以用优先队列优化数据间的关联关系是否可以用图来建模并用相关算法分析2.4 第四阶段融合——面向领域与持续学习算法学习不是闭门造车最终要落到解决实际问题上。这个阶段你需要根据你的专业方向有侧重地深入特定领域的算法。后端开发深入理解数据库索引算法B树、缓存淘汰算法LRU/LFU、一致性哈希算法分布式系统、雪花算法等分布式ID生成器。前端/客户端开发关注Diff算法React/Vue虚拟DOM核心、渲染与布局算法、以及交互相关的手势识别算法。人工智能/机器学习这是算法的一个巨大分支包括监督学习算法线性回归、决策树、SVM、无监督学习算法聚类、降维、强化学习算法Q-learning, PPO 正如热词中提到的DDPG、PPO优化等。需要扎实的数学基础和框架使用能力。其他领域如图像处理算法Sobel边缘检测、音视频编解码算法、密码学哈希算法等。保持学习的方式包括阅读顶级会议论文如CVPR, NeurIPS, OSDI、关注Github上的优质算法开源库、复现经典论文的算法、以及持续在LeetCode等平台挑战Hard难题和周赛。3. 高效学习法的核心思维、工具与刻意练习掌握了路径还需要好的方法。算法学习不是拼时间而是拼思考和练习的质量。3.1 培养算法思维五步解题法面对一道算法题遵循一个系统化的思考流程能避免大脑空白审题与澄清确保完全理解问题。自己可以举几个例子包括常规情况和边界情况空、零、极大、极小。明确输入输出的格式和范围。思考与列举先不考虑时间和空间想出所有可能的解法哪怕是最笨的暴力法。和面试官或自己讨论每种方法的优缺点。这一步常被忽略但却至关重要它能拓宽思路。选择与设计基于复杂度分析选择最优或次优的解法。然后在大脑中或纸上画图、走流程设计算法的具体步骤。对于复杂问题先写伪代码梳理逻辑。编码实现将设计转化为干净、模块化的代码。注意变量命名、函数拆分和边界条件处理。测试与优化用自己设计的例子、边界案例进行测试。分析是否还有优化空间时间/空间并讨论可能的权衡。3.2 善用学习工具与资源可视化工具对于理解数据结构运行和算法执行过程可视化网站无比重要。例如VisuAlgo 和 Data Structure Visualizations 可以动态展示排序、树旋转、图遍历等过程让抽象概念变得直观。笔记方法强烈推荐使用费曼笔记法。学习一个算法后假装你要把它教给一个新手。在笔记中用最通俗的语言解释其思想并配以图表和最简单的例子。过程中卡壳的地方就是你理解薄弱的地方。我自己的算法笔记就是由一个又一个“如何给小白讲明白XXX”组成的。社区与讨论不要闭门造车。在LeetCode上查看高质量题解特别是那些排名靠前、讲解清晰的。参与讨论区看看别人踩过的坑。有时候一个精妙的解法或一个易错点能让你豁然开朗。3.3 刻意练习从“看懂”到“写对”“一看就会一写就废”是通病。破解之法就是刻意练习。专题刷题不要随机刷题。在一段时间内比如一周集中火力攻克一个专题如“动态规划-背包问题”。这有助于你深度掌握这类问题的套路和变种。一题多解对于经典题目尝试用两种甚至三种不同的方法实现。比如“两数之和”既可以用哈希表O(n)也可以先排序再用双指针O(n log n)。对比不同解法的优劣能加深对数据结构选择的理解。反复回顾根据艾宾浩斯遗忘曲线定期复习做过的题目尤其是错题和经典题。可以建立一个错题本记录题目、错误原因、正确思路和代码。隔一段时间再重写直到能快速、无误地写出来。模拟面试找伙伴进行白板编程练习或者在线上平台进行模拟面试。在规定时间内口头阐述思路并完成编码。这能极大锻炼在压力下的思维和表达能力。4. 避坑指南算法学习中的常见陷阱与应对走过弯路才能找到捷径。下面这些坑我和身边的朋友几乎都踩过。4.1 心态误区急于求成与盲目比较陷阱看到别人刷题几百道就焦虑追求数量而非质量或者总想跳过基础直接学习“高大上”的机器学习算法。应对算法学习是场马拉松。制定一个可持续的计划比如每天雷打不动搞懂1-2道题。基础不牢地动山摇。那些高级算法无不是建立在扎实的数据结构和经典算法思想之上的。专注自己的节奏今天的自己比昨天进步就好。4.2 方法误区死记硬背与过度依赖题解陷阱不思考直接背代码或者题目想不出立刻看答案然后觉得自己“会了”。应对思考的过程比答案本身珍贵一百倍。给自己设定一个“痛苦思考”的时间比如30分钟穷尽所有想法。即使最终没解出来这个挣扎的过程也极大地锻炼了思维能力。看题解时重点看思路推导而不是代码。看完后关掉答案自己从头实现一遍。4.3 实践误区忽略代码实现与边界条件陷阱思路对了但代码漏洞百出或者只考虑功能实现不考虑代码的整洁度和可读性。应对将“一次写对”作为目标。在编码前用简单的测试用例在脑子里跑一遍。特别注意循环的起止条件、递归的终止条件、指针是否可能为空、整数运算是否溢出等边界情况。写完代码后用几个典型的、边缘的用例进行快速自测。4.4 资源误区资料泛滥与方向迷失陷阱收藏了无数教程、书单、视频却从未系统看完任何一个。应对少即是多极致专注。选择一本经典教材如《算法第4版》和一个主流刷题平台如LeetCode作为核心。以它们为主线吃透80%的内容远比泛泛了解100个资源有用。其他资料作为辅助和拓展查阅。最后我想分享一个最深的体会算法学习的价值最终会体现在你编写代码的自信和设计系统的洞察力上。当你再面对一个复杂的需求能下意识地去分析数据流动、评估复杂度、并选择合适的数据结构和范式时你就已经将算法内化成了本能。这条路没有终点但每一步都算数。就从今天从第一道“两数之和”开始动手写吧。 1. 从“黑盒”到“利器”重新认识算法如果你问一个刚入行的程序员“什么是算法”他可能会给你背出教科书上的定义“算法是解决特定问题的一系列清晰指令”。这话没错但太“干”了就像说“汽车是四个轮子的交通工具”一样没触及本质。在我十多年的开发生涯里对算法的理解经历了几个阶段最初觉得它是面试时才需要突击的“八股文”后来在解决性能瓶颈时发现它是藏在代码深处的“效率引擎”再后来做架构设计才意识到它是整个系统智能的“决策大脑”。算法远不止是排序和查找它是一切计算行为的灵魂骨架。简单来说你可以把算法想象成一本精准的菜谱。菜谱算法告诉你要做一道鱼香肉丝解决问题你需要准备猪肉、木耳、胡萝卜等食材输入数据然后按照切丝、腌制、爆炒、勾芡等步骤清晰指令操作最终得到一盘菜输出结果。一本好的菜谱会明确步骤顺序、火候和时间算法的确定性与有穷性任何人照着做都能做出差不多的味道算法的可行性并且最终能完成做菜这件事算法的输出。数据结构则是你备菜时的砧板、碗碟和灶台是组织和存放“食材”的工具算法则是在这套工具上施展的“厨艺”。两者密不可分数据结构选得好算法实现起来往往事半功倍。那么为什么我们要学习算法不是为了应付考试而是为了获得一种**“计算思维”**。这种思维能让你在遇到复杂问题时不是一头扎进代码堆而是先退一步思考这个问题的最优解是什么形态数据如何组织最高效时间和空间资源如何权衡掌握了这种思维你看到的不再是一行行孤立的代码而是一个有输入、有处理逻辑、有输出的完整系统模型。无论是优化一个几分钟才能跑完的报表任务还是设计一个能承受百万并发的推荐系统底层支撑你的都是那些经典的算法思想。2. 算法学习路径全景规划从新手到精通的四重门学习算法最怕的就是东一榔头西一棒子看了很多“神技”却连基础都不牢。根据我带新人和自己不断回溯学习的经验一条清晰、可执行的学习路径远比一堆资料更重要。这条路可以大致分为四个阶段像打游戏通关一样每过一关你对编程和问题的理解就会深一层。2.1 第一阶段筑基——掌握核心数据结构与简单算法这个阶段的目标不是追求奇技淫巧而是建立牢固的“算法世界观”。你需要像认识积木一样熟悉最基本的数据结构单元。核心数据结构这是所有算法的舞台。必须吃透数组、链表、栈、队列、哈希表散列表、树特别是二叉树。学习它们的关键不在于死记硬背API而在于理解其时间与空间复杂度。比如为什么数组随机访问是O(1)而插入删除可能是O(n)为什么链表恰恰相反哈希表如何用空间换时间实现近乎O(1)的查找这些对比思考是复杂度分析的起点。入门算法从这个阶段开始就要建立**“分类”意识**。先从最直观的排序算法入手如冒泡排序、选择排序、插入排序理解它们“蛮干”的思路然后学习更高效的归并排序和快速排序体会“分而治之”的威力。同时掌握二分查找这是“减而治之”的经典理解它对数据有序性的要求。此外递归是通往高级算法的钥匙必须理解其调用栈原理并能熟练编写递归函数解决汉诺塔、斐波那契数列等问题。学习方法这个阶段切忌只看不练。找一本可靠的入门书如《大话数据结构》配合在线判题平台如LeetCode的Easy题库针对每个知识点做5-10道题。目标是能白板编码实现这些基本数据结构和算法并清晰分析其复杂度。实操心得很多新手卡在递归上。我的建议是不要试图在大脑里完全展开整个递归栈而是坚信递归函数的定义。写递归函数时先明确这个函数的功能输入输出然后假设对于规模更小的子问题这个函数已经能正确工作递归调用最后思考如何利用子问题的解来构建原问题的解。画递归树是理解递归执行过程的好方法。2.2 第二阶段进阶——深入算法设计与分析思想当基本工具熟练后就要学习更高级的“设计模式”了。这个阶段你要掌握的不是具体的算法而是产生算法的元思想。分治法把大问题拆成独立的小问题解决后再合并。归并排序和快速排序是其代表。关键要掌握如何定义子问题以及如何合并结果。贪心算法每一步都做出当前看来最优的选择希望导致全局最优。像霍夫曼编码、Dijkstra算法单源最短路径都含有贪心思想。它的难点在于证明贪心策略的正确性很多时候需要反证或数学归纳。动态规划这是重难点也是面试高频区。它用于解决有重叠子问题和最优子结构的问题。核心思想是“记住求过的解来避免重复计算”。学习DP一定要从斐波那契数列的记忆化搜索自顶向下开始再过渡到背包问题的制表法自底向上。关键步骤是定义状态dp数组的含义 - 建立状态转移方程 - 确定初始条件和边界 - 思考计算顺序。回溯法一种通过探索所有可能情况来寻找解的算法遇到“死路”就回退。解决全排列、N皇后、组合总和这类问题非常有效。它本质上是深度优先搜索在解空间树上的应用代码模板化程度高。搜索与图论基础深度优先搜索和广度优先搜索是遍历或搜索图与树的基本策略。BFS常用于找最短路径无权图DFS则适合遍历所有可能。需要掌握它们的递归与非递归实现并能用于解决岛屿数量、二叉树层序遍历等问题。这个阶段LeetCode的Medium难度题目是主战场。每学一种思想就集中刷一类题目。例如学习动态规划可以先刷“爬楼梯”、“打家劫舍”、“零钱兑换”这套经典入门题组。2.3 第三阶段深化——攻克高阶数据结构与复杂算法有了坚实的思想基础就可以挑战更复杂的数据结构和领域特定算法了。这能极大提升你解决实际工程问题的能力。高阶数据结构堆优先队列实现快速获取最大/最小值应用于Top K问题、定时任务调度等。并查集高效处理元素分组与合并查询问题如朋友圈、岛屿数量动态连接。树结构的拓展AVL树、红黑树自平衡二叉搜索树理解其旋转平衡原理B树、B树这是数据库索引的基石需理解其多路平衡与磁盘IO优化的设计哲学。跳表一种替代平衡树的数据结构Redis的有序集合就用到了它理解其通过增加索引层来提升查询效率的思想。复杂算法图论算法Dijkstra算法带权最短路径、Bellman-Ford算法处理负权边、Floyd算法多源最短路径、拓扑排序依赖解析、最小生成树算法Kruskal和Prim。字符串算法KMP算法字符串匹配理解其“部分匹配表”如何避免回溯是学习字符串匹配的里程碑。高级搜索A*搜索算法启发式搜索结合BFS和贪心思想常用于游戏AI和路径规划。这个阶段的学习需要结合《算法导论》等经典教材进行原理深挖同时尝试在项目中寻找应用场景。例如思考你项目里的任务调度是否可以用优先队列优化数据间的关联关系是否可以用图来建模并用相关算法分析2.4 第四阶段融合——面向领域与持续学习算法学习不是闭门造车最终要落到解决实际问题上。这个阶段你需要根据你的专业方向有侧重地深入特定领域的算法。后端开发深入理解数据库索引算法B树、缓存淘汰算法LRU/LFU、一致性哈希算法分布式系统、雪花算法等分布式ID生成器。前端/客户端开发关注Diff算法React/Vue虚拟DOM核心、渲染与布局算法、以及交互相关的手势识别算法。人工智能/机器学习这是算法的一个巨大分支包括监督学习算法线性回归、决策树、SVM、无监督学习算法聚类、降维、强化学习算法Q-learning, PPO 正如热词中提到的DDPG、PPO优化等。需要扎实的数学基础和框架使用能力。其他领域如图像处理算法Sobel边缘检测、音视频编解码算法、密码学哈希算法等。保持学习的方式包括阅读顶级会议论文如CVPR, NeurIPS, OSDI、关注Github上的优质算法开源库、复现经典论文的算法、以及持续在LeetCode等平台挑战Hard难题和周赛。3. 高效学习法的核心思维、工具与刻意练习掌握了路径还需要好的方法。算法学习不是拼时间而是拼思考和练习的质量。3.1 培养算法思维五步解题法面对一道算法题遵循一个系统化的思考流程能避免大脑空白审题与澄清确保完全理解问题。自己可以举几个例子包括常规情况和边界情况空、零、极大、极小。明确输入输出的格式和范围。思考与列举先不考虑时间和空间想出所有可能的解法哪怕是最笨的暴力法。和面试官或自己讨论每种方法的优缺点。这一步常被忽略但却至关重要它能拓宽思路。选择与设计基于复杂度分析选择最优或次优的解法。然后在大脑中或纸上画图、走流程设计算法的具体步骤。对于复杂问题先写伪代码梳理逻辑。编码实现将设计转化为干净、模块化的代码。注意变量命名、函数拆分和边界条件处理。测试与优化用自己设计的例子、边界案例进行测试。分析是否还有优化空间时间/空间并讨论可能的权衡。3.2 善用学习工具与资源可视化工具对于理解数据结构运行和算法执行过程可视化网站无比重要。例如VisuAlgo 和 Data Structure Visualizations 可以动态展示排序、树旋转、图遍历等过程让抽象概念变得直观。笔记方法强烈推荐使用费曼笔记法。学习一个算法后假装你要把它教给一个新手。在笔记中用最通俗的语言解释其思想并配以图表和最简单的例子。过程中卡壳的地方就是你理解薄弱的地方。我自己的算法笔记就是由一个又一个“如何给小白讲明白XXX”组成的。社区与讨论不要闭门造车。在LeetCode上查看高质量题解特别是那些排名靠前、讲解清晰的。参与讨论区看看别人踩过的坑。有时候一个精妙的解法或一个易错点能让你豁然开朗。3.3 刻意练习从“看懂”到“写对”“一看就会一写就废”是通病。破解之法就是刻意练习。专题刷题不要随机刷题。在一段时间内比如一周集中火力攻克一个专题如“动态规划-背包问题”。这有助于你深度掌握这类问题的套路和变种。一题多解对于经典题目尝试用两种甚至三种不同的方法实现。比如“两数之和”既可以用哈希表O(n)也可以先排序再用双指针O(n log n)。对比不同解法的优劣能加深对数据结构选择的理解。反复回顾根据艾宾浩斯遗忘曲线定期复习做过的题目尤其是错题和经典题。可以建立一个错题本记录题目、错误原因、正确思路和代码。隔一段时间再重写直到能快速、无误地写出来。模拟面试找伙伴进行白板编程练习或者在线上平台进行模拟面试。在规定时间内口头阐述思路并完成编码。这能极大锻炼在压力下的思维和表达能力。4. 避坑指南算法学习中的常见陷阱与应对走过弯路才能找到捷径。下面这些坑我和身边的朋友几乎都踩过。4.1 心态误区急于求成与盲目比较陷阱看到别人刷题几百道就焦虑追求数量而非质量或者总想跳过基础直接学习“高大上”的机器学习算法。应对算法学习是场马拉松。制定一个可持续的计划比如每天雷打不动搞懂1-2道题。基础不牢地动山摇。那些高级算法无不是建立在扎实的数据结构和经典算法思想之上的。专注自己的节奏今天的自己比昨天进步就好。4.2 方法误区死记硬背与过度依赖题解陷阱不思考直接背代码或者题目想不出立刻看答案然后觉得自己“会了”。应对思考的过程比答案本身珍贵一百倍。给自己设定一个“痛苦思考”的时间比如30分钟穷尽所有想法。即使最终没解出来这个挣扎的过程也极大地锻炼了思维能力。看题解时重点看思路推导而不是代码。看完后关掉答案自己从头实现一遍。4.3 实践误区忽略代码实现与边界条件陷阱思路对了但代码漏洞百出或者只考虑功能实现不考虑代码的整洁度和可读性。应对将“一次写对”作为目标。在编码前用简单的测试用例在脑子里跑一遍。特别注意循环的起止条件、递归的终止条件、指针是否可能为空、整数运算是否溢出等边界情况。写完代码后用几个典型的、边缘的用例进行快速自测。4.4 资源误区资料泛滥与方向迷失陷阱收藏了无数教程、书单、视频却从未系统看完任何一个。应对少即是多极致专注。选择一本经典教材如《算法第4版》和一个主流刷题平台如LeetCode作为核心。以它们为主线吃透80%的内容远比泛泛了解100个资源有用。其他资料作为辅助和拓展查阅。最后我想分享一个最深的体会算法学习的价值最终会体现在你编写代码的自信和设计系统的洞察力上。当你再面对一个复杂的需求能下意识地去分析数据流动、评估复杂度、并选择合适的数据结构和范式时你就已经将算法内化成了本能。这条路没有终点但每一步都算数。就从今天从第一道“两数之和”开始动手写吧。 
