程序员刷题笔记：从算法基础到面试实战

1. 项目概述

"2026-01-21 hetao1733837 的刷题笔记"这个标题看似简单，实则蕴含了程序员成长路上的关键环节——系统性刷题训练。作为一名经历过校招和跳槽季的老程序员，我深知一套高质量的刷题笔记对技术面试的重要性。这份笔记的特殊之处在于它标注了具体日期（2026-01-21），说明这是持续学习过程中的一个阶段性成果，而非临时抱佛脚的产物。

刷题笔记不同于普通的学习笔记，它需要包含题目解析、多种解法比较、时间空间复杂度分析、边界条件处理等核心要素。优秀的刷题笔记往往采用"问题描述→初始思路→优化过程→最终方案→同类题型"的结构，这正是大多数技术面试的考察逻辑。从命名中的"hetao1733837"可以推测，这很可能是一位开发者在GitHub、LeetCode等平台的账号，这类个人刷题记录往往比标准化教程更具参考价值，因为它们真实记录了解决问题的思考过程。

2. 刷题笔记的核心价值

2.1 面试准备的黄金标准

在头部科技公司的技术面试中，算法题解答能力占据了至少60%的权重。我的亲身经历证明：面试官最看重的不是最终答案，而是你如何一步步分析问题、优化解法的思考过程。一份好的刷题笔记应该完整呈现这个思维轨迹：

1. 初始暴力解法（Brute Force）
2. 识别问题模式（如识别出这是滑动窗口问题）
3. 逐步优化步骤（时间复杂度从O(n²)降到O(n)）
4. 边界条件处理（空输入、极端值等）
5. 测试用例验证（包括自己设计的边缘case）

例如在解决"二叉树最大路径和"问题时，我的笔记会记录：

第一版忽略了路径不一定经过根节点的情况 → 通过后序遍历改进 → 发现全局变量记录最大值的技巧 → 最终实现时间复杂度O(n)的解法

2.2 个人知识体系的构建

刷题笔记最大的价值在于形成可复用的解题模式库。经过300+题的训练后，我发现90%的新题都可以归入以下类别：

我的笔记会为每种类别建立专项章节，记录这类问题的通用解法模板。比如动态规划章节会包含：

• 识别DP问题的三个特征（最优子结构、无后效性、重叠子问题）
• 四步解题法（定义状态→转移方程→初始条件→计算顺序）
• 空间压缩技巧（如二维DP转一维）

3. 高效刷题方法论

3.1 结构化刷题流程

根据我的实战经验，单道题目的理想学习时长应控制在45-90分钟，遵循以下流程：

1. 限时思考（15分钟）

   • 先写伪代码和复杂度分析
   • 不直接看答案，培养独立解题能力

2. 对比解法（20分钟）

   • 研究LeetCode官方题解的高票答案
   • 比较不同解法的优劣（如迭代vs递归）

3. 手写实现（30分钟）

   • 在IDE中完整实现并通过所有测试用例
   • 特别注意代码风格和变量命名

4. 复盘总结（10分钟）

   • 记录在Notion或GitHub的刷题仓库
   • 标注易错点和优化空间

以"合并K个有序链表"为例，我的笔记会包含：

• 暴力解法（全部遍历）的O(nk)实现
• 分治法如何将复杂度降到O(nlogk)
• 优先队列(PriorityQueue)的具体使用技巧
• 实际编码时comparator的写法陷阱

3.2 工具链配置建议

工欲善其事必先利其器，经过多次迭代，我的刷题环境配置如下：

开发环境：

• VS Code + LeetCode插件（直接提交测试）
• Jupyter Notebook（用于可视化算法流程）
• Draw.io（绘制递归树/状态转移图）

效率工具：

• Timer Tab（严格控制每道题的时间）
• Notion数据库（分类管理题目难度/类型）
• GitHub私有仓库（版本化管理代码）

调试技巧：

python复制# 在递归算法中添加调试打印
def dfs(node, level=0):
    print("  "*level + f"访问节点 {node.val}")
    # ...递归逻辑...

4. 典型问题深度解析

4.1 动态规划实战案例

以经典的"最长递增子序列(LIS)"问题为例，展示我的笔记记录方式：

问题描述：
给定数组nums，找到最长严格递增子序列的长度

解法演进：

1. 暴力回溯（指数级复杂度，不可行）
2. DP定义：dp[i]表示以nums[i]结尾的LIS长度
3. 状态转移：

   python复制for j in range(i):
       if nums[j] < nums[i]:
           dp[i] = max(dp[i], dp[j]+1)
   

4. 优化到O(nlogn)的贪心+二分法：
   • 维护一个tails数组记录最小尾部值
   • 使用bisect_left快速定位插入位置

易错点：

• 初始化应为dp = [1]*n而非全0
• 最终结果是max(dp)而非dp[-1]
• 二分法实现时要处理重复值

4.2 二叉树题型模板

二叉树问题有相对固定的解题框架，我的笔记中会总结如下模板：

递归三要素：

1. 终止条件（通常为node is None）
2. 当前层处理（访问/修改节点值）
3. 递归调用（左右子树）

python复制def traverse(node):
    if not node: return
    # 前序遍历位置
    traverse(node.left)
    # 中序遍历位置 
    traverse(node.right)
    # 后序遍历位置

迭代写法技巧：

• 使用栈模拟递归过程
• 前序：压栈时访问节点
• 中序：出栈时访问节点
• 层序：队列+BFS

5. 刷题进阶策略

5.1 高频题目精练

根据面试统计，以下题目出现频率最高，建议重点掌握：

1. 数组/字符串：

   • 两数之和（哈希表经典）
   • 接雨水（双指针/单调栈）
   • 字母异位词分组（哈希计数）

2. 链表：

   • 反转链表（迭代/递归）
   • 环形链表检测（快慢指针）
   • 合并两个有序链表

3. 系统设计：

   • LRU缓存（哈希表+双向链表）
   • 实现Trie树（前缀处理）

我的笔记会为每道高频题标注：

• 出现过的公司（如Google常考岛屿数量）
• 变种题目（如两数之和→三数之和）
• 最优解法的代码模板

5.2 模拟面试训练

真实面试环境与平时刷题有很大不同，建议：

1. 使用Pramp等平台进行模拟面试
2. 练习白板编码（注意手写代码规范）
3. 录音复盘自己的表达逻辑
4. 准备5-10个常见follow-up问题

在笔记中我会记录典型面试对话：

面试官："这个解法的时间复杂度是多少？"
好的回答："初始解法是O(n²)，因为... 经过优化后可以达到O(n)，方法是..."

6. 笔记管理与持续迭代

6.1 知识管理系统搭建

我的刷题笔记采用分层管理架构：

code复制刷题仓库/
├── 按题型/
│   ├── 动态规划.md
│   └── 图论.md
├── 按公司/
│   ├── Google高频.md
│   └── 字节跳动.md
└── 解题模板/
    ├── 二分查找.py
    └── 回溯法模板.py

使用Git进行版本控制，每次更新提交信息形如：

bash复制git commit -m "[DP] 新增背包问题九讲笔记"

6.2 周期性复习计划

根据艾宾浩斯遗忘曲线，我制定了复习提醒：

1. 新学题目：1天后、3天后、1周后复习
2. 中等难度：2周后、1个月后复习
3. 高频难题：每月定期复习

在Notion中设置自动化提醒，确保知识持续巩固。对于易忘的题目，我会在笔记中添加特殊标记：

🔄 需重点复习：KMP算法实现细节较复杂，每月回顾一次

7. 避坑指南与心得

7.1 新手常见误区

根据我带新人的经验，刷题初期容易陷入这些陷阱：

1. 盲目追求数量：刷300道水题不如精做50道经典题
2. 忽视代码规范：面试会因变量命名混乱扣分
3. 死记硬背解法：遇到变种题就束手无策
4. 跳过测试环节：边界条件处理不当直接挂面试

我的笔记中会特别标注这些"坑位"，例如：

⚠️ 在解决排列问题时，务必先问清是否包含重复元素，这是90%的出错点

7.2 效率提升技巧

经过两年实践，这些方法显著提高了我的刷题效率：

1. 问题拆解法：将复杂问题分解为已解决的子问题

   • 例：正则表达式匹配→拆分为字符匹配+星号处理

2. 可视化分析：用图形辅助理解算法

   python复制# 打印二叉树的层状结构
   def print_tree(root):
       from collections import deque
       q = deque([root])
       while q:
           # ...按层打印逻辑...
   

3. 模板化编程：准备常用算法的代码片段库

   • 快速排序的partition函数
   • 并查集的路径压缩实现
   • Dijkstra算法的优先队列版本

最后给坚持刷题的朋友一个建议：把每道题当作一个迷你项目来对待，从需求分析（理解题意）到测试验收（通过所有用例）完整走一遍流程，这样的刷题笔记才会成为你技术成长的坚实基石。