企业官网建设流程全解析

1. 引言：AI Coding 如何重塑我的工作自信

在接触 AI Coding 之前，我常常因为不熟悉某个框架、记不住 API 细节、或者面对陌生技术栈而焦虑。AI 编程助手改变了这一切——它让我从「害怕写错」变成「敢于尝试」，从「反复查文档」变成「快速验证想法」。这篇文章将用大量可运行的代码实战，展示 AI Coding 如何让我更自信地胜任工作。

本文的核心观点是：AI Coding 不是替代你思考，而是放大你的能力。它帮你扫清重复劳动和知识盲区，让你把精力集中在真正重要的架构设计和业务逻辑上。

2. 实战准备：搭建 AI Coding 工作环境

在开始之前，我们需要准备一套完整的 AI Coding 工具链。这里以目前主流的组合为例：

• 代码编辑器：VS Code 或 JetBrains 系列，安装 AI 插件。
• AI 助手：Claude Code、GitHub Copilot、Cursor 等，选择适合你团队的一款。
• 终端工具：支持 AI 命令行的终端，方便在终端中直接与 AI 交互。

下面是一个简单的环境验证脚本，确保你的 AI 助手能正常工作：

# 检查 Node.js 环境 node --version 检查 Python 环境 python --version 检查 Git 版本 git --version 验证 AI 助手是否可用（以 Claude Code 为例） claude --version

当所有命令都能正常输出版本号时，你的 AI Coding 环境就准备好了。

3. 实战一：用 AI 快速生成项目脚手架

以前搭建一个新项目，我需要手动创建目录、配置文件、初始化依赖，耗时又容易出错。现在，我只需要用自然语言描述需求，AI 就能帮我生成完整的项目结构。

下面是一个典型的 AI 对话示例，以及它生成的代码：

# 向 AI 助手发出指令 claude "创建一个 Node.js + Express 的 REST API 项目，包含用户注册和登录功能，使用 JWT 认证"

AI 会生成类似下面的项目结构和核心代码：

// server.js - Express 服务器入口 const express = require('express'); const mongoose = require('mongoose'); const authRoutes = require('./routes/auth'); const app = express(); app.use(express.json()); // 连接数据库 mongoose.connect(process.env.MONGODB_URI, { useNewUrlParser: true }); // 注册路由 app.use('/api/auth', authRoutes); const PORT = process.env.PORT || 3000; app.listen(PORT, () => { console.log(Server running on port ${PORT}); });

// routes/auth.js - 认证路由 const router = require('express').Router(); const bcrypt = require('bcrypt'); const jwt = require('jsonwebtoken'); const User = require('../models/User'); // 用户注册 router.post('/register', async (req, res) => { try { const { username, password } = req.body; const hashedPassword = await bcrypt.hash(password, 10); const user = new User({ username, password: hashedPassword }); await user.save(); res.status(201).json({ message: 'User created' }); } catch (error) { res.status(500).json({ error: error.message }); } }); // 用户登录 router.post('/login', async (req, res) => { try { const { username, password } = req.body; const user = await User.findOne({ username }); if (!user) return res.status(401).json({ error: 'Invalid credentials' }); const valid = await bcrypt.compare(password, user.password); if (!valid) return res.status(401).json({ error: 'Invalid credentials' }); const token = jwt.sign({ id: user._id }, process.env.JWT_SECRET); res.json({ token }); } catch (error) { res.status(500).json({ error: error.message }); } }); module.exports = router;

这段代码可以直接运行，并且包含了完整的注册、登录和 JWT 认证逻辑。以前我需要花一两个小时完成的工作，现在几分钟就能搞定。

4. 实战二：用 AI 调试疑难 Bug

调试是工作中最让人头疼的环节之一。AI Coding 让我从「盲猜」变成「精准定位」。下面是一个真实的调试案例：

假设我们有一段 Python 代码，处理 CSV 文件时总是报错：

import csv def process_csv(file_path): with open(file_path, 'r') as f: reader = csv.reader(f) for row in reader: # 处理每一行数据 process_row(row) def process_row(row): # 假设第一列是数字 value = int(row[0]) print(f"Processing: {value}") 调用函数 process_csv('data.csv')

运行时报错：ValueError: invalid literal for int() with base 10: 'Name'。以前我会手动检查 CSV 文件，现在直接把错误信息丢给 AI：

claude "我的 Python 代码报错 ValueError: invalid literal for int() with base 10: 'Name'，帮我修复"

AI 会立刻指出问题：CSV 文件包含表头行，需要跳过。修复后的代码：

import csv def process_csv(file_path): with open(file_path, 'r') as f: reader = csv.reader(f) next(reader) # 跳过表头行 for row in reader: if not row: # 跳过空行 continue process_row(row) def process_row(row): try: value = int(row[0]) print(f"Processing: {value}") except ValueError: print(f"Skipping invalid row: {row}") process_csv('data.csv')

这个案例展示了 AI Coding 的核心价值：它不仅能告诉你哪里错了，还能给出健壮的修复方案，包括跳过空行、异常处理等边界情况。

5. 实战三：用 AI 重构遗留代码

面对老项目中的遗留代码，我常常不敢轻易改动，怕破坏现有功能。AI Coding 给了我重构的勇气。下面是一个典型的重构场景：

原始代码（一个 Java 类，职责混乱）：

public class OrderService { public void processOrder(Order order) { // 验证订单 if (order.getAmount() < 0) { throw new IllegalArgumentException("Invalid amount"); } if (order.getCustomer() == null) { throw new IllegalArgumentException("No customer"); } // 计算折扣 double discount = 0; if (order.getAmount() &gt; 1000) { discount = 0.1; } else if (order.getAmount() &gt; 500) { discount = 0.05; } // 发送邮件 EmailService emailService = new EmailService(); emailService.sendOrderConfirmation(order.getCustomer().getEmail(), order); // 更新库存 InventoryService inventoryService = new InventoryService(); inventoryService.updateStock(order); // 保存订单 save(order); } private void save(Order order) { // 数据库保存逻辑 } }

这段代码把验证、折扣计算、邮件、库存、持久化全部塞在一个方法里。我让 AI 帮我重构：

claude "帮我重构这个 OrderService，使用单一职责原则，拆分成多个类"

AI 给出的重构方案：

// OrderValidator.java - 订单验证 public class OrderValidator { public void validate(Order order) { if (order.getAmount() < 0) { throw new IllegalArgumentException("Invalid amount"); } if (order.getCustomer() == null) { throw new IllegalArgumentException("No customer"); } } } // DiscountCalculator.java - 折扣计算 public class DiscountCalculator { public double calculate(Order order) { double amount = order.getAmount(); if (amount > 1000) return 0.1; if (amount > 500) return 0.05; return 0; } } // OrderNotifier.java - 通知服务 public class OrderNotifier { private final EmailService emailService; public OrderNotifier(EmailService emailService) { this.emailService = emailService; } public void notifyCustomer(Order order) { emailService.sendOrderConfirmation( order.getCustomer().getEmail(), order); } } // OrderService.java - 重构后的主服务 public class OrderService { private final OrderValidator validator; private final DiscountCalculator discountCalculator; private final OrderNotifier notifier; private final InventoryService inventoryService; private final OrderRepository repository; public OrderService(OrderValidator validator, DiscountCalculator discountCalculator, OrderNotifier notifier, InventoryService inventoryService, OrderRepository repository) { this.validator = validator; this.discountCalculator = discountCalculator; this.notifier = notifier; this.inventoryService = inventoryService; this.repository = repository; } public void processOrder(Order order) { validator.validate(order); double discount = discountCalculator.calculate(order); order.applyDiscount(discount); notifier.notifyCustomer(order); inventoryService.updateStock(order); repository.save(order); } }

重构后的代码职责清晰、易于测试和维护。更重要的是，AI 帮我保留了所有原有逻辑，没有遗漏任何功能。

6. 实战四：用 AI 编写单元测试

写单元测试是保证代码质量的关键，但很多人觉得枯燥。AI Coding 让测试编写变得轻松高效。下面是一个示例：

假设我们有一个简单的计算器类：

class Calculator: def add(self, a, b): return a + b def divide(self, a, b): if b == 0: raise ValueError("Cannot divide by zero") return a / b</code></pre> 让 AI 生成完整的单元测试： claude "为这个 Calculator 类生成 pytest 单元测试，覆盖正常情况和边界情况" AI 生成的测试代码： import pytest from calculator import Calculator class TestCalculator: def setup_method(self): self.calc = Calculator() def test_add_positive_numbers(self): assert self.calc.add(2, 3) == 5 def test_add_negative_numbers(self): assert self.calc.add(-2, -3) == -5 def test_add_zero(self): assert self.calc.add(0, 0) == 0 def test_divide_normal(self): assert self.calc.divide(10, 2) == 5 def test_divide_by_zero_raises(self): with pytest.raises(ValueError): self.calc.divide(10, 0) def test_divide_float_result(self): assert self.calc.divide(7, 2) == 3.5 def test_divide_negative(self): assert self.calc.divide(-10, 2) == -5</code></pre> 这些测试覆盖了正常情况、负数、零、异常等边界条件。以前我可能只写两三个测试，现在 AI 帮我考虑得更全面。 7. 实战五：用 AI 学习新技术栈 面对全新的技术栈，AI Coding 是最好的老师。它能根据你的需求，生成带详细注释的学习代码。下面以学习 TypeScript 泛型为例： claude "用 TypeScript 泛型写一个通用的缓存类，并加上详细注释，帮助我理解泛型" AI 生成的代码： /** 通用缓存类 T 是泛型参数，表示缓存值的类型 K 是键的类型，默认是 string */ class Cache<T, K extends string | number = string> { private store: Map<K, T> = new Map(); private maxSize: number; constructor(maxSize: number = 100) { this.maxSize = maxSize; } /** 存入缓存 @param key 键 @param value 值 */ set(key: K, value: T): void { // 如果超过最大容量，删除最早的元素 if (this.store.size &gt;= this.maxSize) { const firstKey = this.store.keys().next().value; this.store.delete(firstKey); } this.store.set(key, value); } /** 读取缓存 @param key 键 @returns 值或 undefined */ get(key: K): T | undefined { return this.store.get(key); } /** 删除缓存 @param key 键 */ delete(key: K): boolean { return this.store.delete(key); } /** 清空缓存 */ clear(): void { this.store.clear(); } /** 获取缓存大小 */ get size(): number { return this.store.size; } } // 使用示例 const stringCache = new Cache<string>(); stringCache.set('name', 'Alice'); console.log(stringCache.get('name')); // 输出: Alice const numberCache = new Cache<number, number>(); numberCache.set(1, 100); console.log(numberCache.get(1)); // 输出: 100 通过这种方式，我不仅学会了泛型的语法，还理解了实际应用场景。AI 的注释让我能快速掌握新知识。 实战六：用 AI 优化数据库查询 性能优化是工作中常见的挑战。AI Coding 能帮我分析慢查询并给出优化建议。下面是一个 SQL 优化案例： 原始查询（性能差）： SELECT * FROM orders WHERE customer_id IN ( SELECT id FROM customers WHERE signup_date < '2020-01-01' ) AND status = 'pending' ORDER BY created_at DESC; 让 AI 分析并优化： claude "这个 SQL 查询很慢，帮我优化，orders 表有 1000 万行数据" AI 给出的优化方案： -- 优化方案 1：使用 JOIN 替代子查询 SELECT o.* FROM orders o INNER JOIN customers c ON o.customer_id = c.id WHERE c.signup_date < '2020-01-01' AND o.status = 'pending' ORDER BY o.created_at DESC; -- 优化方案 2：添加合适的索引 CREATE INDEX idx_orders_status_created ON orders(status, created_at DESC); CREATE INDEX idx_orders_customer_status ON orders(customer_id, status); CREATE INDEX idx_customers_signup ON customers(signup_date); -- 优化方案 3：只选择需要的列，避免 SELECT * SELECT o.id, o.order_number, o.amount, o.created_at FROM orders o INNER JOIN customers c ON o.customer_id = c.id WHERE c.signup_date < '2020-01-01' AND o.status = 'pending' ORDER BY o.created_at DESC LIMIT 100; AI 不仅给出了优化后的 SQL，还解释了为什么这样优化：JOIN 比子查询更高效、索引能加速过滤和排序、避免 SELECT * 减少数据传输。 实战七：用 AI 生成 API 文档 写文档是很多人不喜欢但又必须做的工作。AI Coding 能自动生成高质量的 API 文档。下面是一个示例： 原始代码： from flask import Flask, request, jsonify app = Flask(name) @app.route('/api/users', methods=['POST']) def create_user(): data = request.get_json() username = data.get('username') email = data.get('email') 保存用户到数据库 return jsonify({'id': 1, 'username': username, 'email': email}), 201 @app.route('/api/users/<int:user_id>', methods=['GET']) def get_user(user_id): 从数据库查询用户 user = {'id': user_id, 'username': 'alice', 'email': 'alice@example.com'} return jsonify(user) 让 AI 生成 API 文档： claude "为这个 Flask API 生成 OpenAPI 3.0 文档" AI 生成的文档： openapi: 3.0.0 info: title: User API version: 1.0.0 description: 用户管理 API paths: /api/users: post: summary: 创建新用户 requestBody: required: true content: application/json: schema: type: object required: username email properties: username: type: string description: 用户名 email: type: string format: email description: 邮箱地址 responses: '201': description: 用户创建成功 content: application/json: schema: type: object properties: id: type: integer username: type: string email: type: string '400': description: 请求参数错误 /api/users/{user_id}: get: summary: 获取用户信息 parameters: name: user_id in: path required: true schema: type: integer responses: '200': description: 成功返回用户信息 content: application/json: schema: type: object properties: id: type: integer username: type: string email: type: string '404': description: 用户不存在 这份文档可以直接用于 Swagger UI 或 API 网关配置，大大节省了写文档的时间。 实战八：用 AI 处理跨语言迁移 有时候我们需要把代码从一种语言迁移到另一种语言。AI Coding 能高效完成这类工作。下面是一个 Python 到 Java 的迁移示例： 原始 Python 代码： def fibonacci(n): """计算斐波那契数列的第 n 项""" if n <= 1: return n return fibonacci(n - 1) + fibonacci(n - 2) def main(): for i in range(10): print(f"fib({i}) = {fibonacci(i)}") if name == "main": main() 让 AI 迁移到 Java： claude "把这个 Python 斐波那契代码迁移到 Java，保持相同的功能" AI 生成的 Java 代码： public class Fibonacci { /** 计算斐波那契数列的第 n 项 */ public static int fibonacci(int n) { if (n &lt;= 1) { return n; } return fibonacci(n - 1) + fibonacci(n - 2); } public static void main(String[] args) { for (int i = 0; i &lt; 10; i++) { System.out.println("fib(" + i + ") = " + fibonacci(i)); } } } AI 保留了原有的递归逻辑和注释，同时遵循了 Java 的命名规范和代码风格。这种迁移工作以前需要我手动逐行翻译，现在交给 AI 几分钟就完成了。 11. 实战九：用 AI 生成数据库模型 设计数据库表结构是开发中常见的任务。AI Coding 能根据业务需求自动生成数据库模型和迁移脚本。下面是一个示例： claude "为一个电商系统设计数据库模型，包含用户、商品、订单、订单明细四个表，使用 SQLAlchemy" AI 生成的模型代码： from sqlalchemy import Column, Integer, String, Float, DateTime, ForeignKey, Text from sqlalchemy.ext.declarative import declarative_base from sqlalchemy.orm import relationship from datetime import datetime Base = declarative_base() class User(Base): tablename = 'users' id = Column(Integer, primary_key=True) username = Column(String(50), unique=True, nullable=False) email = Column(String(100), unique=True, nullable=False) password_hash = Column(String(255), nullable=False) created_at = Column(DateTime, default=datetime.utcnow) orders = relationship('Order', back_populates='user') class Product(Base): tablename = 'products' id = Column(Integer, primary_key=True) name = Column(String(100), nullable=False) description = Column(Text) price = Column(Float, nullable=False) stock = Column(Integer, default=0) created_at = Column(DateTime, default=datetime.utcnow) class Order(Base): tablename = 'orders' id = Column(Integer, primary_key=True) user_id = Column(Integer, ForeignKey('users.id'), nullable=False) total_amount = Column(Float, nullable=False) status = Column(String(20), default='pending') created_at = Column(DateTime, default=datetime.utcnow) user = relationship('User', back_populates='orders') items = relationship('OrderItem', back_populates='order') class OrderItem(Base): tablename = 'order_items' id = Column(Integer, primary_key=True) order_id = Column(Integer, ForeignKey('orders.id'), nullable=False) product_id = Column(Integer, ForeignKey('products.id'), nullable=False) quantity = Column(Integer, nullable=False) price = Column(Float, nullable=False) order = relationship('Order', back_populates='items') product = relationship('Product')</code></pre> AI 不仅生成了四个表的模型，还正确设置了外键关系和关联关系。这种设计工作以前需要我仔细思考表之间的关系，现在 AI 帮我考虑得很周全。 12. 实战十：用 AI 编写自动化脚本 日常工作中的重复性任务，可以用 AI 快速编写自动化脚本。下面是一个文件批量处理的示例： claude "写一个 Python 脚本，批量重命名目录下的所有图片文件，按创建时间排序，命名为 image_001.jpg 格式" AI 生成的脚本： import os import glob from datetime import datetime def rename_images(directory): """批量重命名图片文件""" 获取所有图片文件 image_extensions = ['.jpg', '.jpeg', '.png', '.gif', '.bmp'] images = [] for ext in image_extensions: images.extend(glob.glob(os.path.join(directory, f'*{ext}'))) 按创建时间排序 images.sort(key=lambda f: os.path.getctime(f)) 重命名 for index, image_path in enumerate(images, start=1): directory_path = os.path.dirname(image_path) extension = os.path.splitext(image_path)[1] new_name = f"image_{index:03d}{extension}" new_path = os.path.join(directory_path, new_name) os.rename(image_path, new_path) print(f"Renamed: {os.path.basename(image_path)} -&amp;gt; {new_name}") if name == "main": target_dir = input("请输入图片目录路径: ") rename_images(target_dir) print("重命名完成！") 这个脚本考虑了多种图片格式、按创建时间排序、自动补零等细节。以前我需要花时间写这些脚本，现在 AI 几秒钟就搞定了。 13. 实战十一：用 AI 处理代码审查 代码审查是保证代码质量的重要环节。AI Coding 能帮我快速发现潜在问题。下面是一个示例： 假设我们有一段待审查的代码： function processUserData(userData) { const name = userData.name; const age = userData.age; const email = userData.email; if (age &gt; 18) { console.log("Adult user: " + name); } // 发送欢迎邮件 sendEmail(email, "Welcome " + name); // 保存到数据库 db.save({name: name, age: age, email: email}); return {name: name, age: age, email: email}; } 让 AI 进行代码审查： claude "审查这段 JavaScript 代码，找出潜在问题和改进建议" AI 的审查结果： // 改进后的代码 function processUserData(userData) { // 1. 添加参数校验 if (!userData || typeof userData !== 'object') { throw new Error('Invalid user data'); } const { name, age, email } = userData; // 2. 校验必填字段 if (!name || !email) { throw new Error('Name and email are required'); } // 3. 使用严格比较 if (age &gt;= 18) { console.log(Adult user: ${name}); } // 4. 使用异步处理 try { await sendEmail(email, Welcome ${name}); } catch (error) { console.error('Failed to send email:', error); } // 5. 使用参数化查询 await db.save({ name, age, email }); // 6. 返回新对象，避免修改原对象 return { name, age, email }; } AI 指出了六个改进点：参数校验、解构赋值、严格比较、模板字符串、异步错误处理、避免修改原对象。这些建议让代码更健壮、更安全。 14. 实战十二：用 AI 生成配置文件 配置各种工具和框架是开发中的常见任务。AI Coding 能根据需求生成正确的配置文件。下面是一个 Docker 配置示例： claude "为一个 Node.js + MongoDB 应用生成 Dockerfile 和 docker-compose.yml" AI 生成的配置： Dockerfile FROM node:18-alpine WORKDIR /app 复制 package.json 和 package-lock.json COPY package*.json ./ 安装依赖 RUN npm ci --only=production 复制源代码 COPY . . 暴露端口 EXPOSE 3000 启动应用 CMD ["node", "server.js"] docker-compose.yml version: '3.8' services: app: build: . ports: - "3000:3000" environment: - NODE_ENV=production - MONGODB_URI=mongodb://db:27017/myapp depends_on: - db restart: unless-stopped db: image: mongo:6 volumes: - mongo_data:/data/db restart: unless-stopped volumes: mongo_data: AI 生成的配置考虑了多阶段构建、环境变量、数据持久化、服务依赖等最佳实践。这些配置可以直接用于生产环境部署。 15. 实战十三：用 AI 处理正则表达式 正则表达式是很多人觉得难写的部分。AI Coding 能根据需求生成正确的正则表达式。下面是一个示例： claude "写一个正则表达式，验证中国大陆手机号码（11位，以1开头，第二位是3-9）" AI 生成的代码： import re 中国大陆手机号正则 phone_pattern = r'^1[3-9]\d{9}$' 测试用例 test_numbers = [ '13812345678', # 有效 '15812345678', # 有效 '19912345678', # 有效 '12812345678', # 无效（第二位是2） '1381234567', # 无效（只有10位） '138123456789', # 无效（12位） '23812345678', # 无效（不是1开头） ] for number in test_numbers: if re.match(phone_pattern, number): print(f"✓ {number} - 有效手机号") else: print(f"✗ {number} - 无效手机号") AI 不仅生成了正确的正则表达式，还提供了完整的测试用例来验证。这让我对正则表达式的正确性充满信心。 16. 实战十四：用 AI 生成数据可视化代码 数据可视化是数据分析中的重要环节。AI Coding 能快速生成图表代码。下面是一个示例： claude "用 Python matplotlib 画一个柱状图，展示某公司各季度销售额" AI 生成的代码： import matplotlib.pyplot as plt import numpy as np 数据 quarters = ['Q1', 'Q2', 'Q3', 'Q4'] sales = [120, 150, 130, 180] 创建柱状图 fig, ax = plt.subplots(figsize=(10, 6)) 绘制柱状图 bars = ax.bar(quarters, sales, color=['#4CAF50', '#2196F3', '#FF9800', '#F44336']) 添加数据标签 for bar in bars: height = bar.get_height() ax.text(bar.get_x() + bar.get_width()/2., height + 2, f'{height}万', ha='center', va='bottom', fontsize=12) 设置标题和标签 ax.set_title('2024 年各季度销售额', fontsize=16, fontweight='bold') ax.set_xlabel('季度', fontsize=12) ax.set_ylabel('销售额（万元）', fontsize=12) 设置 y 轴范围 ax.set_ylim(0, 200) 添加网格线 ax.grid(axis='y', alpha=0.3) 显示图表 plt.tight_layout() plt.show() AI 生成的代码包含了数据标签、网格线、颜色配置等细节，让图表更加专业美观。 17. 实战十五：用 AI 编写爬虫脚本 数据采集是很多项目的需求。AI Coding 能快速生成爬虫代码。下面是一个示例： claude "写一个 Python 爬虫，抓取某个新闻网站的头条新闻标题和链接" AI 生成的代码： import requests from bs4 import BeautifulSoup def fetch_headlines(url): """抓取新闻头条""" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36' } try: response = requests.get(url, headers=headers, timeout=10) response.raise_for_status() except requests.RequestException as e: print(f"请求失败: {e}") return [] soup = BeautifulSoup(response.text, 'html.parser') headlines = [] 查找新闻标题（根据实际网站结构调整选择器） for item in soup.select('.news-item a, .headline a, h2 a'): title = item.get_text(strip=True) link = item.get('href') if title and link: headlines.append({'title': title, 'link': link}) return headlines if name == "main": url = "https://example-news.com" headlines = fetch_headlines(url) for i, item in enumerate(headlines[:10], 1): print(f"{i}. {item['title']}") print(f" {item['link']}")</code></pre> AI 生成的爬虫包含了请求头设置、异常处理、超时控制等最佳实践，让爬虫更稳定可靠。 18. 实战十六：用 AI 优化算法性能 算法优化是提升程序性能的关键。AI Coding 能帮我分析算法复杂度并给出优化方案。下面是一个示例： 原始代码（性能差）： def find_duplicates(arr): """查找数组中的重复元素""" duplicates = [] for i in range(len(arr)): for j in range(i + 1, len(arr)): if arr[i] == arr[j] and arr[i] not in duplicates: duplicates.append(arr[i]) return duplicates 测试 arr = [1, 3, 5, 3, 7, 9, 1, 5] print(find_duplicates(arr)) # 输出: [1, 3, 5] 让 AI 优化： claude "这个查找重复元素的算法时间复杂度是 O(n²)，帮我优化到 O(n)" AI 的优化方案： def find_duplicates(arr): """