企业官网建设流程全解析

1. 项目背景与核心价值

作为一名算法工程师，我坚持每天记录自己的刷题过程已经超过三年。这份"2026-03-10~12 hetao1733837的刷题记录"是我日常训练的一个典型切片，记录了连续三天内解决的算法问题及其思考过程。不同于普通的刷题列表，这份记录包含了题目分析、多种解法的比较、优化思路以及实际编码中的调试心得。

在技术面试越来越注重实际解决问题能力的今天，系统性的刷题训练已成为程序员职业发展的必经之路。但很多人在刷题过程中容易陷入"只求AC（Accepted）"的误区，忽视了思维过程和优化方法的记录。这正是我坚持详细记录的价值所在——它不仅帮助我巩固知识点，更形成了可追溯的技术成长轨迹。

2. 刷题方法论与记录体系

2.1 题目选择策略

我采用分层递进的选题方式：

• 每日1道困难题（如LeetCode Hard）
• 2-3道中等题（侧重不同算法类型）
• 1道之前做错或未完全理解的复习题

这种组合既能保持挑战性，又能巩固基础。以3月10日为例：

• 新题：LC 218 天际线问题（扫描线算法）
• 复习题：LC 76 最小覆盖子串（滑动窗口优化）

2.2 记录模板设计

每道题的记录包含以下核心字段：

## [日期] [题号] 题目名称 **标签**：算法分类（如DFS、DP） **初始思路**：第一直觉解法 **复杂度分析**：时间/空间复杂度估算 **优化过程**：逐步改进的思路 **最终代码**：带注释的实现 **总结**：关键收获与待改进点

例如3月11日记录的LC 239滑动窗口最大值问题：

# 单调队列解法 from collections import deque class Solution: def maxSlidingWindow(self, nums: List[int], k: int) -> List[int]: q = deque() # 存储下标而非值 res = [] for i, num in enumerate(nums): while q and nums[q[-1]] <= num: # 维护单调递减 q.pop() q.append(i) if q[0] == i - k: # 移除越界元素 q.popleft() if i >= k - 1: res.append(nums[q[0]]) return res

2.3 知识图谱构建

我会用Notion建立算法知识图谱，将题目与以下维度关联：

1. 算法类型（动态规划、图论等）
2. 企业真题频率（根据面经统计）
3. 个人掌握程度（1-5星评分）
4. 相似题目关联（如背包问题的变种）

这种结构化记录使得复习时可以按知识模块进行针对性训练，而非随机刷题。

3. 典型题目深度解析

3.1 天际线问题（LC 218）

问题描述： 给定建筑物的起止坐标和高度，输出城市天际线的关键点坐标。

解法演进：

1. 暴力解法（O(n^2)）：遍历所有x坐标，计算每个位置的最大高度
2. 扫描线优化（O(nlogn)）：
   • 将建筑物拆解为左右边界事件点
   • 使用最大堆维护当前高度
   • 关键点出现在当前最大高度变化时

代码实现要点：

import heapq def getSkyline(buildings): events = [] for L, R, H in buildings: events.append((L, -H, R)) # 用负高度区分左右 events.append((R, 0, 0)) # 右边界 events.sort() res = [] heap = [(0, float('inf'))] # (高度, 右边界) for x, negH, R in events: while heap[0][1] <= x: # 弹出过期的建筑物 heapq.heappop(heap) if negH: heapq.heappush(heap, (negH, R)) if not res or res[-1][1] != -heap[0][0]: res.append([x, -heap[0][0]]) return res

调试心得：

• 边界事件处理：右边界高度设为0以保证正确弹出
• 堆的维护：需要同时存储右边界坐标
• 去重逻辑：只有当最大高度变化时才记录关键点

3.2 最小覆盖子串（LC 76）

滑动窗口优化过程：

1. 初始暴力解法：枚举所有子串，检查是否包含目标字符（O(n^3)）
2. 基础滑动窗口：维护左右指针（O(n)）
3. 优化技巧：
   • 使用counter记录字符需求
   • 额外变量记录满足条件的字符数
   • 前移左指针时跳过无关字符

性能对比：

4. 效率提升实战技巧

4.1 调试与验证方法

1. 小数据测试法：

   • 先用手算验证简单case
   • 例如测试滑动窗口问题时：

     print(Solution().minWindow("ADOBECODEBANC", "ABC")) # 应输出"BANC"

2. 边界条件检查清单：

   • 空输入
   • 极值情况（如最大数据量）
   • 重复元素处理
   • 正负零值

3. 可视化调试： 对于图论问题，可以用ASCII画图辅助理解：

   0 —— 1 | \ | 2 3

4.2 常见优化模式

1. 空间换时间：

   • 预计算前缀和
   • 记忆化搜索
   • 查表法

2. 双指针技巧：

   • 快慢指针（链表问题）
   • 左右指针（数组问题）
   • 滑动窗口（子串问题）

3. 位运算优化：

   • 使用掩码代替集合
   • 异或找唯一数
   • 位计数技巧

4.3 个人效率工具链

1. 本地测试框架：

   import unittest class TestSolutions(unittest.TestCase): def test_skyline(self): self.assertEqual(getSkyline([[2,9,10],[3,7,15]]), [[2,10],[3,15],[7,10],[9,0]]) if __name__ == '__main__': unittest.main()

2. 性能分析工具：

   import cProfile cProfile.run('Solution().maxSlidingWindow([1,3,-1,-3,5,3,6,7], 3)')

3. 代码片段管理： 使用VS Code的Code Snippets功能保存常用模板：

   { "Binary Search": { "prefix": "bisect", "body": [ "left, right = 0, len(nums)-1", "while left <= right:", " mid = left + (right-left)//2", " if nums[mid] == target:", " return mid", " elif nums[mid] < target:", " left = mid + 1", " else:", " right = mid - 1", "return -1" ] } }

5. 刷题记录的价值延伸

5.1 面试复盘系统

我将刷题记录与面试经历关联，形成以下分析维度：

1. 题目出现频率统计
2. 个人解题时间分布
3. 错误类型归类（边界条件、算法选择等）
4. 企业出题偏好分析

5.2 技术博客素材

精选典型题目记录加工为技术文章，例如：

• 《从暴力解法到最优解：滑动窗口问题的四层进阶》
• 《如何用扫描线算法解决几何问题》
• 《动态规划的降维优化技巧》

5.3 个人能力雷达图

基于刷题数据生成技能评估：

%% 注意：实际使用时需替换为表格形式 radarChart title 算法能力评估 axis 数据结构, 动态规划, 图论, 搜索, 数学 "当前" : 85, 70, 65, 80, 60 "目标" : 90, 85, 75, 85, 70

（注：此处mermaid图表仅为示意，实际记录中使用表格代替）

6. 持续改进方向

经过三年多的刷题实践，我发现以下几个关键改进点：

1. 刻意练习：不再追求题目数量，而是针对薄弱环节进行专题突破。比如最近两周集中攻克了10道树形DP问题。

2. 错题重做：建立错题本，对曾经做错的题目定期重做。统计显示第二次做题的正确率能提高40%以上。

3. 模拟面试：使用Pramp等平台进行模拟面试，适应在时间压力下的解题状态。真实面试环境下解题速度比平时慢30%左右。

4. 代码审查：定期review自己三个月前的代码，会发现很多可以优化的地方。比如最近重看之前的回溯代码，发现有大量可以剪枝的优化点。

5. 教学相长：在LeetCode讨论区解答他人问题，这个过程常常能发现自己理解上的盲区。教是最好的学。