算法学习路线复盘：别把刷题数量当成成长证据

一、数量不等于能力

刷题很容易进入数量幻觉。今天刷 5 道，明天刷 10 道，月末统计几百道，看起来很努力。但如果题解靠背、复杂度讲不清、相似题一变形就不会，数量并不能证明能力增长。

算法学习路线要看能力闭环，而不只是题目数量。

二、先定义能力维度

flowchart TD A[算法能力] --> B[读题建模] A --> C[选择数据结构] A --> D[证明正确性] A --> E[复杂度分析] A --> F[代码实现]

一道题做完后，可以从这几个维度复盘。是没读懂题，还是想不到模型，还是代码边界错？不同问题对应不同训练方式。

learning_metrics: solved_count: true first_try_pass_rate: true proof_quality: true revisit_success_rate: true

revisit_success_rate很重要。一周后再做相似题还能独立写出来，才说明知识开始稳定。

三、题目要分层

topics = { "array": ["two pointers", "prefix sum", "sliding window"], "graph": ["bfs", "dijkstra", "topological sort"], "dp": ["linear dp", "tree dp", "knapsack"], }

不要今天图论，明天字符串，后天动态规划完全随机跳。随机刷题适合后期综合训练，前期更适合按主题建立模型。

每个主题可以按“模板题、变形题、综合题、讲解题”四层推进。能做模板题只是起点，能讲清变形条件才是真理解。

四、AI 可以做复盘助手

AI 不应该只负责给答案，更适合帮你整理错因、生成相似题、追问证明、安排复习。比如某类题总在边界失败，系统可以给你安排边界训练，而不是继续推新题。

ai_study_assistant: classify_mistakes: true schedule_review: true generate_counterexamples: true ask_proof_questions: true

复盘时最好保留自己的第一次思路。AI 可以指出哪里错，但不要直接覆盖原思考。成长证据来自“原来怎么想，现在怎么改”。

还要定期做空白复现。不给题解、不看笔记，重新写一遍核心题型。能复现，才说明路线有效。

最后，刷题目标要和面试表达绑定。很多题不是只要 AC，还要能在 5 分钟内讲清思路、复杂度和边界。训练时就要练表达，否则面试现场会掉链子。

路线复盘还要有错题生命周期。错题不是收藏起来就结束，而是要经历“当日修正、三日复现、一周迁移、月度抽查”。如果只收藏不复现，错题本会变成心理安慰。

mistake_lifecycle: day_0: explain_bug day_3: rewrite_solution day_7: solve_variant day_30: random_review

AI 可以帮忙生成变体题，但要控制相似度。太像原题只是重复记忆，太远又无法验证迁移。理想变体应该改变表述或约束，但保留核心模型。

最后，成长证据要可视化。比如每周统计首次通过率、证明评分、复现成功率，比单纯累计题数更能反映真实进步。

五、总结

算法学习路线复盘要关注读题建模、数据结构选择、证明、复杂度、实现和复现能力。

刷题数量只是过程指标。能独立解释、能迁移、能复盘错因，才是真正的成长证据。