面试高频算法题精讲：双指针、动态规划与回溯模板

每次面试季找我做模拟面试的朋友基本都会问同一个问题“算法题到底刷到什么程度才够”说实话这个问题没有标准答案但如果你问的是“哪些算法题最常考、最值得优先吃透”那答案其实很集中。我做了几年面试官也陪着不少人从刷题小白走到拿到满意 Offer一个很深的感受是面试算法题不是比谁刷得多而是比谁能在有限时间里把思路讲清楚、把代码写对、把边界考虑全。《面试常考算法题》这个系列就是想把那些反复出现在各家公司笔试、面试环节的高频题拿出来一道一道拆给你们看。这一篇是系列的第一部分重点覆盖数组、字符串、链表、二叉树和动态规划这几大高频板块。所有例题我都用 Python 写因为 Python 在面试里确实是效率最高的语言语法简洁、标准库丰富能让思路表达更直接。这篇文章适合三类人马上要参加校招或跳槽面试、正在集中刷题的人刚开始接触算法题、想找一条清晰学习路径的新手以及刷了一些题但总觉得思路不够系统、容易卡壳的人。接下来我讲的每一道题都会包含我的分析思路、完整可运行的代码以及一些面试场上可以直接用的表述方式。1. 面试算法题到底在考什么1.1 为什么刷题不能只背答案很多初学者最容易踩的坑就是一上来就背题解。今天背会了“两数之和”的哈希表写法明天碰到“三数之和”就不会了昨天记住了“反转链表”的迭代代码今天面试官问“反转链表的前 N 个节点”立刻卡住。根本原因在于没有理解这些解法背后的思维模型。面试算法题本质上考察三个层次第一层是你能不能把问题抽象成已知的模型比如看到“连续子数组满足某个条件”能不能联想到滑动窗口看到“从左上角走到右下角求最小路径和”能不能联想到动态规划第二层是你能不能把一个具体解法讲清楚原理比如双指针为什么能把 O(n²) 优化到 O(n)它的前提条件是什么第三层才是你能不能写出正确、整洁、边界完整的代码。所以我的建议一直是刷题的正确姿势是“题型驱动”。每一类题型先搞懂核心解法然后用一道经典题把它吃透再找两三道同类型题去验证自己是不是真会了。这个过程不用贪多但每一道题都要走完“想思路、写代码、讲复杂度、测边界”这四个步骤。1.2 Python 在算法面试里是红利还是陷阱Python 做算法题确实是红利但用不好也会变成陷阱。红利在于代码量少同样的逻辑用 C 写 30 行用 Python 十几行就搞定了面试时手写代码的压力小很多。陷阱在于深层拷贝、切片、可变对象这些语言特性如果不注意会在边界条件上出问题。举个例子很多人写回溯算法的时候都写过这样的代码res.append(path) # 错误的写法 res.append(path[:]) # 正确的写法第一种写法把 path 的引用放进结果列表后续回溯过程中 path 一变之前保存的结果也跟着变最终 res 里全是同一个列表。这就是对 Python 引用语义不理解埋的坑。我在后面的回溯算法部分还会详细讲这个点。还有一个常见问题是很多人过度依赖 Python 内置函数。面试官让你实现一个排序你直接 sorted() 当然没问题但如果题目明确考排序算法本身就必须能手写快速排序或者归并排序。工具函数可以用但核心算法逻辑要能自己实现这个边界要分清。2. 高频基础题型数组与字符串的双指针思维2.1 双指针最经典的场景有序数组与“两数之和 II”“两数之和”系列有多个版本面试中最常出现的不是普通的“两数之和”而是“两数之和 II - 输入有序数组”因为这个版本直接指向一个高频考点双指针。题目是这样给定一个已按升序排列的整数数组和一个目标值找到两个数使它们的和等于目标值返回两个数的下标从 1 开始计数。最朴素的做法是双重循环时间复杂度 O(n²)但面试官肯定期待更好的方案。我的分析路径是这样的数组有序是突破口这是双指针能够生效的前提。让一个指针 L 指向数组开头一个指针 R 指向结尾计算两个指针指向元素的和如果和等于 target直接返回下标如果和小于 target说明需要更大的数L 向右移动一位如果和大于 target说明需要更小的数R 向左移动一位。为什么这样移动不会漏掉解因为数组是有序的当 numbers[L] numbers[R] target 时当前 L 和任何一个比 R 更靠右的数相加都会更大可能接近 target但当前 L 与 R 已经是最靠右的搭配了如果这样都小于 target那么对当前 L 来说不存在任何一个右侧数字能让和等于 target所以 L 可以安全右移。同理可证 R 左移的安全。这样一个 O(n²) 的问题就优化成了 O(n)。def two_sum(numbers, target): left, right 0, len(numbers) - 1 while left right: current_sum numbers[left] numbers[right] if current_sum target: return [left 1, right 1] elif current_sum target: left 1 else: right - 1 return []面试时这个解法说完面试官一般还会追问一句“如果数组是无序的呢”这就是引导你说出哈希表的解法。所以准备这道题的时候两种解法都要烂熟于心先答双指针再补一句“如果无序可以用哈希表把时间复杂度控制在 O(n)”。2.2 快慢指针模板原地去重数组板块另一个超高频考点是“删除有序数组中的重复项”核心考的是快慢指针的原地修改技巧。题目要求不许使用额外数组空间必须在原数组上操作。我第一次做这道题的时候第一反应是新建一个数组把不重复的元素放进去然后拷贝回来。这样做功能没问题但不符合空间复杂度 O(1) 的要求。正确做法是用两个指针慢指针 slow 指向已处理部分的最后一个位置快指针 fast 从头扫描数组当 nums[fast] 不等于 nums[slow] 时说明遇到了新的元素slow 先加一再把 nums[fast] 复制到 nums[slow] 位置当两者相等时快指针继续往前走。最终 slow 1 就是去重后数组的长度。def remove_duplicates(nums): if not nums: return 0 slow 0 for fast in range(1, len(nums)): if nums[fast] ! nums[slow]: slow 1 nums[slow] nums[fast] return slow 1这个模板我建议背熟。因为它在很多题目里都有变形移除指定元素、移动零、甚至数组压缩。核心思维是用一个指针维护结果数组的有效区另一个指针负责探索原数组。注意这类原地修改的题面试时一定要跟面试官确认清楚——是否允许修改原数组返回值是长度还是数组本身不同公司题目要求有细微差别写之前问清楚能避免一整段代码白写。2.3 字符串题型中的滑动窗口入门字符串类题目里滑动窗口应该是最常考的模型之一。这里用“无重复字符的最长子串”这道题讲透滑动窗口的基本框架。题目很直白给定一个字符串找出其中不含重复字符的最长子串的长度。暴力解是枚举每个子串判断有没有重复字符O(n³) 明显不行。滑动窗口的思路是维护一个区间 [left, right]让区间内始终不含重复字符right 不断往右扩展每加入一个新字符时如果发现字符已存在于当前窗口内就把 left 移到该字符上一次出现位置的下一位。判断字符是否在窗口内可以用一个哈希表记录字符最近一次出现的下标这样查询和更新都是 O(1)。def length_of_longest_substring(s): last_seen {} left 0 max_len 0 for right, ch in enumerate(s): if ch in last_seen and last_seen[ch] left: left last_seen[ch] 1 last_seen[ch] right max_len max(max_len, right - left 1) return max_len这里面最容易被忽视的是last_seen[ch] left这个判断。如果只判断ch in last_seen可能出现这样的问题某个字符上一次出现的位置在 left 左边它已经不属于当前窗口了但还是会被当成重复字符导致 left 回退结果出错。这个细节我在模拟面试时问过很多人能做对的不超过一半。滑动窗口的通用框架就是四个步骤扩展右边界、更新窗口数据、收缩左边界、更新结果。每道题具体的“窗口数据”和“收缩条件”不同但框架是通用的。3. 数据结构题型链表、二叉树与哈希表3.1 链表题“反转链表”的迭代与递归链表题在面试中出现频率极高但大部分题目难度不大主要考察的是指针操作的扎实程度。“反转链表”是链表题里最基础也最重要的一道很多中等难度的链表题比如“反转链表 II”“K 个一组翻转链表”都是在它基础上扩展的。迭代写法比较直观。用三个指针 prev、curr、next 完成反转每次把当前节点的 next 指向前一个节点然后三个指针整体后移。这个过程中最容易出错的地方是循环结束条件以及最后该返回哪个指针。def reverse_list(head): prev None curr head while curr: next_node curr.next curr.next prev prev curr curr next_node return prev循环结束的时候curr 已经是 None此时 prev 指向新的头节点也就是原链表的尾节点。我第一次自己写的时候循环结束后下意识返回了 curr结果返回了一个空链表找了好半天才发现问题。递归写法代码更短但理解门槛稍高。核心思路是先反转当前节点后面的所有节点然后把当前节点的 next 的 next 指向当前节点最后把当前节点的 next 置空。def reverse_list_recursive(head): if head is None or head.next is None: return head new_head reverse_list_recursive(head.next) head.next.next head head.next None return new_head面试时我建议优先展示迭代写法因为逻辑更直观、不容易有栈溢出的风险。递归写法可以作为“另一种解法”提一下展示你思维的广度和对递归的理解深度。提示链表题最怕的就是“断链”。每次修改指针之前先想清楚这一步会不会让后面某个节点找不到。一个稳妥习惯是凡是 next 指向发生改变前先把这个节点原本的 next 用临时变量保存下来。这不是唯一的写法但在时间紧张的面试中是很有效的保底策略。3.2 二叉树的三种遍历递归你肯定要会迭代你最好也会二叉树是数据结构和算法面试的重头戏而层序遍历、前序遍历、中序遍历、后序遍历是必考的基础。递归写法很简单就拿中序遍历来说def inorder(root): if not root: return inorder(root.left) print(root.val) inorder(root.right)但面试题很少只考递归遍历本身更多是在遍历基础上的变形题比如“验证二叉搜索树”利用中序遍历有序性、“二叉树的最近公共祖先”、“二叉树的最大深度”等。这些题目虽然围绕遍历展开但每个都有自己独特的解题突破口单纯背遍历模板是不够的。迭代遍历里中序遍历值得单独练一练因为它和“下一个更大元素”“BST 第 K 小元素”这类题目强相关。核心是用一个栈模拟递归调用的过程先一路往左走每经过一个节点就压栈走到最左边之后开始弹栈访问然后转向右子树。def inorder_iterative(root): stack [] result [] curr root while curr or stack: while curr: stack.append(curr) curr curr.left curr stack.pop() result.append(curr.val) curr curr.right return result前序遍历的迭代写法和中序遍历非常像区别在于访问时机入栈时访问还是一路向左时访问。后序遍历迭代更麻烦一点常见技巧是用一个 prev 指针记录上一次访问的节点判断当前节点是从左边回来的还是从右边回来的决定是否应该访问它。这个代码稍微长一些但写两遍就能记熟。二叉树这块没什么捷径所有技巧都建立在三种遍历的熟练度上。我的经验是每次用递归写完后强迫自己再写一遍迭代版本这个习惯坚持一个月迭代遍历就变成了肌肉记忆。3.3 哈希表的两大高频考点去重与计数哈希表在算法题里几乎是“万能辅助”它的核心价值就两点O(1) 时间的查找以及元素的计数统计。面试中出现频率最高的哈希表题目是“两数之和”无序版本其次是一系列“变位词分组”“最长连续序列”这类需要快速查找的题目。“两数之和”的哈希表解法思路非常经典遍历数组对每个元素检查 target - 当前元素 是否已经在哈希表里。如果存在说明找到了这两个数如果不存在把当前元素存进哈希表。这里的关键在于为什么是边遍历边存而不是先全部存进去再遍历因为边遍历边存能天然避免同一个元素被使用两次的问题。def two_sum(nums, target): seen {} for i, num in enumerate(nums): complement target - num if complement in seen: return [seen[complement], i] seen[num] i return []哈希表另一个高频应用是计数。比如“数组中出现次数超过一半的数字”“字符串中的第一个唯一字符”等都是先建一个计数器然后做判断。Python 的collections.Counter在面试中可以直接用但建议理解它的底层原理——本质上就是一个 dictkey 是元素value 是出现次数。有一点要提醒哈希表虽然好用但并不是所有“找两个元素关系”的题目都应该用它。如果题目给出的是有序数组双指针往往比哈希表更优——空间复杂度从 O(n) 降到 O(1)。面试时多问自己一句“当前题目有哪些已知条件可以利用”这会直接影响你选择哪种解法。4. 思想方法题型动态规划、贪心与回溯4.1 动态规划从“不会做”到“会做”的思维路径动态规划是面试算法题里最让新手头疼的部分因为它需要的不是记住某段代码而是建立一种“状态定义”的思维方式。其实动态规划有相对固定的分析套路按这个套路走大多数入门级题目都能解出来。第一步是定义状态。这一步决定了整道题的走向。以经典的“爬楼梯”为例假设你正在爬楼梯需要 n 阶才能到顶每次可以爬 1 或 2 个台阶有多少种不同的方法爬到顶。定义 dp[i] 表示爬到第 i 阶有多少种方法这个定义立刻让问题变得清晰。第二步是找状态转移方程。思考“如何从子问题的答案推导出当前问题的答案”。到达第 i 阶的方法只能从第 i-1 阶跨 1 步上来或者从第 i-2 阶跨 2 步上来所以 dp[i] dp[i-1] dp[i-2]。到这里核心思路其实已经出来了。第三步是确定初始化条件和遍历顺序。dp[1] 1只跨一步dp[2] 2跨两次 1 步或一次 2 步然后从 3 开始往后遍历。def climb_stairs(n): if n 2: return n dp [0] * (n 1) dp[1] 1 dp[2] 2 for i in range(3, n 1): dp[i] dp[i - 1] dp[i - 2] return dp[n]实际上这个题还可以进一步优化因为 dp[i] 只依赖前两个值不需要用整个数组用两个变量滚动更新就行。面试时如果能主动说出这个空间优化会是一个非常明显的加分项。稍进阶一点的动态规划题是“最长递增子序列”状态定义是 dp[i] 表示以 nums[i] 结尾的最长递增子序列长度。转移方程就需要两层循环对每个 i遍历它前面的所有 j如果 nums[j] nums[i]就尝试用 dp[j] 1 更新 dp[i]。这类题的共同特点是状态定义不再像爬楼梯那样一目了然需要一定的抽象能力所以建议从“最长递增子序列”入手训练这种抽象能力。动态规划的题目必须亲自动手画递推表。我练动态规划时有个习惯拿一张纸把 n5 以内的所有状态手写一遍标出每个状态依赖了哪些更小的状态。这个习惯能帮我把“递推公式”和“实际计算过程”对齐避免理解偏差。注意写动态规划代码最大的坑是数组越界和初始化错误。每次写完先跑一个最小规模的例子比如 n1、n2确认输出符合预期再提交。别小看这一步能省掉很多调试时间。4.2 贪心算法怎么判断“局部最优”是否安全贪心算法在面试中出现的频率不如动态规划高但每出现一次都容易让候选人卡壳因为它的难点在于你怎么知道每一步选局部最优最终就能得到全局最优以“买卖股票的最佳时机”为例给定一个数组 pricesprices[i] 表示第 i 天的股票价格你只能选择某一天买入、之后的某一天卖出求能获得的最大利润。这道题如果思路不对很容易绕进“找最低点和最高点”的歧路。实际上正确的贪心策略是遍历中维护当前看到的最低价格同时计算如果今天卖出能赚多少不断更新最大利润。def max_profit(prices): min_price prices[0] max_profit 0 for price in prices[1:]: min_price min(min_price, price) max_profit max(max_profit, price - min_price) return max_profit这段代码里其实隐含了一个“假设”最低点一定在最高点之前被更新到。遍历顺序天然保证了这一点。这就是贪心算法的典型特征——它不做回退和全局搜索只在每个局部做出看起来最好的选择但因为问题具备某种“最优子结构”这个局部选择正好构成了全局最优。另一个可以用贪心思路解决的经典题是“分发饼干”。你要让尽可能多的孩子满足每个孩子有一个胃口值每个饼干有一个尺寸值每个孩子最多只能给一块饼干。贪心策略是先把孩子的胃口和饼干尺寸都排序然后从小到大匹配——给胃口最小的孩子分配能满足他的最小饼干这样能最大化满足人数。面试中如何讲清楚贪心算法的正确性关键是要用“交换论证法”或者“反证法”给一个简短说明。以分发饼干为例可以说“如果有一个最优解没有把最小的可用饼干分给胃口最小的孩子我们交换这两块饼干的分配结果不会变差所以贪心策略不会错过最优解。”大部分面试官听到这个程度的论证基本就会认可你对贪心算法的理解了。4.3 回溯算法别怕它就一个模板回溯算法是“全排列”“组合总合”“N 皇后”这类题的统一解法。看似花样很多实际上核心就是一棵多叉树的深度优先遍历。把模板记熟大部分回溯题都能套进去。回溯的模板可以总结为四步选择、递归、回退。用一个经典题“全排列”来演示给定一个不含重复数字的数组返回所有可能的全排列。def permute(nums): result [] path [] used [False] * len(nums) def backtrack(): if len(path) len(nums): result.append(path[:]) return for i in range(len(nums)): if used[i]: continue used[i] True path.append(nums[i]) backtrack() path.pop() used[i] False backtrack() return result这段代码里最值得注意的地方就是result.append(path[:])。前面已经提过这里必须用切片生成一个副本直接把 path 放进去会导致引用问题所有结果会变成同一个列表。这个问题我在帮别人 review 代码时见过太多次了每次出现都让人很崩溃因为输出看起来非常莫名其妙。回溯算法面试时还有一个常见变形如果题目要求结果不能包含重复排列比如 nums 里有重复元素那需要在 for 循环里加上去重逻辑。具体做法是先排序然后判断if i 0 and nums[i] nums[i-1] and not used[i-1]: continue。这个去重条件稍微难理解一些建议自己手动模拟几轮过程把为什么“前一个相同元素没被使用过就跳过”搞清楚以后遇到同类题就不会再错。回溯的时间复杂度一般都比较高全排列是 O(n!)组合是 O(2^n)面试问答时一定要如实说明并且可以补充一句“对于大规模输入回溯法效率较低可能要考虑剪枝或换用其他算法”这个补充能体现你的复杂度意识。5. 复杂度分析与边界条件这步别忽略5.1 复杂度分析怎么答不丢分很多候选人代码写得不错但一问“时间复杂度是多少”就开始含糊其辞。面试官问复杂度不只是看你记没记住更是想看你能不能从代码结构出发自己推导出来。所以分析复杂度时正确的做法是从代码的实际执行流程出发而不是背结论。以双指针的两数之和为例while 循环中 left 只能右移、right 只能左移最多移动 n 次所以时间复杂度是 O(n)空间复杂度是 O(1)。二分查找每次把搜索区间缩小一半所以是 O(log n)。这个推导过程说清楚了比单纯说出一个答案更有说服力。动态规划题的复杂度分析比较特殊一般看两样东西状态的数量和每个状态的转移代价。比如“最长递增子序列”状态有 n 个每个状态需要遍历前面最多 n 个状态所以总复杂度是 O(n²)。dp[i]对应的空间就是 O(n)。把这两部分拆开说面试官一听就知道你是真懂。另外有个很容易踩的坑Python 的某些操作看起来是 O(1)实际不是。比如list.pop(0)是 O(n)因为要把后续所有元素往前移动但list.pop()是 O(1)。list.index(x)是 O(n)、in list也是 O(n)这些操作如果想要 O(1) 就得换成 dict 或 set。哪怕代码写对了如果复杂度分析用错了操作在面试评价里也是一处明显的硬伤。5.2 边界条件挂在面经里最常见的原因边界条件没处理好在面试里特别常见。最典型的例子写着写着循环里直接访问了nums[i1]结果最后一个元素越界报错。这类问题其实很好解决只要在写完代码后主动检查三类边界空输入、长度/规模最小的输入、全部元素相同或全部元素不相同的输入。一套我常用的快速检查流程是写完代码后先默念一遍“如果输入是空的我的代码会发生什么”比如双指针解法里len(numbers) 0时left 0, right -1循环条件left right不成立直接返回空数组没问题。再做一次“如果只有两个元素”的测试比如快速过一遍逻辑链路确认指针移动逻辑正确。最后再想一个“特殊值”的测试比如所有数字都相等时去重逻辑是否正确。有个需要特别提醒的点数组题几乎每一道都要问自己“两个指针相遇之后我还要不要继续循环”。这个判断标准因题目而异有些题要求left right有些要求left right。以“搜索插入位置”这类二分查找变种题为例子如果条件写反了结果就会偏一位。这种抽象层面的“偏一错误”最难调试因为代码不报错只是结果不对。提示面试时主动说“我先测一下边界情况”是一个非常加分的动作等于向面试官展示你有良好的工程习惯。我面过的候选人里能主动做这步的人不超过两成。6. 刷题策略与面试沟通技巧6.1 三个月怎么安排刷题计划刷题最忌讳漫无目的地刷。我给身边人建议的计划大致分为三个阶段适合从零开始、想要系统准备的人参考。第一阶段约两周主攻基础数据结构和简单题。目标是熟悉线性表、哈希表、字符串的基本操作。每天 3 到 5 道题不用追求难度关键是动手写、把每种基础操作的复杂度刻在脑子里。刚开始写不出来很正常可以先看题解但是看题解有讲究坚决不整段复制而是看一遍思路合上代码自己写一遍。写完后再对照题解反思自己卡在哪里。这个阶段的核心目标不是积累题量而是建立“看到题能联想到什么模型”的感觉。第二阶段约六周按题型专项训练。每两天聚焦一个题型数组双指针、滑动窗口、链表操作、二叉树遍历、DFS/BFS、动态规划、回溯。每个题型先找 2 到 3 道经典题吃透再用 5 到 8 道同类型题巩固。这个阶段开始每道题都要严格走完整流程独立写代码、分析复杂度、检查边界、自己想两个测试用例。第三阶段约四周模拟面试和查漏补缺。每两天做一次全真模拟找朋友或线上平台出题限定 45 分钟完成一道中等或困难题并且要说思路、写代码、讲复杂度。模拟时用手机录音结束后回听重点听自己讲解思路时是否清晰、有无吞吞吐吐和逻辑跳跃。这个阶段如果时间充裕可以配合面试频率较高的公司题库做针对性训练。刷题数量上我个人觉得 150 到 250 道高质量题目是一个比较合理的区间——不是不能更多而是超过这个量以后边际收益会明显递减不如把时间花在复盘错题和总结题型上。另外强烈建议建一个自己的错题本不用很复杂记录四件事就好题目链接、错误原因、正确思路关键词、下次复习时间。很多大型刷题平台都有收藏功能但亲手写一遍效果完全不一样。6.2 面试场上怎么和面试官聊题很多人以为面试算法题就是闷头写代码这是一个很大的误解。面试官在算法环节考察的不仅是代码更是沟通和协作能力因为实际工作中写代码本来就不是一个人闷头写。拿到题目后我建议按下面这个节奏来先花一两分钟把题目用自己的话复述一遍确认理解一致。这一步至少有三个作用避免理解偏差、展示沟通能力、为自己争取思考时间。复述时可以说“我理解这道题的意思是……请问我理解得对吗”基本上所有面试官都会点头示意你可以继续。然后简单说几句你的初步思路包括你考虑过哪些解法、最终选了哪种、为什么。这一步不用说得太细关键是想让面试官看到你的思路轨迹。比如可以说“我先想到暴力枚举但那个复杂度是 O(n²)考虑到数组是有序的我觉得可以用双指针优化到 O(n)。”这种表述方式能让面试官快速跟上你的思路即使后面确实有些小问题面试官也更愿意给出提示而不是直接否定。开始写代码前问一句“我可以在代码里使用辅助空间吗”这看似多余却能提前避开很多要求不明确导致的返工。如果面试官说“尽量 O(1) 空间”那你再调整思路也还来得及总比代码写完了才发现方向不对好。代码写完以后不要直接说“写完了”就停住先自己过一遍逻辑然后主动提出“我简单说下这个解法的时间复杂度和空间复杂度然后我拿一个例子跑一遍看看边界。”这个流程能帮你把很多本来会扣分的点变成加分项。最后如果面试官问“有更好的解法吗”即使你一时想不出来也不要直接说“没有”可以诚实讲“‘暂时想到的是这样如果您有提示我可以再考虑考虑’多数面试官会给出线索这时你顺着线索思考哪怕没做出来也比你沉默或直接放弃好很多。写在最后聊点我自己的体会带过的候选人多了我越来越发现一个规律最终拿到好结果的人不是刷题最多的也不是天赋最高的而是每一次练习都走完整流程、对每道题都有复盘的人。他们未必能解出所有的题但每一道他们做过的题他们都能把思路讲明白、把边界说清楚这种能力在面试中比“我见过这道题”重要得多。这个系列后面我打算把重点题型的进阶版本、高频 DP 模型总结、以及系统设计面试的套路陆续写出来。第一篇先把这些最基础也最常考的东西讲透是因为不管你面试的是传统互联网还是新领域的技术岗位这些题目依旧是最稳的敲门砖。希望你们也能沉住气一道一道过下一篇见。