算法刷题本这三个字，拆开看不像什么新鲜事，不就是题目、讲解、代码三段式吗？但真能把这三块同时做扎实的人，我身边并不多见。大部分人的刷题记录，要么是一堆来不及看的题解链接，要么是粘贴板上贴了一整页代码却没留下任何思考痕迹。我自己这个刷题本前后折腾了快一年，从最初只会抄答案，到后来逐渐形成一套适合自己的整理方法，中间踩过的坑基本都踩了一遍。如果你也准备系统刷算法题，或者正在备技术面试、算法竞赛，那这篇总结应该能帮你少走一点弯路。

本文分享的重点不是某一道具体题目的答案，而是围绕“题目 + 题目讲解 + 代码实现”这套结构，讲清楚刷题本应该怎么设计、怎么分类、怎么写讲解、怎么写代码，以及后期怎么维护才能不烂尾、真正变成可复用的知识资产。适合准备面试的开发者、想冲竞赛的学生，也适合每一个刷题刷到迷茫、感觉“题做了很多但脑子还是空”的人。

1. 整体设计：刷题本不是题库，是写给自己的教材

1.1 刷题本要解决的真实问题

先说清楚刷题本到底在对抗什么。我复盘过自己刷题的前三个月，发现一个特别扎心的规律：一道题当时看懂了，两周之后再见，除了隐约记得“好像是用二分”，其他全还给答案了。这种“假学习”的现象不是个例，根源在于我们的大脑很容易把“看懂了别人的思路”误认为“自己会了”。所以刷题本的第一个职责，就是对抗遗忘，让每一道题都留下可检索、可复习的思考脚印。

第二个问题是思维碎片化。今天刷一道字典序问题，明天刷一道区间合并，如果只是按随机顺序记录，那刷到第两百题的时候，笔记里就是一堆彼此孤立的点，形不成线、更织不成网。真正有效的刷题本应该以专题为骨架，把同一种算法或者同一个数据结构的题放到一起，让题与题之间产生关联，这样复习的时候你看到的不只是一个题，而是一类题的通法。

第三个问题更现实：当你积累了三百道题之后，复习成本会高到惊人。如果没有统一的格式、清晰的标签和准确的难度标注，你根本不知道考前应该看什么。所以刷题本本质上是一份给自己用的“二次教材”，它的核心价值不是收藏，而是筛选、压缩、重组。我在设计整个笔记库时，给自己定了三条铁律：专题聚合大于随机记录、能讲给别人听才算真懂、随时能找到才算有效积累。后面所有模板和习惯，都是围绕这三条展开的。

1.2 整体目录结构与单题模板

有了定位，接下来就是结构设计。我的刷题本用 Markdown 加 Git 管理，目录长这样：

algorithm-notes/ ├── 00-template.md # 单题笔记模板 ├── 01-binary-search/ │ ├── README.md # 本专题总结与索引 │ ├── search-first-ge.md # 查找第一个大于等于 target 的下标 │ ├── peak-index.md # 山峰数组峰值查找 │ └── split-array-sum.md # 二分答案专题 ├── 02-two-pointers/ │ ├── README.md │ └── ... ├── 03-dynamic-programming/ │ ├── README.md │ └── ... └── 99-review/ ├── weekly-review.md # 每周随机点题复习 └── bug-list.md # 常错边界清单

每个专题文件夹下，第一份一定是 README，用来汇总这一专题里所有题的套路、易错点和“一句话思路”，相当于专题的压缩包。单题笔记则统一使用模板，我的模板经过三次改版，最终稳定成这个结构：

# 题目名称（自评难度：入门/中等/挑战） ## 考点标签 数据结构：数组 | 算法范式：二分查找 | 易错点：边界条件 ## 来源与场景说明 在线评测平台 / 某模拟项目 / 面试高频场景 ## 我的第一想法 （拿到题目后自己最初的思路，哪怕很笨） ## 卡壳点 （哪里卡住了，为什么卡住） ## 最优解法推导 （从暴力解到最优解的每一步优化，重点写动机） ## 边界条件 （空输入、单元素、溢出、重复值） ## 代码实现 （带关键注释的代码块） ## 复杂度分析 时间：O(?) | 空间：O(?) ## 复盘日期 YYYY-MM-DD（方便安排复习）

很多朋友看到这个模板的第一反应是“每道题都写这么多，太费时间了”。我的体会是：前三十题确实慢，但你一旦写熟，大部分字段只需要几分钟。而且真正值得写详细的不是每道题的全部内容，而是“卡壳点”和“最优解法推导”这两块，因为这两个字段记录的是思考过程，不是答案本身。复制粘贴答案没有任何成长，把思考过程写下来，才算把这道题变成自己的东西。

2. 选题与归类：刷题数量不等于知识密度

2.1 从“刷多少”到“怎么选题”的思维转变

我刚决定刷题时也犯过“数量崇拜”的毛病，总觉得刷到五百题、一千题就稳了。后来发现，这个目标本身就很有问题：刷题刷的是算法思维，不是题目编号。有些人刷三百题比另一些人刷八百题的效果好得多，差别就在于选题方式。我最开始是“看到什么刷什么”，热门榜单按顺序往下做，结果就是前一百个题里大量重复的简单题反复刷，难题和中档题反而没覆盖到，知识密度低得可怜。

后来我把选题策略改成了三维度控制：第一个维度是知识点覆盖度。核心算法和数据结构，每个至少要保证五到八道题，形成一定量。第二个维度是难度梯度。每个专题里入门、中等、挑战的比例控制在三比五比二左右。为什么挑战题只占两成？因为挑战题通常是多个套路组合，如果基础不牢直接上难题，大概率只能抄答案，收获反而不如把中等题吃透。第三个维度是形态多样性。同一个算法尽量在不同的载体上练，比如二分查找，不光要在数组里练，还要在旋转数组、答案区间、矩阵搜索里练，这样才能把“二分”从一道题升级成一种条件反射。

选题还有一个隐藏原则：优先选“暴力解到最优解有明显演进路线”的题。这种题最适合放进刷题本，因为它的讲解能写出完整的思考链条，而不是只会一句“这里套个模板就完事”。我在每个专题里都会刻意找两到三道这样的“示范题”，把它们写得很深，其他同套路的题则可以写得精简一些。

2.2 专题划分与标签体系的设计

选题解决了“刷什么”，接下来是“放哪”。我的分类体系是用两条轴交叉：一条轴是数据结构，包括数组、链表、栈和队列、哈希表、树、图、堆、字符串；另一条轴是算法范式，包括枚举、贪心、递归回溯、DFS/BFS、二分、双指针、滑动窗口、动态规划等。一道题在笔记里只归属一个专题文件夹，但通过标签系统可以跨专题引用。

标签是我后期才意识到的重要设计。没有标签的时候，我想找一个“考察了边界溢出”的题，得把所有笔记翻一遍。加了标签之后，一条查询命令就能筛出来。我的标签设计成这样：

这个标签体系不用一开始就设计得特别完美，可以先随手打，然后每两周做一次“标签重排”，把所有没有标签或者标签混乱的题梳理一遍。重排的过程本身也是一次低成本复习，你会发现很多题当时打错标签，其实是思路没理清，重新归类之后你对这个算法的理解反而更清楚了。

再说一下专题划分的粒度。我的原则是宁粗勿细，一个专题放五到十五题就够了。太多说明分类过粗，太少说明分类过碎。比如“动态规划”这个专题我一开始拆成了“线性 DP”“背包 DP”“区间 DP”“树形 DP”四个文件夹，结果每个文件夹下只有两三道题，复习的时候反而失去整体感。后面我把它们合并成一个动态规划文件夹，用标签区分子类型，复习效率明显提升。

3. 题目讲解的写作方法：把“会做”变成“会讲”

3.1 一条合格的讲解要回答的四个问题

刷题本里的题目讲解，难点不在于字数多少，而在于视角。很多人的笔记是这样写的：“这题用二分查找，时间复杂度O(log n)。”没了。这本质上只是把题解里的一句话抄了过来，完全没有信息量。

一条真正有用的讲解，至少要回答四个问题。第一，这道题在考什么？是单调性、最优子结构，还是边界条件的精细控制？第二，最笨的办法是什么？很多人跳过暴力解直接写最优解，这是大忌，因为暴力解才是整个思考链条的起点，它能告诉你问题的天然复杂度在哪里。第三，暴力解卡在哪里？是重复计算太多、搜索空间太大，还是状态数量爆炸？这一句“卡点”就是优化的动机。第四，怎么一步步从卡点走到最优解？这才是我理解的“讲解”。

除了这四个问题，还有两个加分项：边界条件的系统性梳理，以及“为什么这个复杂度已经不能更低”的下界分析。这两点做得好，讲解的深度会直接上一个台阶。我在模板里加“我的第一想法”和“卡壳点”这两个字段，就是为了逼自己在看答案之前把前三个问题先过一遍，记录下真实的思维状态。哪怕第一想法是错的，这个记录也比事后抄一段官方解析有价值得多。

3.2 从暴力到最优：一道二分题讲解的完整示例

理论讲完，还是用一个具体例子演示一下我的讲解长什么样。就以“在一个升序数组中找到第一个大于等于目标值的位置”为例，这是一个很常见但又特别适合练手的二分变式。

这道题的题目复述是：给定一个升序排列的整数数组 nums 和一个整数 target，返回第一个满足 nums[i] >= target 的下标。如果不存在，则返回数组长度 n。我拿到题目后的第一想法是：直接从左往右扫一遍，遇到大于等于 target 就返回，走到底都没有就返回 n。这是最直觉的解法，时间复杂度 O(n)。卡壳点在于：怎么用二分？普通二分是找相等的目标值，但这个题找的是“第一个满足不等式的点”，边界该怎么取舍？

接下来是推导过程。因为是升序数组，数组天然具有单调性，所以可以用二分不断收缩区间。关键在于维护一个“不变量”：区间 [left, right) 内可能存在答案，且答案一定在右边界内。于是每一步比较 nums[mid]：如果它小于 target，说明 mid 及其左边都不可能是答案，把左边界收紧到 mid + 1；否则，mid 可能是答案，但不排除左边还有更小的答案，于是把右边界收到 mid。循环结束后 left 所指的就是第一个大于等于 target 的位置。

实现时有一个容易被面试追问的细节：为什么 mid 要写成 left + (right - left) / 2，而不是 (left + right) / 2？答案是防止两个大整数相加发生溢出。这在工程上是真实存在的风险，虽然刷题时数组长度可能不会那么大，但写成前一种形式是一种更安全的习惯。同理，右边界初始值取 n 而不是 n - 1，是为了同时处理好“答案不存在”的语义。边界用例也很清晰：空数组返回 0；所有元素都小于 target 返回 n；所有元素都大于等于 target 返回 0。复杂度自然是 O(log n) 时间、O(1) 空间。

复盘笔记里我还额外记了一笔：我第一次写这段代码时，把 right 的更新写成了 right = mid - 1，结果在数组长度为 1 的情况下直接死循环。这个错误特别典型，原因是二分模板的左闭右开区间和闭区间两种写法混用了。把这个错误记录在卡壳点里，比做十道新题都值。

3.3 一题多解与复杂度分析记录的加分写法

刷题本对同一道题如果存在多种经典解法，我通常会单独开一个小节做对比分析。拿“数组中出现次数超过一半的元素”这道经典题为例，讲解部分我会列三种解法：哈希表计数、排序取中位、摩尔投票。光列解法不算完，还要写出数组在三者之间切换的思考过程。

哈希表计数是最好想的思路，时间 O(n) 但空间也是 O(n)，问题在于额外占用了存储。排序取中位则利用了“多数元素一定在中间位置”的性质，时间升到 O(n log n)，但可以做到 O(1) 额外空间。摩尔投票的思路更妙，它让不同元素互相抵消，最后活下来的就是多数元素，时间 O(n)、空间 O(1)，代价是需要你先理解“抵消”背后的不变量。

这类一题多解的笔记，我还会在末尾画一个对比表，列出解法、时间复杂度、空间复杂度、适用场景四列。比如哈希表适用于数据范围大但内存充足的场景，摩尔投票要求“存在出现次数超过一半的元素”这个前提，排序法不适合数据流场景。提醒一下，这里说的“画表”不需要用什么复杂工具，Markdown 表格足够，重点是逼自己思考解法之间的取舍关系，而不是把它们并列摆在一起就完事。这种对比思考，面试里被追问“为什么不用另一种解法”的时候特别管用。

4. 代码实现里的工程细节：不是能过样例就叫完成

4.1 代码结构和注释是留给未来的自己看的

刷题本里的代码，跟赛场上提交的代码是不同的物种。赛场上追求的是最短时间写对，而刷题本里的代码要承担“教学示范”的责任，三个月后的你要能一眼看懂并快速复用。所以我在代码画面上有四个硬性要求：命名自解释、关键分支必须有注释、核心函数单独拆分、不写炫技缩写。

命名自解释这点最容易被忽略。写题练习时变量名可以用 i、j、k，但放进刷题本的代码我会改成 left、right、mid、count、cur_sum 这种有明确语义的名字。很多同学觉得这是浪费时间，其实不然：一个清晰命名的版本，复习时根本不用读注释就已经能猜出代码意图，这才是高效复习。我推荐的模板是给核心函数写一小段头注释，注明输入输出和边界语义，然后在策略发生切换的关键分支写一两句注释，完全没有必要逐行注释。

举个例子，同样是二分边界处理，两个版本差别很大：

def find_first_ge(nums: list[int], target: int) -> int: # 返回第一个 nums[i] >= target 的下标，不存在则返回 n left, right = 0, len(nums) while left < right: mid = left + (right - left) // 2 if nums[mid] < target: left = mid + 1 else: right = mid return left

这段代码我在刷题本里还额外写了一句注释：“右指针定义成开区间，所以更新时 right 直接取 mid，不写 mid - 1。”看上去只是一句自言自语，但这句话就是曾经让我死循环的教训，写上之后，以后复习到这道题就再也不会踩同一个坑。

4.2 边界条件与自测用例的检查清单

代码能过样例不等于代码正确。我在这个刷题本里给自己强制加了一条规矩：每道题写完后，至少列出五个边界用例，然后逐个在脑子里跑一遍。这份边界检查清单我固定放在代码下方，不同数据结构题型会有不同侧重。拿数组二分类的题来说，我通常检查以下用例：

这种测试清单的维护成本很低，但收益极高。我统计过自己刷题本的 bug 记录，大概四成错误都出在边界上，尤其是单元素、空输入、全部大于或全部小于这三类。把边界用例固化成习惯之后，很多 AC 之后才发现的隐藏错误，在写代码阶段就能被消灭掉。

另外还要提醒一个常见误区：很多人公布代码时会删掉自测部分，只留主函数。这其实很可惜。我建议把自测用例保留在代码块下方的“边界条件”小节里，这样复习时可以直接拿来构造测试，等于给未来的自己做了一轮回归测试。

4.3 与讲解联动：让代码和思路一一对应

代码不是孤立的存在，它要跟讲解部分形成联动。我常用的做法是在代码的关键行加数字标注，比如# ① 左指针更新、# ② 右指针保持开区间、# ③ 循环退出后 left 即答案，然后在讲解部分用同样的① ② ③去引用。这样看代码时能迅速定位到思路推导的位置，看思路时又能马上跳到对应实现，复习体验会顺很多。

联动还有一个层面是版本管理。我是用 Git 管理整个刷题本的，提交信息会写成类似“修改第X题：修正右指针更新逻辑，补充空数组用例”这样的格式。这个习惯听起来很工程师，实际操作起来很简单，却能帮你应付一个很常见的危机：某一天你发现新写法反而引入了 bug，需要退回上几版对比。没有版本记录的时候，这种回溯几乎不可能实现。我对自己的要求是每次改动只聚焦一个主题，commit 信息写清楚，这样整个刷题本的历史就是一份很完整的“算法自我进化史”。

5. 常见问题与维护技巧：刷题本从入门到不烂尾

5.1 高频问题速查表

刷题本这东西，最大的敌人不是内容难写，而是坚持不下去。我把自己在使用中遇到的典型问题整理成了一张速查表，如果你正在维护自己的刷题本，可以直接对照自查：

这六类问题我基本都踩过。其中“讲解像翻译”这一点我认为最隐蔽，因为它表面上看很努力，实际上没有任何思考增量，甚至会让你的笔记变成一篇大型错题抄写现场。我在第三次改版刷题本时，把所有“读起来像是在复述题解”的段落全部删掉重写，换成自己推导时的真实犹豫，那一次删改之后整个笔记的质量完全不一样了。

5.2 让刷题本能被坚持维护的四个习惯

刷题本要长期维护，靠的不是意志力，而是让它成为一个低摩擦的习惯。我实践下来最有用的四个习惯，分享给你。

第一是“1+1”日任务。每天一个新题加一个旧题复盘。旧题复盘不是重做，而是只看“卡壳点”一栏，在脑子里把解题流程过一遍，如果卡壳点已经能顺畅想通，就把状态标签从“需复习”改成“已掌握”。这个动作每天只需要五到十分钟，但能让笔记里的状态数据一直保持新鲜，复习优先级永远准确。

第二是每周随机抽取。每周随机抽三到五道笔记里的题，遮住代码，只留题目复述，然后重新在纸上推导一遍。这个习惯的设计初衷是防止“笔记里写得漂亮，实际一上手全忘”的情况。随机抽取能打破你按顺序复习时的路径依赖，逼迫大脑从零开始建立思路。

第三是每月一次的专题 README 更新。每当一个专题新增了一些题，就刷新这个专题的 README，用半页压缩该专题的通法：适用条件、关键模板、常见卡壳点。这个月更动作是刷题本从“做题记录”升级为“知识地图”的关键一步。

第四是给自己设“烂尾保险”。如果哪一天实在不想写完整讲解，那就允许自己只写一个“一句话题解”占位，但要求必须在三天内补上完整版。这道保险极大地降低了每天的心理门槛，因为最小行动成本够低，坚持反而更容易。

5.3 把笔记变成考前冲刺材料

等刷题本积累到一定量级，它还有一个非常实际的用途：变成考前两小时的冲刺材料。方法是在每个专题的 README 里维护一张“必背索引表”，大概长这样：

考前我只看这两页表格，不看完整的几百道题。这张表上的“一句话思路”写得好不好，最能检验你对这道题的理解深度。如果你发现自己一分钟内想不清楚那句话在说什么，那说明原题笔记中的讲解还需要修正，这本身就是一次高质量的复习反馈。把这张表维护好，刷题本就从“学习工具”变成了“应试地图”，价值完全是另一个量级。

6. 从刷题本到个人知识体系：下一步扩展

6.1 从单题笔记到专题总结

当某一个专题积累了足够多的题目之后，我会发现很多解法之间共享着同一套思维框架，这时候就应该从“逐题记录”提升到“专题总结”。以二分查找为例，做完十几道题之后，套路就开始浮现：先判断问题是否具有单调性，再确定搜索区间形态是闭区间还是左闭右开，接着写出 while 循环和边界更新逻辑，最后单独处理“不存在”的情况。把这些共性提炼出来，写进专题 README，就形成了一套属于你自己的“解题框架”。

框架形成之后的效果是很明显的：以后遇到同类的新题，你不再是从零开始摸索，而是先在框架里定位它的不同点，然后针对不同点做局部调整。我在读完自己写的二分专题总结之后再看新题，“这道题其实就是二分套上了一层额外条件”的识别速度明显加快。这就是从刷题本过渡到知识体系的第一步：题量积累到一定程度，总结沉淀出框架，再用框架去指导新题。

6.2 从刷题本到模板库与面试表达

最后一步扩展，是把刷题本里反复出现的代码模式，抽成一份独立算法模板库。模板不是抄代码，而是把核心流程的骨架和变式都写清楚。还是拿二分举例，模板库分为三段：标准二分、第一个满足条件的二分、答案二分。每个模板都标注适用前提、边界更新规则、常见陷阱。这样做的好处是，当面对新题时，你脑子里装的不是五十道零散的题，而是十几个可以灵活变换的模板。

模板库和刷题本之间的关系是：刷题本负责记录具体题目的推导和错误，模板库负责承载抽象出来的通法，两者互相引用。我在面试季做模拟练习时，还有一个附加动作：拿着模板库里的模板，不看任何资料，用三分钟口头讲解一遍模板的思路、复杂度和边界。这个过程本质上是把“会写”转化成“会讲”，而会讲才是面试真正考察的能力。把刷题本维护到这个程度，它就不再是一份考古记录，而是一套能持续进化的个人算法知识系统。

最后再分享一个小技巧。我写这个刷题本最大的转折点，发生在某一天我删掉了将近一半的笔记——那些只有代码、没有任何讲解痕迹的笔记，留着只会让我产生“我已经刷了很多题”的错觉。删除之后，刷题本瞬间变薄，但每次翻开它，我都会感觉每一条记录都有持续产出的能力。这个过程让我真正体会到：刷题本的价值从来不在数量，而在密度。哪怕你一个月只整理十道题，只要每一道都能回答清楚它考什么、怎么优化、边界在哪、当初卡在哪，这十道题带给你的成长也会远超三百道剪贴板里的题。