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: truerevisit_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_reviewAI 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。