算法入门第一课：什么是算法？从特征到经典算法实战

算法这个词，这几年快被说烂了。大厂面试要考算法，竞赛要刷算法，连做数据分析、写点自动化脚本都得懂点算法。但你要是真去问一个刚入门的同学：算法到底是什么？十有八九会得到这样的回答：算法就是LeetCode上那些题，或者就是快速排序、动态规划那堆代码。我在带新人的这几年里发现，能把这个问题讲清楚的人真不多。我自己当年也踩过这个坑——刷了一百多道题，背了不少模板，等到面试官问了一句“你这个解法为什么比那个快”，一下就愣住了。其实算法不是一串代码，也不只是一堆公式。地图导航规划路线、短视频推荐你感兴趣的内容、搜索引擎把网页排序，背后全是算法在工作。算法是解决问题的一套具体步骤，是“怎么把事办成”的思考方式。这篇是算法入门系列的第一篇，用大白话讲清楚算法的定义、五个特征、两个入门必会的经典算法例子，再给一段能直接上手的实操路径。适合零基础想系统学算法的人，也适合刷题刷得满头问号、准备回头打地基的同学。

1. 为什么入门第一课要纠结“什么是算法”

因为这个问题不掰扯清楚，后面所有算法学习都是空中楼阁。你看着是学会了快速排序、学会了KMP，但稍微变个问法就不会做，根子就在这儿：你把算法理解成了“代码段”，而不是“思考方式”。

1.1 代码只是算法的翻译，不是算法本身

我先打个比方。你把“宫保鸡丁”的做法用文字写下来：鸡胸肉切丁、花生米炸脆、调一碗糖醋汁、起锅热油下鸡丁炒变色，最后倒入料汁和花生米翻匀。这套步骤写到纸上，就是一个菜谱。同一份菜谱，米其林大厨照着做、食堂阿姨照着做、你回家照着做，做出来的口味可能有点差异，但流程是一样的——因为菜谱本身不依赖任何人。

算法就是这么一张“菜谱”。它是一个解决问题的步骤序列，和用哪口锅、哪个铲子没关系。同样一个“从一个数组里找到最大的数”的问题，用Python写、用Java写、用C++写，代码完全不一样，但思路都一样：假设第一个数是最大的，然后遍历剩下所有数，遇到更大的就更新。这个思路，也就是算法，可以写成文字、伪代码、流程图，甚至用画圈的方式表示。代码只是把思路翻译给计算机听，算法才是你真正要设计和理解的东西。

我刚入门的时候犯过一个错：看到一道题，第一反应是“这题用哪个语言能解”。后来才转过弯来，算法跟语言无关。这也是面试里经常出现的考察点——面试官不会满足于你会写代码，他会追问：你想怎么解决？时间复杂度多少？为什么这样做是对的？这些问题，全都在问“算法”，而不是问“代码”。

1.2 面试和刷题真正考的是“思路”，不是背代码

可能有人会说，既然算法不绑定语言，那我刷题时候把快速排序的模板、堆排序的模板背下来，不也算会算法了吗？这里要先泼一盆冷水。背模板能让你写出那几段固定的代码，但题目稍微变一变，就露馅了。

举个面试常见变种题：给定一个整数数组，返回两个数的下标，使这两个数加起来等于某个目标值。如果你只会暴力枚举模板，那就是两层循环，O(n²)。但你要是只背过“两层for循环”的写法，根本想不到用哈希表把时间复杂度降到O(n)。这个能力，只能靠理解思路来获得，背代码背不出来。

所以第一篇一定要把“什么是算法”掰扯清楚。你后面看任何算法教程、任何题解，第一步都是去抓它的思路框架，而不是先盯代码。思路框架长什么样？它就像一份提纲：输入是什么，输出是什么，中间分几步，每一步做什么。有了这个框架，代码只是把框架填上细节而已。

2. 判定算法的五个特征：记住这把尺子

教科书上给算法下过严格定义，但我觉得新手不需要背定义，更要紧的是知道“怎么判断一套做法算不算算法”。经典的说法是，算法需要满足五个特征：有输入、有输出、确定性、可行性、有限性。这五条我逐个拆开说，每条都配个生活例子。

2.1 有输入、有输出、每一步都确定

先看输入和输出。任何算法都要说清楚：它处理的是什么，最后要给你什么。拿最简单的“找最大值”来说，输入是一个数组，输出是数组里最大的那个数。如果题目连输入都没说清楚，算法根本没法设计。菜谱也一样，你得先说清楚食材清单，再说清楚成品是什么样。

再看确定性。确定性的意思是，同样的输入，执行的过程和结果必须是明确、可复现的，不能出现“看情况”这种模糊指令。比如“如果数字差不多大，就随便挑一个”，这句话里“差不多”和“随便”都没有明确定义，那就不是一条合法的算法步骤。计算机程序里一旦出现未定义行为，结果就不可复现。生活里也有类似场景：你跟朋友说“有空咱聚聚”，什么时候算有空、去哪里聚、几点见，全都含糊，所以这只是一句客套话，不是一个可执行的方案。

2.2 能执行、跑得完：可行性与有限性

可行性要求算法的每一步都得是能实际操作完成的，不能只是理论上存在。比如“把数组里所有元素都加1然后输出”，可行；但“把全世界所有计算机的内存都清零”这种步骤，当前条件下做不到，不可行。工程上还要考虑另一层：如果一个算法需要的内存比宇宙里的原子还多，那从现实角度它就没有可行性。

有限性要求算法必须能在有限的步骤内结束，不能死循环。比如“不断输出1”，如果不说什么时候停，它就不是一个算法，而是一个无休止的过程。写代码时忘了给循环加退出条件，程序会卡死——在算法层面，这叫缺乏有限性。一个合格的算法，必须保证对任意合法输入，都在有限步内给出结果。

我给新人的建议是：拿到任何一个算法描述，先用这五条过一遍。没有输入输出，先帮忙补上；看到模糊指令，要追问清楚；如果它跑不完，那就有bug。这套检查动作做顺手了，你看算法题的速度会快很多，而且不容易跑偏。

3. 两个入门必会的经典算法：查找与排序的直觉

前面讲的都是概念，这一节上点具体的东西。算法入门绕不开两座大山：查找和排序。这两个不会，后面几乎所有复杂算法都施展不开。我把它们单独拿出来讲，不是要你背代码，而是要你建立“直觉”。

3.1 二分查找：从猜数字到折半搜索

先来一个生活场景。朋友让你猜他脑子里想的数字，范围是1到100，每次只能问“是大了还是小了”，你要猜几次才能中？最笨的办法是从1开始猜，1不对，2不对，3不对……如果要猜的数字是100，得猜100次。但如果换个策略：先猜50，对方说大了，说明答案在1到49之间；再猜25，对方说小了，答案在26到49之间；继续折半，最多7次就能锁定答案。这就是二分查找的核心直觉。

放到数组里也一样。假设有序数组是 [2, 5, 7, 9, 13, 18, 20]，我们要找13。先看中间位置，下标是3，内容是9。9比13小，说明目标只可能在后半段，于是把范围缩到下标4到6；再看中间下标5，内容是18，18比13大，把范围缩到下标4到4；最后看到下标4恰好是13，返回4。整个过程只看了三个数，这就是二分查找的威力：它的时间复杂度是O(log n)。n翻一倍，它只多走1步；n翻十倍，它才多走3步多。

但这里有一个必须记住的前提：数组必须有序。数组无序时二分没法用，因为你不能保证“中间数比目标值大，目标就一定在前半段”。这个前提很多人会忽略，面试一紧张就忘。我建议你学这个算法时，拿笔纸把1到16写成一排，亲手模拟“区间不断减半”的过程，走上几遍比看十遍代码都管用。后面你学二叉搜索树、平衡树，本质上都是在复用这个“折半”思想。

3.2 冒泡排序：为什么它叫“冒泡”，又为什么不高效

排序算法是另一个必练项目，冒泡排序是最直观的一个。给你一个无序数组 [5, 3, 8, 6, 2]，你想从小到大排。冒泡的思路是：从前往后，两两比较相邻的元素，如果前一个比后一个大，就交换它们。这样一轮下来，最大的数会像气泡一样“冒”到数组最末尾。

具体走一遍。第一轮：5和3比，交换，数组变成 [3, 5, 8, 6, 2]；5和8比，不换；8和6比，交换，变成 [3, 5, 6, 8, 2]；8和2比，交换，变成 [3, 5, 6, 2, 8]。第一轮结束，8已经到末尾。第二轮对前四个数重复，6又沉到倒数第二的位置。几轮之后，数组就整齐了。写冒泡排序时，你会有很直观的感觉：每一轮都有一个数字被推到了它最后该待的位置，像气泡从水底浮上来。

为什么说冒泡排序适合入门？因为它贴切人类直觉，代码也好写。但它是不高效的排序方式：两层循环嵌套，时间复杂度是O(n²)。数组只有几十个元素时看不太出来，数据到一万、十万，就能明显感觉到它“慢”了。这也是算法分析的现实意义——同样的活儿，换个做法，性能差几个数量级。学的时候还可以多想一步：如果某一轮没有任何交换发生，说明数组已经有序了，可以提前结束。你能主动想到这个优化点，说明你开始有算法优化的意识了。

4. 算法和数据结构的顺序问题：别被“先学什么”卡住

新手学算法经常纠结：我是不是得先把数据结构全部学完，再开始学算法？还有人一上来就背“数组、链表、栈、队列、树、图”的定义，背完就忘，回头还是不会做题。这个顺序问题，我直接说结论：不要等，两者可以同步学，但要有主次。

4.1 数据结构是食材仓库，算法是做菜流程

我用厨房打个比方。数据结构就像厨房里的各种容器和食材柜：数组是一个带编号的小格子柜，链表是一条串起来的链条，栈是一摞盘子只能从最上面拿，队列是排队打饭的队伍，先进先出。算法则是你要做的事：把食材挑出来、切好、下锅炒熟。你不可能等把全世界的锅碗瓢盆全买齐了才开始做饭，正常做法是手里有什么就用什么，缺哪个补哪个。

入门阶段通常只需要数组就够用了。查找、排序、递归、动态规划的入门题，绝大多数都能在数组上完成。链表、栈、队列、树、哈希表这些结构，等遇到具体问题再学效果反而更好。比如你想快速判断一个元素在不在集合里，用数组一个个找太慢，这时候你自然会想“有没有更快的办法”，哈希表就在这个需求下登场，你也记得更牢。面试中那些KMP、Tarjan、匈牙利算法，名字唬人，学起来也都不需要先堆砌完所有数据结构，而是按“先读问题、再选容器、再用算法解决”的流程走。所以我的建议是：数据结构跟着算法题走，别在开头死磕。

4.2 零基础也能学算法：纸笔演算和画流程图的实操方法

另一种常见说法是：我连代码都不会写，怎么能学算法呢？其实学算法和学编程语言可以解耦。你完全可以用文字、伪代码、流程图来学习和设计算法，不需要先精通一门语言。

我自己带过没写过一行代码的同学，做法很朴素：先拿纸笔画流程图。比如二分查找，他把“取中间数、比较、缩小范围”几个方框画出来，用箭头连起来，反复走几遍，算法步骤就记在脑子里了。后来他学了点Python语法，再看伪代码，很快就写出真正的代码。这个方法特别适合入门，因为它逼着你关注“流程”而不是“语法”。算法本质上是一种流程设计，画流程图的习惯如果保持下来，以后做项目、排查逻辑问题也都用得上。

画流程图有个小技巧：不用追求画得规范，关键是每个步骤必须写清楚“下一步走哪条分支”。如果某个分支条件含糊，比如写了“看情况处理”，说明这一步还没想明白，得回头补定义。这其实就是前面讲的“确定性”在实操中的体现。等流程图画顺了，再翻译成任何一门语言，都只是换一套表达方式的问题。

5. 算法入门实操：伪代码、复杂度和正确的刷题姿势

最后聊点能直接上手的东西。很多同学学算法最大的困惑不是“看不懂”，而是“不知道怎么练”。这一节我给出一套实操路径：先用伪代码拆思路，再用复杂度判断方案好不好，最后聊正确的刷题姿势。

5.1 用伪代码拆思路，先别急着开IDE

拿到一道算法题，最忌讳的是立刻打开IDE开始写代码。新手尤其容易这样，写一半卡住，再回去读题，半天就没了。我的建议是：先在纸上写一段伪代码。

伪代码长什么样？给你写一个二分查找的例子：

输入：有序数组A，目标值target 输出：target在A中的下标，找不到则返回-1 left = 0 right = len(A) - 1 while left <= right: mid = (left + right) / 2 if A[mid] == target: return mid elif A[mid] < target: left = mid + 1 else: right = mid - 1 return -1

这段东西，看着像代码又不是代码。它省掉了很多语言细节：不用管用Python还是Java，不用纠结mid的除法要不要取整，更不用处理编译器报错。你只需要关注逻辑本身。能在纸上把伪代码写出来，说明思路是通的；写不出来，说明某个环节没想明白，这时候回头补，比对着IDE的报错猜半天高效得多。平时在Word里写伪代码，我习惯用Consolas或者Courier New这类等宽字体，加上缩进，看起来就跟程序排版一样舒服，也方便标注“这段对应后面的哪几行代码”。

伪代码还有个好处：方便讨论。在群聊里甩一段伪代码，别人一眼看懂你思路，比贴一屏报错信息强多了。等你把伪代码写稳，再翻译成自己熟悉的语言，基本就是体力活。这一步做好了，能省掉大量无谓的调试时间。

5.2 看懂时间复杂度：从生活场景建立直觉

复杂度分析是算法的“体检报告”，不懂它，你就分不清两个解法谁优谁劣。最常用的是时间复杂度，用大O记号表示。这儿不讲严格定义，先建立直觉。

几个常见复杂度，我用生活场景对照说明：

写算法题，先看数据范围。如果n是10的5次方，O(n²)基本就超时了，就得想有没有O(n log n)或者O(n)的做法；如果n只有100，那O(n²)甚至O(n³)都能接受。这种估算能力，面试必考，工程实用，做题更是核心技能。空间复杂度意思类似，就是“额外占了多少地方”，能讲清楚时间和空间复杂度，一道题基本就站稳一半。

刷题姿势方面，再给点实在建议：按专题刷，别按难度刷。今天学二分，就做十道二分题；明天学排序，就做十道排序题。这样能在短时间内反复验证同一个思路，形成条件反射。刷题数量不是第一位的，能不能把一道题的思路流利讲出来才是。每做完一道题，花两分钟在纸上写一遍复杂度分析，再对照题解，看看漏了哪些边界条件。这种“慢”练习，比一天刷五十道然后全忘光要强太多。

最后说点我个人的体会。我带过的同学里，凡是能把“什么是算法”用自己的话讲清楚的人，后面学排序、搜索、动态规划都很顺；凡是上来就刷题背模板的，过了一个月基本都会回来问“该怎么复习”。算法这两个字，听起来高大上，本质就是一套解决问题的方法论。你不必背下所有代码，但一定要建立这样的习惯：拿到问题，先拆输入输出，再想用什么容器，然后设计步骤，最后分析复杂度。这篇先把地基打好，下一篇我会挑一个具体的经典算法，完整走一遍从问题描述到方案推导再到代码实现的过程。读到这里，你可以先动手做一件事：拿一张纸，把二分查找的步骤拆成你最能理解的伪代码。写完你会发现，算法入门的第一道门槛，已经迈过来了。