算法知识图谱：刷题路线不要只按题号排序

算法知识图谱：刷题路线不要只按题号排序

一、题号顺序不是学习顺序

很多刷题路线会按题号、热度或公司频次排列。这样方便列表展示，却不一定适合学习。算法知识有依赖关系。不会前缀和，区间统计会吃力；不理解单调性，二分答案会变成玄学；图遍历没稳，最短路也容易写歪。

算法知识图谱的目标，是把知识点和题目之间的依赖关系建出来。刷题不只是做更多题，而是补上当前最关键的缺口。

二、把知识点、题目和能力连接起来

知识图谱可以包含概念节点、题目节点、技巧节点和错误类型节点。

graph TD A[前缀和] --> B[区间和查询] A --> C[子数组和为 K] D[单调性] --> E[二分答案] F[BFS] --> G[最短路径入门] H[边界错误] --> C H --> E

这样系统能知道一个人连续在二分答案题上错，不一定是代码问题，可能是单调性判断没掌握。

三、用标签表达题目依赖

下面示例给题目打知识标签和前置依赖。

from dataclasses import dataclass @dataclass class ProblemNode: problem_id: str tags: list[str] prerequisites: list[str] difficulty: int def is_ready(problem: ProblemNode, mastered: set[str]) -> bool: return set(problem.prerequisites).issubset(mastered)

推荐题目时，先看前置依赖是否满足。否则难题会变成焦虑制造器。

四、知识图谱要根据错误动态更新

用户做错题后，系统要标记错误类型。是边界漏了、复杂度超了、还是状态定义错了？不同错误指向不同知识点。

还要保留“已掌握”的证据。某个知识点不是看过一篇题解就掌握，而是能在多道变形题中独立使用。掌握度要通过题目表现更新。

最后，图谱不要太细。标签过细会难维护，过粗又没指导价值。可以先从常见知识点开始，慢慢拆分。

知识图谱还要处理题目多标签。一个题可能同时涉及哈希表、前缀和和计数思想。推荐系统不能只给它贴一个主标签，否则会漏掉训练价值。多标签要有权重，说明哪个知识点是核心，哪个只是辅助。

掌握度更新也要有衰减。一个月前做对的题，不代表今天仍然熟。系统可以给知识点设置时间衰减，再通过复习题刷新掌握度。刷题路线不是一次性规划，而是动态调整。

还要加入错误边。比如“二分答案”和“边界 off-by-one”经常一起出现，图谱应记录这种关联。用户某类错误反复出现时，推荐不一定是更难的题，而是专门练边界的题。

最后，图谱要解释推荐理由。推荐一道题时，告诉用户它在补哪个知识点、依赖哪些前置、为什么现在做。没有解释，推荐列表就只是换了个排序方式。

知识图谱还可以接入题解质量。一个知识点下面可能有很多题，但不是每道题都适合学习。题目描述是否清楚、测试是否丰富、是否有标准反例，都可以影响推荐权重。路线不只是知识点排序，也要考虑题目质量。

还要给复习留入口。知识点掌握后，不必一直做新题，可以定期给一两道轻量复习题，检查是否遗忘。复习题不求难，求覆盖关键不变量。

最后，图谱维护需要版本。新增题目、拆分标签、调整依赖，都会影响历史掌握度。系统应记录图谱版本，避免推荐结果突然变化却无法解释。

最小可用版本可以先做小图。别一开始就想覆盖所有算法，先把数组、哈希、栈、队列、二分、DP 入门这些高频节点连清楚。

五、总结

算法知识图谱能把刷题路线从题号列表升级成能力路径。知识点、题目、前置依赖和错误类型要连起来，推荐才有依据。刷题数量不是核心，知道下一题为什么该做，才是学习系统的价值。