动态规划模型原理与线性DP实战：从状态定义到车辆路径问题

动态规划这个系列写到第11篇能一路跟下来的朋友多半已经在背包、区间DP、状态机这些模型里打过转也踩过不少坑。老实讲很多初学者走到现在的最大困惑不是“什么是DP”而是“看题解全会关上屏幕全废”尤其是遇到线性dp、状态压缩这一类场景时总觉得别人的状态定义像变魔术。这篇我不打算引入新模型而是想把动态规划的模型原理、线性dp的常见套路、洛谷动态规划题单的实战选择以及车辆动态规划问题这类工程应用放在一起做一次集中串讲。先说明这篇适合谁正在学DP但还不会独立设计状态的人刷题到了瓶颈期想系统复盘的人上过算法课但不知道DP怎么落到实际场景的同学。只要中了其中一条这篇应该能帮你把线头理顺。我尽量用讲人话的方式把从“看懂”到“会写”之间那个坎拆开逐步跨过去。1. 动态规划到底在干什么模型原理与核心思路1.1 抛开术语DP其实是一种“聪明的枚举”很多人一学DP就被“最优子结构”“无后效性”“重叠子问题”这些词吓住其实是没找到合适的参照物。我们把DP拆开看它本质上还是在枚举所有可能方案只不过它把计算结果存了下来让相同子问题只算一遍。举个生活化的例子。你想从公司回家路上要经过几个路口每条路都有不同时间。最笨的办法是把所有路线都走一遍记录时间这是暴力搜索。聪明一点的办法是先算出“到第一个路口的最短时间”再算“到第二个路口的最短时间”每次都站在前一个路口的最短路基础上只用考虑下一段怎么走。这就是DP用一张表记录部分答案用已经算出来的答案推出新答案避免重复劳动。所以在正式做DP题之前我会先在草稿纸上问自己三个问题这个问题能拆成更小的子问题吗子问题的答案能不能被重复使用后面的决策是不是只依赖前面的结果而不依赖前面具体怎么走出来的如果都是肯定的这就是一道DP题。这三个问题的答案其实就是最优子结构和无后效性但与其背术语不如把它们当成“能不能用DP”的思维检查表。1.2 状态定义与转移方程的“三步法”给一道DP题我反复强调的套路只有三步但每一步都值得琢磨第一步定义状态。dp[i] 表示什么是前 i 个物品能装的最大价值还是走到第 i 个位置的最少花费状态定义必须精确到“变量含义”和“值含义”两层缺一不可。很多人后面转移写不出来几乎都是状态含糊导致的。第二步写转移方程。当前状态 dp[i] 和哪些更小的状态有关把所有可能来源列出取 max 或 min或者做加法、做计数看题目要求什么。第三步确定初始化与答案。dp[0]、dp[1] 这种起点值是多少答案取 dp[n] 还是整个dp数组的最大值这三步没有固定顺序有时候先想答案的位置反过来更容易定状态。但无论顺序怎么换核心都是“状态定义”这一个支点支点稳了转移就是水到渠成的事。我再补一个实际操作中的心得状态定义如果有犹豫就把定义的描述写成一整句中文比如“dp[i][j] 表示前 i 个物品中选出若干个总重量正好为 j 时能获得的最大价值”——写得出来才算真的想清楚了。1.3 初始化与边界出错的头号来源刷DP题最让我崩溃的不是转移方程写错而是初始化写错。因为方程错了往往一眼能看出来初始化错了可能跑样例都看不出来一提交就全盘皆输。常见的坑有这么几类。一类是“不知道该初始化成0还是无穷大”。如果是求最小值无效状态一般要初始化成 INF保证它不会被选到如果是求最大值则初始化成 -INF或者说一个很小的负数。第二类是下标边界没处理好比如 dp[0] 表示什么、循环从1开始还是从0开始不同写法会直接改变结果。第三类是“无解”状态混进了答案比如路径计数里有些点根本走不到但如果你不把对应dp值设置成0它就可能被误当成一条可行路径。我自己常用一个小技巧来排查边界把样例缩到最小比如数组长度1、目标值1这种情况手推一遍整个过程再对照代码跑一遍。边界问题在极小规模数据下会暴露得特别明显比盲目调试有效得多。2. 线性DP最常用也最练基本功的DP类型2.1 什么才叫线性DP线性DP准确说是指状态转移发生在一条有序的链上从小到大或者从前往后推进。它不是指“数据结构是数组”而是强调转移的拓扑关系是一条线。一维数组上的最大子段和、最长上升子序列、最长公共子序列这些都是线性DP的经典代表。为什么强调线性因为它是理解DP递推顺序的最佳切入口。在线性结构上你很容易看清“当前状态依赖哪些前置状态”也很容易理解为什么循环必须从小到大跑。一旦这种顺序感建立起来后面学区间DP、树形DP时你就能更快抓住“哪些状态先算出来”这个命门而不会被复杂的结构带偏。另外要说明的是二维的棋盘路径问题也常被归入线性DP一类因为虽然状态有两个维度但转移方向依然是线性的。所以别被“线性”两个字误导它更核心的思想是“有明确递推方向的DP”。2.2 最大子段和一个模型打通贪心与DP我先讲一个最简单的入门例子给一个数组求连续子数组的最大和。最暴力是枚举左右端点O(n^2)如果先做前缀和可以优化到 O(n^2)但如果用DP一行转移就能做到 O(n)。定义 dp[i] 表示“以第 i 个元素结尾的连续子数组的最大和”那么写得出转移方程dp[i] max(dp[i-1] a[i], a[i])这个式子怎么理解以 i 结尾的子数组要么延续以 i-1 结尾的那段最优子数组要么从 a[i] 单独开始。两者取大即可。最后答案就是所有 dp[i] 中的最大值。注意这个DP最大的“反直觉”在于每次求的是“以当前元素结尾”的值而不是“前 i 个元素里的最大子段和”。这两个定义差一个字转移完全不同。如果定义成后者转移反而不好写。所以以后再遇到“定义状态时总觉得差点意思”的情况试试把目光聚焦在“以…结尾/包含最后一个元素”这个角度上往往一下就通了。在实际编码中因为 dp[i] 只依赖 dp[i-1]还可以用一个变量滚动记录不需要开数组cur max(cur a[i], a[i]) ans max(ans, cur)这也是在线性DP里最常见的空间优化雏形。2.3 最长上升子序列从O(n^2)到O(n log n)最长上升子序列LIS是线性DP里我个人觉得最值得反复琢磨的题目。常规做法很直观定义 dp[i] 表示以第 i 个元素结尾的最长上升子序列长度那么dp[i] max( ji 且 a[j] a[i]取 dp[j] 1 )翻译成代码就是两层循环第一层枚举 i第二层枚举所有 j i满足数值小于当前值就尝试更新。复杂度 O(n^2)n 不超过几千还能跑上万就开始吃力了。优化版本需要换一个视角。我们可以维护一个数组 low[ len ]表示长度为 len 的上升子序列的末尾元素最小值。遍历每个 a[i] 时在 low 数组里做二分查找找到第一个大于等于 a[i] 的位置替换它。如果找不到说明可以扩展长度low 长度加一。这个技巧的妙处在于low 数组单调递增二分查找让整体复杂度变成 O(n log n)。很多人第一次看到这个优化会觉得它是贪心不是DP。实际上它依然是DP思想的延伸——我们在用二分维护“当前最优末尾值”这正是DP里“保留最优子结构”的另一种表现形式。建议自己手动推一遍 a [3, 1, 4, 1, 5] 的例子看看 low 数组的变化过程理解深度会比直接背代码好得多。2.4 最长公共子序列二维DP的敲门砖最长公共子序列LCS是二维线性DP的典型。给定两个字符串 a 和 b求它们最长的公共子序列长度。定义 dp[i][j] 表示 a 的前 i 个字符和 b 的前 j 个字符的最长公共子序列长度转移分两种情况如果 a[i] b[j]dp[i][j] dp[i-1][j-1] 1 否则dp[i][j] max( dp[i-1][j], dp[i][j-1] )这个转移逻辑是按最后一个字符是否匹配来分类的非常经典。相等时直接接在“两边都少一个字符”的结果后面不相等时这个字符至少有一边用不到所以取两边各退一步的较大值。要真正掌握这个模型建议画一张二维表把两个字符串分别标在行和列上手推一遍填充过程。你会发现每个格子的值都来自左上、左、上三个方向整个表的填充顺序按行从左到右、从上到下进行。这种“肉眼可见”的递推顺序比任何解释都更有说服力。LCS 还有一个经典变体是打印出具体的最长公共子序列做法是DP完以后从 dp[n][m] 开始回溯。如果 dp[i][j] 来自 dp[i-1][j-1] 且字符相等就记录这个字符否则往较大的方向移动。这个回溯过程也是面试里喜欢追问的细节。2.5 线性DP的状态设计规律总结学到这里可以把线性DP的状态定义规律汇总一下我用表格列几个最常见的模板方便当工具书查阅。模型状态定义转移思路时间复杂度最大子段和dp[i]以 i 结尾的最大子段和延续前一段或从 i 重新开始O(n)最长上升子序列dp[i]以 i 结尾的LIS长度枚举所有比 a[i] 小的前置 jO(n^2) 可优化到 O(n log n)最长公共子序列dp[i][j]前 i 与前 j 的LCS长度比较最后一个字符是否相等O(nm)打家劫舍类问题dp[i]前 i 个位置能获得的最大值选/不选当前位置O(n)编辑距离dp[i][j]a前 i 转 b前 j 的最小代价增、删、改三种操作取最小O(nm)这些模板本质上都可以分成两类一类是“以 i 结尾”型答案需要扫描整个dp数组取最值另一类是“前 i 个”型答案直接取 dp[n] 或 dp[n][m]。拿到题目先判断该用哪种视角状态定义基本就定了一半。还有一个我反复说过的经验不要背模板要理解“这个状态为什么长这样”。每道新题都尝试从这两个视角去想坚持五十题之后你会发现自己对状态的定义敏感度会明显提升。3. 洛谷题单实战拆解从会看题到会AC3.1 题单怎么选、怎么安排顺序洛谷的动态规划题单很丰富从入门到提高都有。我的建议是别一股脑刷先按题型和难度分层第一层做“数字三角形”“过河卒”这种纯递推/记忆化搜索的题目标是理解DP的填表过程第二层做LIS、LCS这类第一、二维线性DP目标是熟练状态定义第三层才做背包变体和区间DP目标是掌握更复杂的转移。具体刷题时我习惯每道题只看题目不看题解先自己憋30分钟到1小时。憋不出来再打开题解看状态定义那三行然后合上题解自己写代码。这个方法看起来笨但实际效率远高于“边看边抄”。因为看题解最大的损失不是不会做而是没有经历“从卡住到想通”的过程而这个过程恰恰是训练DP思维的核心。另外一个安排上的细节每道AC的题我会在题号旁边记下“模型关键词”。比如P1216记“递推方向滚动数组”P1434记“记忆化搜索”。为什么要做这个标记因为DP题目千变万化但模型就那几十种等刷到100题时翻回来看你会发现自己其实一直在跟少数几个模板打交道。这个复盘动作比多刷20道新题的价值更大。3.2 P1216 数字三角形递推方向的选择洛谷P1216是一道极其适合入门数字三角形的题目。题目是给一个由数字组成的三角形从顶部出发每次可以走到正下方或右下方问路径上数字和的最大值。最自然的想法是从上往下递推dp[i][j] 表示从顶点走到第 i 行第 j 个位置的最大和转移就两个来源上方和左上方。但这么做有一个细节很烦——每一行的左右边界都要单独判断防止越界访问数组。另一种常见做法是自底向上递推从三角形的最后一行开始往上走每个位置选择下一行中较大的那个数加上自己。好处是边界处理简单最后一行的初始值就是三角形本身的数字一路推到最顶部就出答案。状态转移可以写成dp[i][j] max( dp[i1][j], dp[i1][j1] ) triangle[i][j]自底向上的写法省去了很多边界判断代码量更少也更容易写对。我个人在带新手做这道题时都会让他们两种方向各写一遍亲身体会为什么工程上喜欢选递推方向麻烦更小的那一边。这个“选方向”的意识在做区间DP时同样重要因为它直接影响循环的写法与边界处理的难度。3.3 P1434 滑雪记忆化搜索就是DP的递归形式洛谷P1434“滑雪”是另一个经典入门题在一个二维矩阵里找一条最长下降路径可以从任意位置出发每次滑向高度更低的相邻格。这道题如果直接DP会发现一个问题状态之间的依赖顺序不明显因为你不知道哪个格子先被算更好。从低处往高处推还是反过来都容易卡住。这时候有一个非常好用的工具记忆化搜索。记忆化搜索本质上就是递归版的DP用深度优先搜索枚举转移同时开一个 memo 数组缓存已经算过的结果。比如定义 dfs(i,j) 表示从 (i,j) 出发能滑到的最长路径长度那么dfs(i,j) 1 max( dfs(ni,nj)其中 (ni,nj) 是高度更低的相邻格子 )每次递归时先查 memo 数组算过就直接返回没算过就四个方向试探最后把结果存进 memo。由于每个格子只会被完整计算一次总体复杂度也是 O(n*m)。这道题给我的最大启发是DP的递推顺序不是一定要显式地从小到大只要保证“在计算某个状态前它依赖的状态已经算好”可以采用任何实现方式。递归记忆化很多时候能免去排序、免去分析法是降低思维负担的有效手段。当然递归要注意系统栈深度一般二维矩阵几百乘几百是安全的如果数据范围特别大还是要改写成迭代递推。3.4 P1002 过河卒路径计数里的障碍处理过河卒这道题表面上是棋盘路径问题其实可以归入线性DP。题目说有一个卒从 (0,0) 出发只能向右或向下走目标在 (n,m)棋盘上有一只马的“日”字控制点不能经过问有多少条路径。没有障碍时的状态转移非常简单dp[i][j] dp[i-1][j] dp[i][j?]其实就是“到当前位置的路径数等于从左边来和从上面来的路径数之和”。加了马的控制点之后只要在转移前判断一下当前位置是否被马控制如果控制则直接跳过。这道题让我想特别提醒两个细节。第一个是注意马的攻击范围不只是它站的那个点还包括马走“日”字能到达的八个点全部都要标记。第二个是数据范围路径数很容易超过int的表示能力必须使用 long long否则AC近在眼前却白白WA一次。我在初次提交这道题时就被第二个坑坑过从此所有路径计数题一律默认用 long long 起步排查溢出远比事后改类型更省心。还有一个容易忽略的点是边界处理。当 i-1 或 j-1 越界时那个方向的路径数按0算。有的写法会把dp数组开大一圈让下标从1开始这样就能省掉很多 if 判断。这类“开大数组避免越界”的思路在二维DP里非常实用我自己几乎每道棋盘类DP都会用上。3.5 实战心得一道题从卡住到AC的完整心流我在带学弟学妹刷题单时经常被问到“为什么我看完题解就理解了但下次遇到还是不会”这个问题的本质是你跳过了从“问题”到“状态定义”的那段思考过程。而这段过程恰恰是DP能力真正的分水岭。以数字三角形为例我遇到新手的完整心流通常是先尝试枚举所有路径——发现数量爆炸接着想从上往下记录每一步的最大和——发现每一步的最优可以基于上一步最优得出然后用数组存每一行的值——发现要处理边界最后AC。这个过程看起来绕但它完整经历了“暴力→优化→状态抽象→边界处理”四个阶段。只看AC代码你永远体会不到这个抽象过程。所以我建议做DP题时给自己立一个规矩写代码前先在草稿纸上把状态定义和转移方程写出来。哪怕写得不对这个动作本身就在倒逼你思考。坚持一段时间后你会发现花在“想”上的时间越来越多花在“改”上的时间越来越少。4. 车辆动态规划问题从OJ题到工程现场4.1 这类问题长什么样聊完算法题我们把视野拉到工程应用上。动态规划在车辆领域有一个很典型的组合优化问题族车辆路径问题Vehicle Routing ProblemVRP、车辆调度、充电规划、AGV搬运路径等等。这些问题的共同点是需要在一组离散的决策点上为车辆选出一条或多条路径使得总成本最小、总时间最少、或者覆盖客户最多。拿一个简单的场景举例。假设有一个配送站三辆小货车要往十五个客户点送货每辆车容量不同客户有时间窗要求路线怎么安排才能总里程最短这类问题的核心难点在于配送顺序的可行组合数量是阶乘级别的暴力枚举根本不可能算完而DP恰好能在“枚举所有顺序”这件事上用“集合最后位置”这一招压缩复杂度。当然实际工程里的车辆问题往往比算法题复杂很多有装载约束、时间窗、司机休息规则、实时路况等因素不能直接套用教科书公式。但DP依然是很多精确算法的底层骨架也经常作为启发式算法里的局部搜索算子所以把基础模型搞懂非常值得。4.2 从旅行商问题到状态压缩DP学习车辆路径问题最好的切入点是从旅行商问题TSP开始。TSP是VRP的简化版一个销售员要拜访 n 个城市每个城市必须去且只去一次最后回到起点求最短回路。对TSP做DP经典做法是状态压缩。定义 dp[S][i] 表示“当前已经访问过的城市集合为 S最后停在第 i 个城市时走过的总路径长度最短为多少”。转移时从集合 S 中的某个城市 i去往一个未访问过的城市 j更新状态dp[S | (1j)][j] min( dp[S][i] dist[i][j] )这里集合 S 用二进制位表示状态数量是 O(2^n * n)转移枚举是 O(n)总复杂度 O(2^n * n^2)。不要被指数吓到实际工程中n不超过20时这个DP基本能在合理时间内跑完。我建议对这个模型做一次手推假设有3个客户点编号0为配送中心先算只访问一个客户的 dp 值再算访问两个客户的 dp 值最后算访问三个客户并回到起点的答案。走完这个过程你会直观看到状态集合是怎么“扩圈”的也会理解为什么状态压缩DP是许多路径规划算法的精确解法。有一点特别想提醒状态压缩DP里集合S的枚举顺序必须从小到大因为小集合的状态会被用来更新大集合。这和线性DP“从小到大跑”的本质完全一致只是这里的大小关系是用二进制整数的大小来体现的。4.3 更贴近产业的车辆调度约束怎么融进去真实的车辆调度问题约束远不止“走一圈”这么简单。我们来看几个典型约束怎么在DP框架里扩展。载重约束很容易理解配送车有容量上限把一个客户放入访问集合时需要维护当前累计载重可以在状态维度里增加一个“当前剩余容量”代价是状态数量变多。时间窗约束则需要记录当前时间判断下一位客户是否在时间窗内可被服务。续航/充电约束在电动汽车调度里尤其重要需要在状态里记录当前电量当一个客户点有充电站时允许“访问客户充电”的组合决策。说实话把所有这些约束都直接塞进DP状态维度会爆炸。所以工程上的常见策略是两条腿走路用DP或分支定界处理规模较小的精确求解当规模变大时用遗传算法、模拟退火、邻域搜索这类启发式方法。DP在这里的角色经常是“把局部子问题算到最优”比如固定一组客户后用DP算出城市间最优拜访顺序再交给上层算法做分配。这里我想分享一个真实项目里的体会很多人一上来就想做一个全能的调度算法结果被各种约束压得动弹不得。更好的做法是先做一个不考虑约束的最小模型把核心DP跑通再逐个加入约束并观察状态量变化。每加一种约束记录一次运算时间这样才能清楚地知道瓶颈在哪里而不是陷入“全是if else”的泥潭。4.4 从会做DP到会设计DP工程迁移的3个心得把算法题的经验迁移到工程问题上我觉得有三个心得特别值得说。第一个心得是“状态维度是付费的”。在OJ上写DP状态维度开三维四维无所谓工程上每一维都意味着内存和时间的成倍增长。所以设计状态时优先选最小的必要维度能用一维绝不硬上二维用不上的维度不要塞进状态里。第二个心得是“约束可以拆开处理”。不要试图让一个DP同时满足所有约束可以把约束拆成两部分硬约束比如载重上限在状态转移时判断软约束比如偏好平稳驾驶在最终目标函数里加权。这样DP方程会更干净也更容易调试。第三个心得是“能用记忆化就用记忆化”。工程场景里问题结构可能随时变化比如客户数变了、路况变了写一个通用的递归记忆化框架比写一个需要精确循环顺序的迭代递推更容易维护。因为递归版本只负责“从状态到状态”的映射调用顺序让系统栈自动处理这在充满不确定性的业务需求下是很大的优势。5. 常见问题与调试技巧实录5.1 一看就会一写就废的5个原因刷DP题最沮丧的时刻莫过于“思路对着代码就是错”。我总结过新手最容易踩的5个坑在这里列出来每个都是带过学生以后印象深刻的真实案例。一是状态定义不完整只写“dp[i] 表示最大值”没说明“前i个”“以i结尾”还是“恰好等于i”写转移时就会反复试探改来改去。二是初始化方向理解错求最小值却用0初始化导致所有状态都是0永远更新不了。三是循环顺序不对算 dp[i][j] 时依赖的 dp[i][j-1] 或 dp[i-1][j] 还没算好这在二维DP里非常常见。四是数组越界特别是访问 dp[i-1][j-1] 这类下标时没判断 i0 或 j0。五是类型溢出路径计数、方案数、最大值累加动辄超过int上限但很多人习惯性用int导致大样例WA。我每次接到“帮我看代码”的请求第一句话都是先把你状态定义的中文描述写出来再贴代码。大多数情况下对方写到一半自己就发现问题了。这个过程很神奇它说明很多错误不是“不会写”而是“没想清楚”而把想法语言化是逼自己想清楚的最快方式。5.2 调试DP的独门方法打表加手推加对拍DP调试的通用方法简单来说就三个字打表、手推、对拍。打表不是打印最终答案而是把dp数组的中间过程打印出来。比如二维LCS每算完一行就输出当前dp矩阵和手推的表格对照。一旦某一格对不上错误位置会立刻暴露然后可以聚焦分析那个格子的转移来源。这个方法在调试二维DP时简直是救命稻草。手推是指准备一个n不超过5的小样例完全人工模拟DP过程把每一步的值写在纸上。小规模数据下任何边界问题、方向问题都会现出原形。大样例看不出错误在哪小样例才是定位错误的关键工具。对拍则是写一个绝对正确的暴力程序随机生成小数据不断比较暴力结果和DP结果。这个方法对LIS、LCS这类可暴力验证的题尤其有效。我的习惯是本地写一个 gen.cpp 生成随机数据一个 brute.cpp 跑暴力一个 dp.cpp 跑正解三个文件配合循环对拍基本能在五分钟内找到隐藏的错误。5.3 空间优化与代码习惯空间优化是DP里绕不开的话题常见手段有滚动数组和降维。滚动数组适合“当前状态只依赖前一行或前一个状态”的情况比如数字三角形自底向上时可以用一维数组反复覆盖dp[j] max(dp[j], dp[j1]) triangle[i][j]直接把二维省成一维。降维更隐蔽常见于0/1背包。二维状态 dp[i][j] 表示前 i 个物品、容量为 j 的最大价值转移只依赖 i-1 行所以可以去掉第一维。但这时内层循环必须从大到小枚举容量因为 dp[j] 要用的其实是上一轮的 dp[j-w[i]]从大到小能保证它还没被当前物品更新过。这个细节我见过太多人写反一写反就变成完全背包结果全错还看不出原因。代码习惯方面我强烈建议每个DP题都写上状态定义注释。比如dp[j] // 容量为j时能装的最大价值滚动使用注意j从大到小这三行注释看起来普通但能帮自己在一周后回看代码时快速进入状态也能帮别人review时少翻来回。好的代码不是写得多么花哨而是让读代码的人不需要猜。5.4 常见问题速查表我把DP调试里遇到的高频问题整理成一张速查表方便卡住时自查。症状可能原因排查方式答案是0或极小值初始化方向错误求max却用了0检查初始化值是否应为 -INF答案很大或溢出用了int累加方案数超范围换long long检查是否需取模结果比预期大滚动数组循环方向错误用到了被覆盖的值检查内层循环是否从大到小边界值总不对数组下标从0开始导致dp[-1]语义错误开大数组下标从1开始递归版本栈溢出递归深度过大改迭代递推或改用显式栈样例过了但提交WA状态定义不对或转移漏了一种情况对拍小样例手推重读状态定义中文描述这张表不是万能药但它覆盖了DP初学阶段80%的报错原因。如果你遇到的问题不在表里大概率是状态定义本身就不成立那就要回到问题本身重新拆解而不是继续在代码层面打转。最后再分享一个我坚持了很久的习惯每AC一道DP题我都在题解边上用三行话记录状态定义、转移方程、和边界条件。半年后回头看这就是我自己搭起来的“模型库”遇到新题先从模型库里找相似结构设计状态的速度会快一大截。如果你现在刷洛谷动态规划题单觉得吃力不用急DP确实是少数刷够量就会开窍的东西但前提是每道题都逼自己先写状态、再写代码这个过程千万不能省。希望这篇part11能帮你把从“看懂”到“会写”的那根线真正理顺。