BFS 与 DFS：Agent 在代码库里找文件
走迷宫动画看两种搜索的性格：一层层扫 vs 一条道走到黑；Coding Agent 的 grep 检索、网络爬虫都是它们的变体
本页解决的问题
先给结论「BFS 与 DFS：Agent 在代码库里找文件」要解决的关键问题是什么？
走迷宫动画看两种搜索的性格：一层层扫 vs 一条道走到黑；Coding Agent 的 grep 检索、网络爬虫都是它们的变体
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
🏁 是起点，🎯 是终点，深灰是墙。两个按钮各代表一种性格，留意三处：染色的形状（BFS 是一圈圈的波纹，DFS 是一条蛇）；下方两个计数器；以及最后绿色高亮的路——谁的更短？谁探过的格子更多？
BFS · 波纹式层层扫
DFS · 单头蛇形深入
把迷宫的格子换成文件夹和网页，这两种性格立刻出现在你身边：
Coding Agent 找代码
先 ls 看一眼顶层目录——这是 BFS 扫一层，快速建立全局感；发现 auth/ 文件夹最可疑，就一头钻进去逐层深挖——切换成 DFS。真实 Agent 是混合策略：先广后深，还会用 grep 直接跳跃。
网络爬虫
从首页出发，先抓完首页链出的所有页面，再抓「链接的链接」——典型 BFS，保证离首页近的重要页面先入库。要是 DFS，可能顺着一条链接链钻进某论坛第 999 页出不来。
「共同好友」推荐
「你可能认识的人」= 从你出发 BFS 走两层：第一层是你的好友，第二层就是「好友的好友」。离你 2 步的人排在离你 5 步的人前面——层数本身就是亲疏。
「走迷宫看性格 · 同一张图，两种走法」里的算法代价曲线
「🏁 是起点，🎯 是终点，深灰是墙。两个按钮各代表一种性格， 留意三处 ：染色的 形状 （BFS 是一圈圈的波纹，DFS 是一条蛇）；下方两个 计数器 ；以及最后绿色高亮的路—— 谁的更短？谁探过的格子更多」真正训练的不是背诵步骤，而是识别重复工作：输入变大时，程序到底多做了多少次比较、移动或递归。
先找重复工作，再谈快慢
「先 ls 看一眼顶层目录——这是 BFS 扫一层 ，快速建立全局感；发现 auth/ 文件夹最可疑，就一头钻进去逐层深挖——切换成 DFS 。真实 Agent 是 混合策略 ：先广后深，还会用 grep 直接跳跃」可以拆成输入规模、每轮做什么、以及是否能缩小下一轮范围三个问题。Big-O 是描述增长趋势的语言，不是对每台机器的精确计时；常数、内存和真实数据分布也会影响最终结果。
- BFS 层层扫 ：按距离一圈圈泡开，找到的一定最短——代价是内存里泡着一大片
- DFS 一条道走到黑 ：省内存、常常更快碰到解，但路径不保证短，还会回溯
- 访问数 vs 路径长 ：77/23 对 44/37，两组数字就是两种性格的全部账本
别把理论最优当成无条件最优
面对 AI 写出的算法，先用小输入手算一遍，再用逐渐放大的数据做基准测试。这样才能把「「你可能认识的人」= 从你出发 BFS 走两层 ：第一层是你的好友，第二层就是「好友的好友」。离你 2 步的人排在离你 5 步的人前面——层数本身就是亲疏」从一句结论变成可检查的性能判断。
从「走迷宫看性格 · 同一张图，两种走法」走到「这和 AI 有什么关系」
「走迷宫看性格 · 同一张图，两种走法」先把问题落在「🏁 是起点，🎯 是终点，深灰是墙。两个按钮各代表一种性格， 留意三处 ：染色的 形状 （BFS 是一圈圈的波纹，DFS 是一条蛇）；下方两个 计数器 ；以及最后绿色高亮的路—— 谁的更短？谁探过的格子更多」上；到了「这和 AI 有什么关系」，讨论继续推进到「把迷宫的格子换成文件夹和网页，这两种性格立刻出现在你身边」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
算法题换成真实任务后，先找出重复工作，再问输入规模如何变化，最后用一个小基准验证理论判断。这样不会把复杂度记成脱离场景的标签。
- 「走迷宫看性格 · 同一张图，两种走法」：🏁 是起点，🎯 是终点，深灰是墙。两个按钮各代表一种性格， 留意三处 ：染色的 形状 （BFS 是一圈圈的波纹，DFS 是一条蛇）；下方两个 计数器 ；以及最后绿色高亮的路—— 谁的更短？谁探过的格子更多
- 「这和 AI 有什么关系」：把迷宫的格子换成文件夹和网页，这两种性格立刻出现在你身边
- 「最后的要点」：爬虫、共同好友推荐 都是图搜索——迷宫只是最直观的一张图
最后的「最后的要点」把讨论落到「爬虫、共同好友推荐 都是图搜索——迷宫只是最直观的一张图」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
✅ 这一课想和你分享的
- BFS 层层扫：按距离一圈圈泡开，找到的一定最短——代价是内存里泡着一大片
- DFS 一条道走到黑：省内存、常常更快碰到解，但路径不保证短，还会回溯
- 访问数 vs 路径长：77/23 对 44/37，两组数字就是两种性格的全部账本
- 真实系统混着用：Agent 先 ls 一层（BFS）再钻可疑文件夹（DFS）
- 爬虫、共同好友推荐都是图搜索——迷宫只是最直观的一张图
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。