用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/microwind/ai-skills --skill algorithm-advisor命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | algorithm-advisor |
| description | 为复杂的系统设计问题提供算法建议和优化方案。分析约束条件，评估不同算法方案，提供具体的实现策略。 |
| license | MIT |
算法选择是系统设计的核心。选择错误的算法可能导致性能瓶颈、可扩展性问题和成本超支。本技能帮助你在给定的约束条件下，选择和优化最合适的算法。
核心原则: 没有万能的算法，只有权衡取舍。理解你的约束，评估你的选项，做出有根据的决定。
始终:
触发短语:
场景: 在 100 万商品中快速搜索
约束: <100ms 响应时间
选项 1: 线性搜索 O(n)
- 性能: 100ms 对 100 万条
- 成本: 低
- 缺点: 无法扩展
选项 2: 二分搜索 O(log n) (需要排序)
- 性能: <1ms 对 100 万条
- 成本: 中等（排序开销）
- 缺点: 数据必须提前排序
选项 3: 哈希表 O(1) 平均
- 性能: <1ms
- 成本: 内存开销
- 推荐: 用于精确匹配
选项 4: 倒排索引 (ElasticSearch)
- 性能: <100ms，支持模糊搜索
- 成本: 中等
- 推荐: 用于全文搜索
场景: 1000万用户，100万商品，100ms 响应
选项 1: 协同过滤 (Collaborative Filtering)
- 性能: O(k*log n)，k 是推荐数量
- 准确性: 高（>80%）
- 冷启动: 差
- 推荐: 高活跃用户
选项 2: 内容推荐 (Content-Based)
- 性能: O(n)，预计算
- 准确性: 中等（60-70%）
- 冷启动: 好
- 推荐: 新用户/新商品
选项 3: 混合模型 (Hybrid)
- 性能: O(k*log n)
- 准确性: 更高（>85%）
- 冷启动: 好
- 推荐: 平衡方案
选项 4: 深度学习 (DNN)
- 性能: <100ms（离线计算）
- 准确性: 最高（>90%）
- 成本: 高（GPU）
- 推荐: 大规模高价值场景
场景: 热点数据访问，需要降低数据库压力
选项 1: LRU (Least Recently Used)
- 适用: 工作集相对固定
- 实现: HashMap + DoublyLinkedList
- 成本: O(1) 访问
选项 2: LFU (Least Frequently Used)
- 适用: 有明显冷热分布
- 实现: HashMap + PriorityQueue
- 成本: O(log n) 访问
选项 3: 时间衰减 (Time-decay)
- 适用: 流量随时间变化
- 实现: 复杂
- 成本: O(log n) 访问
选项 4: Redis 集群
- 适用: 大规模分布式缓存
- 性能: <10ms 延迟
- 成本: 中等（额外机器）
场景: 处理 100GB 日志，提取关键指标
选项 1: 单机处理
- 性能: 几小时
- 成本: 低
- 缺点: 慢，容易超时
选项 2: MapReduce/Hadoop
- 性能: 30 分钟
- 成本: 中等（集群）
- 缺点: 写法复杂
选项 3: Spark
- 性能: 5-10 分钟
- 成本: 中等
- 推荐: 通用大数据处理
选项 4: 流处理 (Kafka + Flink)
- 性能: 实时
- 成本: 高
- 推荐: 实时分析需求
理解需求:
评估选项:
选择方案:
任务: 为电商平台设计个性化推荐系统
上下文:
- 100 万商品
- 1000 万用户
- 平均 100ms 响应时间
- 日均 1 亿次推荐请求
性能约束:
- 响应时间: <100ms (p99)
- QPS: 1000+
准确性约束:
- 推荐准确率: >80%
- 多样性: 类别覆盖 >5 种
成本约束:
- 不超过 1000 万人民币年预算
- 开发周期: 3 个月
方案 1: 离线协同过滤 + 在线召回
方案 2: 混合模型（内容 + 协同）
方案 3: DNN 模型（如果成本允许）
选定方案: 混合模型
架构:
1. 离线计算层 - 协同过滤、内容相似度
2. 在线服务层 - 快速排序和多样化
3. 缓存层 - 热点推荐预缓存
❌ 过度优化
❌ 忽视权衡
❌ 无法扩展
❌ 过度设计
❌ 忽视实现复杂度