📅 Week in Review — Week 23 (10 min read)
📊 NeetCode: 50/150 · SysDesign: 49/40 · Behavioral: 49/40 · Frontend: 37/50 · AI: 24/30
🔥 60-day streak!
🗓️ 本周回顾 / This Week's Journey
本周完成了第 56–59 天（Day 56–59），外加周六深度阅读，横跨「Expert Phase」，每天内容密度极高。
This week covered Days 56–59 (Mon–Thu) plus a Saturday Deep Dive, all in the Expert Phase with high content density across every section.
- 周一 (Day 56)： A/B 测试平台设计 · 二叉树最大深度 · 快速上手陌生代码库 · 策略模式 · 知识蒸馏
- 周二 (Day 57)： 地理空间系统设计（Yelp/附近的人）· 二叉树直径 · 快速交付 vs. 做正确的平衡 · 观察者模式 · AI 新闻速递
- 周三 (Day 58)： 在线代码编辑器设计（Replit）· 平衡二叉树 · 影响工程文化 · 工厂与抽象工厂模式 · RLAIF
- 周四 (Day 59)： 协同编辑器设计（Google Docs）· Same Tree · 为不可见的工程投资发声 · Decorator 模式 · AI 新闻速递
- 周六深度： OT 与 CRDT——协同编辑器的底层引擎 (18 分钟深读)
🧠 系统设计：本周要点 / System Design: Key Takeaways
本周四道设计题，话题迥异但内在联系深刻——从实验平台到地理索引到实时协作，围绕一个共同主线：如何在规模下保持一致性。
This week's four design problems span different domains but share a common thread: maintaining consistency at scale.
Top 3 Concepts / 三大核心概念
1. 确定性哈希（Deterministic Hashing）——贯穿 A/B 测试
Hash(userId + experiment_salt) % 100 确保同一用户永远落入同一个实验桶，同时不同实验用不同 salt 防止桶的相关性。关键洞察：均匀分布 + 无状态 + 极快（<1μs）。
The key: Hash(userId + experiment_salt) % 100 ensures same user always gets same variant. Different experiments use different salts to prevent cross-correlation. Uniform distribution, stateless, sub-microsecond.
2. Geohash + 邻格查询——地理空间检索
将地球表面编码为层级字符串，精度 6 ≈ 1.2km 格子。"附近"查询 = 中心格子 + 8 个邻格 IN 查询，解决了直接经纬度运算无法利用索引的问题。Redis GEORADIUS 底层是 52-bit Geohash，特别适合实时位置（Nearby Friends 场景）。
Geohash encodes the earth into hierarchical strings (precision 6 ≈ 1.2km cells). Nearby query = center cell + 8 neighbors. Redis GEORADIUS uses a 52-bit Geohash internally — ideal for real-time location like Nearby Friends.
3. OT vs CRDT——协同编辑的两种路径
OT（操作变换）：Google Docs 用的，服务端集中排序变换操作，实现复杂但成熟；CRDT（无冲突复制数据类型）：Figma/Linear/Notion 转向，数学上保证收敛，支持离线优先和 P2P，不需要中心化序列化。核心区别：OT 的服务器是"裁判"，CRDT 的数据结构本身是"合同"。
OT (Google Docs): server serializes all operations, complex correctness proofs. CRDT (Figma, Notion): the data structure mathematically guarantees convergence without central coordination. Key difference: OT's server is the "referee," CRDTs embed the merge rules in the data structure itself.
三者如何连接： A/B 测试的「分桶一致性」、Geohash 的「空间一致性」、OT/CRDT 的「操作一致性」——都是在分布式环境下回答同一个问题：谁的版本是对的？
💻 算法：本周模式总结 / Algorithms: Patterns Mastered
本周全力推进 Trees 模式块，完成了模板块第 2–5 题（#104, #543, #110, #100），建立了完整的树遍历思维框架。
This week pushed deep into the Trees pattern block, completing problems 2–5 (#104, #543, #110, #100) and building a complete tree DFS mental model.
模式：后序 DFS 模板变体 / Post-order DFS Template Variations
所有题目共享同一个骨架，关键差异只在返回值语义：
All problems share one skeleton; the only variation is what dfs() returns:
def dfs(node):
if not node: return BASE_CASE
left = dfs(node.left)
right = dfs(node.right)
return COMBINE(left, right)| 题目 | BASE_CASE | 返回值 | 全局变量 |
|---|---|---|---|
| #104 Max Depth | 0 | 深度 int | 无 |
| #543 Diameter | 0 | 深度 int | res（直径） |
| #110 Balanced | (0, True) | (高度, bool) 元组 | 无 |
| #100 Same Tree | True/False | bool | 无 |
关键洞察 / Key Insight per Problem
- #104 Max Depth： 最简单的后序 DFS，
max(left, right) + 1，把空树当 0 处理。 - #543 Diameter： DFS 返回值（深度）和答案（直径）是两个不同概念——用 nonlocal 变量在每个节点"路过时"收集直径候选
left + right。 - #110 Balanced Tree： 返回元组是关键——O(n²) 朴素法 vs O(n) 一次遍历的区别。用哨兵值
-1也是干净的替代方案。 - #100 Same Tree： 双树同步 DFS，参数变成两个节点，是下一题（#572 Subtree）的子问题。
高频坑 / Common Trap： Diameter 题里，很多人直接让 dfs 返回直径——错了。dfs 必须返回深度（供父节点计算），直径要靠外部变量收集。
🗣️ 软技能：本周练习重点 / Soft Skills: What to Practice
本周覆盖三个 Staff+ 高频场景，均属于「影响力」与「判断力」类别。
This week covered three high-frequency Staff+ scenarios, all in the "influence and judgment" category.
三个场景 / Scenarios Covered
1. 快速上手陌生代码库（Day 56）
需要练习 / Needs practice： 能否准确描述「未知清单 + 批量对齐」的具体操作？能否量化你的理解进度（"Day 2 结束前我能描述主数据流"）？
2. 快速交付 vs. 做正确（Day 57）
需要练习 / Needs practice： 你有没有一个真实案例可以代入这个框架？能否用"P30/P1"这种语言量化风险？
3. 为不可见的工程投资发声（Day 59）
核心技巧：把技术问题翻译成业务语言——"CI 慢"变成"每季度 390 小时工程损耗"；POC 先行证明可行；提议"一个 sprint 试验"降低感知风险。Staff+ 标志：改变在你停止推动后仍然持续。
Core skill: translate technical problems into business language — "CI is slow" → "390 engineer-hours wasted per quarter." POC first to prove feasibility. Propose "one sprint experiment" to lower perceived risk. Staff+ signal: the change persists after you stop pushing.
需要练习 / Needs practice： 选一项你做过的「不可见工程工作」，练习用 ROI 数据包装它的故事。
🎨 Python Craft：本周知识巩固 / Python Craft: Concepts to Lock In
本周完成了「设计模式 Week 3」的后半段，覆盖三个经典 GoF 模式。
This week finished the back half of Design Patterns Week 3, covering three classic GoF patterns.
本周三模式速记 / This Week's Three Patterns
策略模式（Strategy）
核心： 把「怎么做」和「做什么」分开，算法对象可在运行时替换。Python 中可以用 ABC + 子类（经典 OOP）或直接传函数（Protocol，更 Pythonic）。
When to use: 多种可互换变体，变体数量会增长，或需要对每种变体独立测试。
观察者模式（Observer）
核心： 发布者不知道谁在监听，订阅者不知道彼此存在，解耦广播。实战中注意两坑：取消订阅不彻底导致内存泄漏（用 weakref）；Observer 抛异常中断后续订阅者（用 try/except 包裹每个调用）。
Real-world: Django signals, Python logging handlers, Node.js EventEmitter.
工厂与抽象工厂（Factory & Abstract Factory）
Factory： 用字符串 key + 注册表替代散落的 if/elif，新增类型只需 register() 一行，调用方无需改动。
Abstract Factory： 产品有"家族"时（AWS 全套 vs GCP 全套），一键切换整个家族。
Rule of thumb: 2-3 种固定实现用 if/else；会扩展时才上 Factory。
Decorator 模式（OOP 版，非 @decorator 语法）（Day 59）
Python 标准库中的真实例子: io.BufferedWriter(io.FileIO(...))。
快速自测 / Quick self-check：
- 策略 vs 观察者：一次用一个 vs 一次广播多个？
- 工厂 vs 抽象工厂：单类型创建 vs 整个产品家族创建？
- Decorator vs 继承：运行时组合 vs 编译时固定？
🤖 AI：本周知识点 / AI: What Stuck
核心概念 / Core Concepts
知识蒸馏（Knowledge Distillation）—— Day 56
大模型（Teacher）的输出"软标签"比真实标签包含更多信息——[猫:0.9, 狗:0.09, 汽车:0.01] 传递了「猫更像狗，而不像汽车」的相对相似性。蒸馏损失 = α × 软标签 KL 散度（乘以 T²）+ (1-α) × 真实标签交叉熵。温度 T > 1 让分布更平滑，信息量更大。
The Teacher's "soft labels" contain richer information than ground truth — [cat:0.9, dog:0.09, car:0.01] encodes relative similarity. Distillation loss = α × KL divergence on soft labels (scaled by T²) + (1-α) × cross-entropy on ground truth. Temperature T > 1 softens the distribution for richer signal.
RLAIF（Reinforcement Learning from AI Feedback）—— Day 58
用强 AI（Claude/GPT-4）替代人类标注者，生成偏好数据（哪个回答更好），再训练奖励模型，再做 PPO。成本低、速度快、可规模化，但核心风险是「偏差级联」——AI Judge 的偏见会被放大进被训练的模型。Anthropic Constitutional AI 是 RLAIF 的早期实践。
Replace human labelers with a strong AI Judge that generates preference data at scale. Cheaper, faster, more scalable than RLHF — but the key risk is bias cascade: the Judge's biases get amplified into the trained model. Anthropic's Constitutional AI is an early RLAIF implementation.
AI 新闻（据报道 / 据报道）
- 据报道，微软 Build 2026 发布了 MAI 模型家族，旗舰 MAI-Thinking-1（35B 参数，256K 上下文），MAI-Code-1-Flash（5B 代码模型），以及企业级 Frontier Tuning 功能。
- 据报道，GPT-5.5 Instant 已成为 ChatGPT 默认模型，主打 agentic 能力。
- 据报道，Google Gemini 3.5 Flash 正式 GA，成为 Gemini 应用和 AI Search 默认模型，速度据称是上代旗舰的 4 倍。
本周 AI 新闻的底层主题：从"谁最强"转向"谁最高效"——MAI-Code-1-Flash 用 5B 参数深度集成 IDE，Gemini Flash 以 4× 速度媲美旗舰性能。效率竞争已经开始。
The underlying theme: the race is shifting from "most capable" to "most efficient."
⚠️ 需要复习的内容 / What to Review
最需要巩固的区域 / Weakest Areas
1. OT 的具体变换规则（高优先级）
知道 OT 的概念，但具体的 transform 函数逻辑（insert vs delete、并发顺序不同时如何正确调整 index）在面试中需要能白板推导。建议：手动推导周六深度阅读中的 3 个变换案例。
You understand the OT concept, but the specific transform(op1, op2) logic — how insert/delete operations adjust indices under different concurrency orderings — needs to be white-boardable. Action: Manually trace through the 3 transformation examples in the Saturday Deep Dive.
2. Geohash 边界问题的解法
知道"查询 9 个格子"解决边界，但能否在面试中快速写出代码并解释为什么这样够？建议：手写一次 nearby_places 函数并解释 precision 参数的选择逻辑。
You know the "query 9 cells" fix, but can you code it up and explain precision selection under pressure? Action: Write nearby_places() from scratch once, explain the precision tradeoff.
3. 软技能故事的具体量化
三个软技能场景的框架都清晰，但需要把「真实案例」代入模板，准备好数字（时间节省、影响范围、结果指标）。没有具体数字的 STAR 故事说服力弱 50%。
The frameworks are clear, but you need your own real stories with numbers. STAR answers without quantified results are 50% less convincing. Action: Pick 2 of this week's 3 questions and draft a full STAR answer with real data.
4. 树遍历模板的手速
模板理解了，但 #543 Diameter 的 nonlocal 变量用法和 #110 Balanced 的元组返回要能在 5 分钟内干净写出来，不犹豫。
The template is understood, but the nonlocal pattern for Diameter and the tuple-return for Balanced need to be muscle memory. Action: Time yourself — write both solutions from scratch, target < 5 min each.
🏆 本周亮点 / Win of the Week
连续 60 天！这是一个真实的里程碑。
第 60 天的连续打卡，不是靠热情，是靠系统。更重要的是：本周从「学了什么」到「理解了模式」——树遍历的四道题，第一次让你看到了模板的力量。当你能看到 #104, #543, #110, #100 共享同一个骨架时，算法学习就从"记题"进化成了"识别模式"。这才是复利开始的地方。
60-day consecutive streak — a real milestone.
Day 60 wasn't powered by excitement; it was powered by systems. More importantly: this week, the shift from "learned content" to "recognized patterns" happened. When you can see #104, #543, #110, and #100 all sharing the same DFS skeleton, algorithm learning transforms from "memorizing solutions" to "recognizing patterns." That's where compound learning begins.
🎯 下周预告 / Next Week Preview
基于当前进度，下周的内容将继续 Trees 模式块（题目 6-10/15），系统设计可能进入更多 Expert Phase 真实场景，Python Craft 将完成 Design Patterns 系列。
Based on current indices:
算法 / Algorithms (Day 60+)： 继续 Trees 模式块，预计覆盖 #572 Subtree of Another Tree、#235 LCA of BST 等题——都是本周 Same Tree 的直接延伸，重点是「双指针 DFS」和「BST 特殊性质」的利用。
系统设计 / System Design： Expert Phase 继续，可能涉及分布式系统的边缘场景（故障模式、数据一致性保证）。
Python Craft： 设计模式系列收尾，或进入新的 Python 内功主题。
软技能 / Soft Skills： 继续 Staff+ 级别场景，建议用下周时间把本周三个场景的 STAR 故事写成可以直接说出口的版本。
AI： 根据 aiTopicIndex，还剩约 6 个 AI 概念主题——重点关注更前沿的评估（Evaluation）和部署优化方向。
Generated: 2026-06-07 (Week 23) | Days covered: 56–59 + Saturday Deep Dive