刚学编程那会儿，总觉得算法是竞赛选手才碰的东西。直到第一次做视频转码工具，卡在了“怎么让多个文件同时处理还不卡死电脑”这个问题上，才明白算法不是纸上谈兵，而是实打实解决问题的工具。
一个压缩软件引发的思考
有次朋友发来一个打包了上百张照片的压缩包，说解压到一半就卡住了。我顺手看了下代码，发现它是按顺序一张张解压、写入硬盘，中间没有任何调度。这就像一个人搬砖，一趟只能拿一块，哪怕路很近也得来回跑断腿。
后来改用优先队列控制任务顺序，把大文件拆成小块并行处理，体验立马不一样了。这不是什么高深技术，核心就是一个简单的贪心策略：谁耗时短先干谁。这种思路，其实每天都在用，比如你做饭时会先烧水再洗菜，本质上也是任务调度。
别被名词吓住，算法就在日常里
很多人一听“动态规划”就头大，但如果你做过视频剪辑就知道，找两个镜头之间的最佳切换点，其实就是典型的DP问题——每帧要不要切，取决于前面所有帧的选择组合。
再比如做字幕同步，音频波形和文字时间轴对不上，可以用类似编辑距离的算法来找最小误差路径。代码不长，效果却很明显：
def min_distance(s1, s2):
m, n = len(s1), len(s2)
dp = [[0] * (n + 1) for _ in range(m + 1)]
for i in range(1, m + 1):
dp[i][0] = i
for j in range(1, n + 1):
dp[0][j] = j
for i in range(1, m + 1):
for j in range(1, n + 1):
cost = 0 if s1[i-1] == s2[j-1] else 1
dp[i][j] = min(
dp[i-1][j] + 1,
dp[i][j-1] + 1,
dp[i-1][j-1] + cost
)
return dp[m][n]这段代码看着复杂，实际就是一步步试错，记录每一步代价。就像你走迷宫，每次记下哪条路走得最省力。
实战中最容易忽略的事
写算法时总想着最优解，但现实中更多要考虑“稳”。曾经为了提升排序速度改用快速排序，结果遇到特定数据直接退化成O(n²)，用户导出视频列表时程序直接无响应。
最后换成归并排序，虽然多花一点内存，但速度稳定，再也不怕极端情况。有时候，能扛住压力比理论快一倍更重要。
算法设计不是考试答题，没有标准答案。你在剪视频、传文件、听音乐的时候，背后都有人在默默优化这些逻辑。动手去做一个小工具，哪怕只是批量重命名图片，也会发现课本里的知识点突然活了过来。