如何提高自己的代码/工程能力

代码能力是计算机学生必须具备的能力，但简单地说”代码能力“是不够的。项目需求、程序设计语言、开发框架多种多样，能力必须有针对性地培养。代码能力粗略地分为两类：写出（高效）解决单个问题的代码的能力，即算法能力，和写出整体高性能可维护”优雅“的代码的能力，即工程能力。这两者都可以继续分类，但一来篇幅有限，二来笔者也不能面面精通，就简单地这么分了。

基础工具和能力

在讨论代码能力之前，先简单介绍算法题的训练方法和开发工具，这些都是必要的。

算法题

关于是否要大量刷算法题历来颇有争议。有人说数据结构很实用，说算法能锻炼思维和在压力环境下解决问题的能力，但也有人说算法题需要大量重复训练单个知识点，学到的很多算法和实际应用不符。笔者所学所用还不足以判断两种说法的正误，但是，不管是申请实验室还是找工作，算法题是笔试中的常客，一定程度上是选拔人才的标准。所以，即使不从纯粹的学术角度或者工程角度出发，在刚进入大学的时候，多刷算法题还是对自己的发展还是很有帮助的。

如果是刚刚入坑计软网的小白，首先推荐去洛谷或者 AcWing 的题单，把官方题单刷一遍。刚开始刷题时，即使自己完成了，也要看题解中是否有更优秀的方案（一般是没有，leetcode 这种时间卡得松的会有）；如果独立完成不了，思考最多 10 分钟，去把题解看懂，不要觉得气馁，因为很多题目都需要特定的数据结构和算法，只是没学过而已。

一般需要掌握以下内容：

• 基础：程序控制语句、数组、指针、函数
• 基础算法：排序、穷举、贪心，等
• 数据结构：链表、二叉树、图，等
• 图论：搜索、最短路、连通性、连通分量
• 询问：区间最值、单点修改区间维护、区间修改区间维护，以及各种变种
• 动态规划与记忆化搜索
• 数论（密码学）
• 数值计算（较少）
• 计算几何
• 等等

熟练掌握了这些（大概 500～1000 道题的训练），你应该能通过一般的笔试了。如果做不到，也没关系，按照自己的安排有选择地完成一些也可以。如果你想参加 ICPC 等专业性程序设计竞赛，需要更加大量的训练，比如在 AtCoder 和 CodeForces 进行 Virtual Participation，并积极参加校 ACM 集训队的选拔和训练。

开发工具

虽然软件源代码一般都是文本文件，但合适的工具能够提供文件大纲、代码重构、实时检查等让开发效率大大提高的功能。下面推荐一些比较常用的编辑器和集成开发环境（Integrated Development Environment，IDE）：

• IntelliJ IDEA：强大且全面的Java IDE，JetBrains 公司开发。分为 Community 和 Ultimate 版本。Community 为纯 Java IDE，Ultimate 提供了 Python、JavaScript、Go、数据库等支持。其它主流语言也有配套的 IDE 支持；JetBrains 提供了 CLion、Rider 等针对其他语言的 IDE。
• Visual Studio：Windows 下最强调试器，微软开发。提供很棒的 C# 和 C++ 开发体验。同时可以提供 Python、Node.js 等的支持。
• Visual Studio Code：轻量级编辑器，微软开发。其以强大的插件体系，基于 Language Server Provider 的语法提示，以及优雅的界面和快捷键操作而广受好评。

学习开源代码

优秀开源代码是很好的学习资源，在代码里可以学到从设计到每个部分的具体实现，如果能读完一套相关领域优秀框架的源码，作一份笔记，将对自己的能力有很大帮助。

针对性学习

同样是代码，不同的方向，从思维模式到常用框架都大相径庭。这里以 AI 科研和互联网技术两个方向分别作为算法能力和工程能力的代表，简要介绍如何针对性学习，而更广泛的领域还需要读者发挥自己的主观能动性去探索，并与有经验的前辈交流。

AI 科研方向

AI 科研方向的编码和工程方向差距很大。首先是语言上的。目前 AI 的科研主要使用 Python 语言，语法灵活但工程性一般。其次是目的上的。AI 的科研代码不追求高并发等极致的性能，而是通过数学推导或者实验得到一个算法后进行实现，证明这个方法work，能够达到 State-of-the-art 的水平即可。最后是维护上的。论文的算法代码一般不需要维护，作为 demo 即可，而工程代码需要随着 bug 的发现、需求的增加与变更、人员的变动等进行维护，所以工程代码的可读性、可维护性要求更高。

最常用的深度学习框架是 PyTorch，互联网上有很多如 https://d2l.ai/ 的教学网站，Manning 出版社的 Deep Learning with PyTorch 也是非常好的教材，但这远远不够。真正的锻炼应该发生在实际的科研或项目中。所以在学完基础知识之后，通过阅读参考文献的源代码或者知名开源工具包，自己复现，能很好地锻炼代码能力。

互联网技术

互联网“寒冬”不知道是快要过去还是刚刚开始，但是可见的是，软件能够提高各行各业的效率，所以软件工程师的需求还是很大的。虽然笔者没有选择就业，但可以体会到的是本科毕业进“大厂”的难度不亚于保研、考研，所以如果对工程更感兴趣可以提前了解、准备。

针对传统的前后端开发，可以分为 Web 前端方向、移动端方向、后端方向、数据分析方向等。

• Web 前端方向主要是基于 HTML、CSS、JavaScript 构建在浏览器中运行的页面。目前有 React、Angular、Vue.js 等框架，Webpack、Vite 等工程化工具，TypeScript 等类型安全的 JavaScript 变体。
• 移动端方向主要是基于 Android、iOS 等基于操作系统的应用开发，也包括使用 Flutter、React Native 的跨平台开发模式。
• 后端主要是基于 Java、Go、C++ 等语言，使用 Spring、Django、Flask、Gin 等框架，使用 MySQL、Redis、MongoDB 等数据库，使用 gPRC、Dubbo 等远程过程调用技术开发向前端通过网络提供数据服务的应用，因为涉及的知识太过繁杂所以不展开了。
• 大数据方向主要进行海量数据的存储、处理，通常与知识挖掘等联系起来。主要使用 Spark 等工具。

对于这些方向的学习，首先应该有一本详细的教材，比如对于 JavaScript，可以考虑红宝书《JavaScript 高级程序设计》或者犀牛书《JavaScript 权威指南》，由浅入深地学习。然后通过实际项目进行练习，跟着教程做一个网站等。最后是在实际项目中学习，比如在公司实习、对学校某处进行信息化改造、参与开源项目等。

注意，以上都是很浅的介绍。而更多的，比如嵌入式、机器人、区块链、图形学、高性能计算等，也都有专门的学习内容，如果对某个方面感兴趣，可以通过实际项目针对性地深入学习。

模块化

在 LeetCode 或者其他平台刷算法题相比写项目而言是快乐的——

• 单元性：一个问题只有一个关注点
• 零成本试错：百余行，大不了从头来过
• 充分的测试：使用精心构造的测试样例来保证程序的正确性
• 即时反馈：提交题目立刻得到反馈，正确了就过，不正确也能知道是哪个样例错了

但工程项目往往是一个高度复杂的系统，而一个人能记住的代码是有限的。模块化可以将一个大的系统分解成若干个小的模块，每个模块遵循”高内聚、低耦合“的原则，各模块之间的接口是简单而相对固定的，模块内可以比较自由地编码。

多人合作项目，或者需要长期维护的项目，有必要写好设计文档和 public API 的代码注释。推荐使用 Unified Modeling Language (UML) 来进行建模，绘制 UML 图的方法有很多，可以使用 Visio，也可以用 Mermaid.js 等文本绘图工具。

设计模式也非常重要，合理使用设计模式可以使代码更加整洁、可维护：如果你说”这段代码使用了策略模式“，其他维护者能够很快地理解你的意图。传统的 23 种设计模式分三大类：五种创建型模式，七种结构型模式，十一种行为型模式。设计模式出自 Design Patterns: Elements of Reusable Object-Oriented Software 一书，但书中示例比较老了，Head First Design Patterns 以比较生动的方式讲解了一部分设计模式，也可以通过其他资料学习。

行动起来

代码能力的特点在于勤能补拙、熟能生巧。只有经历过足够多代码的历练，才能成就一名优秀的程序员，之后才能成为工程师、创业者、科学家等。

如果是工程方向，可以做几个实际项目，可以是自己想做的东西，可以是仿造市面上一个流行软件，也可以来自其他人的需求或者外包；

如果是科研方向，可以参与导师的项目，也可以自己组队完成感兴趣的课题。

培养读官方文档和源码的能力

不论是什么项目，在深入学习一段时间之后，就会发现：”百度一下“能找到的东西太有限了。很多知识都存在于官方文档中，甚至为了明白到底发生着什么需要直接进入所引用模块的源码。通过阅读文档/源码，可以学习如何严谨地设计程序的结构，以提高程序的各项性能。