昨天我們透過「破題引導提問法」，學會了在寫代碼前先挖掘約束與邊界條件。然而在實際面試或工程場景中，寫出正確解答只是及格線，面試官或架構審查最常接著問的一句話往往是：

「請問你這段代碼的時間複雜度與空間複雜度是多少？能再優化嗎？」

許多開發者對於漸進符號（Big-O Notation）的直覺往往只停留在「一層迴圈是 O(n)、兩層是 O(n²)」。一旦遇到遞迴（Recursion）、二分搜尋（Binary Search）或涉及集合動態擴容（Dynamic Array Resizing）時，就很難給出精確評估。

今天我們就來探討：如何利用 ChatGPT 作為演算法助教，逐行拆解時間與空間開銷，精準掌握複雜度推導邏輯。

一、複雜度分析提問模板（Analysis Prompting）

當你寫完一段解法，或想評估別人的代碼時，不要只問「這段複雜度是多少？」，而是要求 AI 依照「計算機科學的嚴謹步驟」逐步拆解：

【複雜度分析提示詞範本】
請扮演計算機演算法助教。請針對以下代碼進行詳細的複雜度評估：
[貼上代碼區塊]

請依序回答以下四點：

1. 時間複雜度（Time Complexity）：請逐行指出關鍵耗時操作，並給出最差情況（Worst Case）、最好情況（Best Case）與平均情況（Average Case）的 Big-O 評估。
2. 空間複雜度（Space Complexity）：區分固定開銷與額外輔助空間（Auxiliary Space），包含遞迴呼叫堆疊（Call Stack）的深度開銷。
3. 隱形代價提醒：是否有容易被忽視的內建函式開銷（如 String 拼接、陣列擴容或 Collection 操作）？
4. 極限優化建議：在當前複雜度下，是否有常數級別（Constant Factor）或資料結構上的降維優化空間？

二、實戰案例：看似 O(n) 實則 O(n²) 的字串處理陷阱

很多時候我們以為代碼只有一層迴圈，時間複雜度就是線性 O(n)，但其實暗藏隱形開銷。

[實測問題範例]
給定一個字串清單，將所有單字組裝成一個由逗號分隔的句子：

[Java 初學者常見解法]
public class StringConcatDemo {
public static String buildSentence(String[] words) {
String result = "";
for (int i = 0; i < words.length; i++) {
result += words[i]; // 每次字串相加
if (i < words.length - 1) {
result += ",";
}
}
return result;
}
}

三、AI 的逐步複雜度推導

將這段代碼交給 AI 依模板分析後，得到的深度剖析如下：

1. 時間複雜度拆解（深層陷阱）

• 表面直覺：只有一個長度為 n 的 for 迴圈，直覺猜測為 O(n)。
• 實際底層：在 Java 中，String 是不可變物件（Immutable）。每次執行 result += words[i]，背後其實是在記憶體中配置一個全新長度的字元陣列，並將舊字串的所有字元複製過去。
• 總步數計算：若每個單字平均長度為 L，第 k 次拼接需複製 k * L 個字元。
  總運算量為 L + 2L + 3L + ... + nL = O(L * n²)。
• 結論：時間複雜度實際為 O(n²)，在大量字串處理時會引發嚴重的 CPU 與 GC 負擔！

2. 空間複雜度拆解

• 額外空間開銷：迴圈執行過程中會產生大量短命的中間字串物件（Intermediate String Objects），對記憶體新生代（Young Generation）造成高壓，輔助空間開銷同樣高達 O(n²)。

四、AI 的優化重構與複雜度對照

透過 AI 指出瓶頸後，我們要求它提供最優解法，並重新評估：

[Java 優化解法：使用 StringBuilder]
public class StringConcatOptimized {
public static String buildSentence(String[] words) {
if (words == null || words.length == 0) {
return "";
}

    // 預先估算容量，減少內部 char[] 擴容次數
    StringBuilder sb = new StringBuilder(words.length * 10);
    for (int i = 0; i < words.length; i++) {
        sb.append(words[i]);
        if (i < words.length - 1) {
            sb.append(",");
        }
    }
    return sb.toString();
}

}

優化後成果：

• 時間複雜度：降為嚴格的 O(N)（其中 N 為所有字元的總長度），因為 StringBuilder append 是均攤 O(1) 的操作。
• 空間複雜度：降為 O(N)，只保留最終輸出結果，消除了大量垃圾物件。

五、工程師的評估心法

透過 AI 分析複雜度時，請記住以下三條心法：

1. 不要只看迴圈層數：務必請 AI 檢視「呼叫到的內建方法內部做什麼」（例如 list.contains() 是 O(n)，set.contains() 才是 O(1)）。
2. 注意遞迴堆疊：遞迴呼叫的空間複雜度並非 O(1)，最大遞迴深度（Call Stack Depth）就是額外的空間複雜度。
3. 掌握時空權衡（Trade-off）：優化時間往往需要犧牲空間（如 HashMap），而節省空間往往需要更多遍歷運算，沒有絕對的好壞，端看運行環境資源。

今日小結與預告

今天我們掌握了利用 AI 深度推導時間與空間複雜度的架構化流程，學會了揪出看似線性但實則平方級別的隱形開銷。