算法学习最大的陷阱，就是对照答案感觉全懂，一旦合上书本却一行代码也写不出来。MiMo Code 的解法别具匠心——它不提供“直接代写答案”的捷径，而是将复杂逻辑拆解成你能一步步观察、验证和回溯的实践流程。原理不再藏着掖着，而是通过结构化的交互方式，为你搭建认知的脚手架。

先说 plan 模式。直接让它进入这个模式（按 Tab 切换），输入“用 Python 实现快速排序，并说明每一步的分区逻辑和时间复杂度变化”——它不会立刻抛出一堆代码，而是先输出清晰的执行步骤图、递归调用树、最坏/平均情况对比表，甚至标注关键变量（比如 pivot、left/right 指针）在每次迭代中的具体值。这种只分析、不执行的模式，优势很明显：初学者不会被完整的代码淹没，能够专注理解控制流与数据到底如何流转。

理解透彻后，就可以切入 build 模式 边改边学。在这个模式下，你完全可以分步骤让它补全：

• “只写 partition 函数，加详细注释说明如何保证稳定性”
• “生成一个含 10 个随机数的测试用例，用 print 跟踪每次 swap”
• “把递归版本改成迭代版，保留原有注释风格”

每次指令都聚焦一个知识点，MiMo Code 会严格按要求生成、运行并反馈结果。你随时可以用 git diff 查看改动位置，或用 mimo status 查看当前的任务树（T1.1、T1.2…），清楚每个小动作在整个算法中到底扮演什么角色。

学完快排，隔两天想对比归并排序——不用从头再解释一遍。这是 持久记忆 的妙处。MiMo Code 会自动从 SQLite 记忆库里调出你上次记录的 MEMORY.md，里面已经存了你标注的“快排原地性 vs 归并稳定性”、“边界条件处理是高频出错点”这类要点。你只需要说“对比这两种排序在链表场景下的适用性”，它就能基于已有的认知延伸分析，而不是当作全新问题把基础再讲一遍。

连续练了三四个排序算法后，运行 /dream 命令。MiMo Code 会扫描你近期所有的对话，自动归纳共性——比如“所有分治算法都依赖子问题独立性”、“边界条件处理是高频出错点”，并把它们提炼成结构化的笔记，追加到项目记忆里。注意，这不是通用教材里抄来的内容，而是从你真实的提问和调试中自然生长出来的经验，针对性极强。