选迭代递推而非递归记忆化：go中迭代更高效、可控且符合惯用风格，递归仅适用于依赖不规则的场景，但需注意memo存在性判断及栈溢出风险。
怎么选 DP 实现方式：递归记忆化 vs 迭代递推？
Go 里写动态规划，核心选择不是“要不要用 DP”，而是“用哪种结构落地”——递归+map记忆化还是数组/变量迭代递推，直接决定性能、可读性和边界处理难度。
- 递归记忆化适合子问题依赖不规则（比如打家劫舍中跳两格、跳三格混用），但要注意
memo[n]返回 0 时无法区分“未计算”和“结果就是 0”，必须用val, ok := memo[n]判断存在性 - 迭代递推更贴近 Go 的惯用风格，空间可控（能滚动优化到 O(1)），但要求状态转移严格按序、无后效性；比如
rob题中dp[i] = max(dp[i-1], dp[i-2]+nums[i])就必须从左到右扫 - 别在简单线性问题（如爬楼梯、最大子数组和）上硬套递归——栈深度可能爆，且 Go 没尾递归优化，
climbStairs(1000)直接 panic
max 函数怎么写才安全？别碰 math.Max
Go 没内置 max，自己写看似简单，但用 int(math.Max(float64(a), float64(b))) 是典型陷阱：当 a 或 b 是 math.MaxInt64 时，转 float64 会精度丢失，结果错成 9223372036854775808 甚至负数。
- 最稳妥是内联三元：
if a > b { return a } else { return b }，零开销，无类型转换 - 或定义通用函数：
func max(a, b int) int { if a > b { return a }; return b }，放main外或同一文件任意位置都行 - 别为省几行代码引入
math包——整数比较不需要浮点语义
滚动数组优化什么时候能用？看状态依赖跨度
DP 数组常被误认为必须开满 len(nums)，其实只要状态只依赖前 k 项，就能压成 k 个变量。关键看转移方程里下标差的最大值。
Golang Google Wire
下载
在 Go 中使用 google/wire 实现编译时依赖注入——wire.NewSet、wire.Build、wire.Bind（接口→实现）、wire.Struct、wire.Value、wire.Interface
-
rob中dp[i]只依赖dp[i-1]和dp[i-2]→ 可用两个变量：prev2, prev1滚动更新 -
minCostClimbingStairs同理，dp[i]依赖dp[i-1]和dp[i-2]→ 也只需两个变量 - 但背包问题中
dp[j]依赖的是dp[j-w[i]]，j 是从大到小遍历的，不能简单滚动——得保留一维数组
为什么 map 记忆化在爬楼梯里反而慢？
看似通用的记忆化方案，在固定步长（如只能跳 1/2/3 级）的楼梯问题里，实际比数组迭代多出哈希计算、内存分配和指针跳转开销，实测 n=100 时慢 3–5 倍。
- 子问题索引是连续小整数（0 到 n），
[]int的随机访问是纯地址计算，map[int]int却要哈希、探查、可能扩容 - 如果真要用 map，初始化时指定容量：
memo := make(map[int]int, n+1)，避免多次 rehash - 更隐蔽的坑：
CountWaysDP(n-1, memo) + CountWaysDP(n-2, memo) + CountWaysDP(n-3, memo)中三个调用顺序不确定，若某次n-2先算完并写入memo，后续n-1调用可能复用它——逻辑正确，但执行路径不可控，调试困难
动态规划在 Go 里没魔法，只有状态定义是否清晰、转移是否无歧义、实现是否贴合语言特性。最容易被忽略的是：别把“能跑通”当成“写对了”，尤其在边界（n=0、空数组、单元素）和溢出场景下，max 怎么写、dp 下标从 0 还是 1 开始、初始值设多少，每个细节都卡着正确性。
golang免费学习笔记（深入）：立即使用
在学习笔记中，你将探索golang的核心概念和高级技巧！
