mimo code 不直接预估算法复杂度，而是通过静态分析、工具链集成、跨文件记忆和人工-ai协同，提供可解释、可操作的复杂度审查建议。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
MiMo Code 本身不直接提供“复杂算法复杂度自动预估”功能，但它能通过工程化组合，把静态分析、结构理解与人工规则嵌入到代码审查流程中，实现对算法复杂度的可解释性评估。
支持复杂度感知的代码审查机制
MiMo Code 的 plan 模式专为只读分析设计，适合做代码审查。它不会直接输出“时间复杂度 O(n²)”这类纯理论结论，而是结合上下文理解代码意图，并调用本地工具链完成辅助判断：
- 自动识别嵌套循环、递归调用、多重条件分支等高风险结构模式；
- 若项目已集成 SonarQube 或 ESLint 插件，MiMo Code 可读取其报告并高亮 Cyclomatic Complexity >15 的函数；
- 对关键函数，它会生成带注释的简化版伪代码，帮助开发者快速定位潜在瓶颈点。
借助外部工具链补足静态分析能力
MiMo Code 不重复造轮子，而是打通已有生态。比如在审查一个排序模块时，它可以：
- 执行
eslint --rule "complexity: [2, { max: 10 }]" src/sort.js并解析结果； - 调用
pylint --enable=similarities检查重复逻辑导致的隐式复杂度上升； - 结合 Graphviz 自动生成模块依赖图，提示“该函数被 7 个高频调用路径引用”，间接反映其影响面。
记忆增强型审查：跨文件关联分析
传统工具常孤立分析单个文件，而 MiMo Code 的 SQLite FTS5 记忆系统让它能记住前期审查中发现的设计约束。例如：
- 若你在上次会话中标注了“所有 IO 操作必须异步且超时 ≤2s”，它下次审查新函数时会主动检查是否违反该约定；
- 当发现某算法频繁访问全局状态，它会比对 MEMORY.md 中记录的架构决策，提醒“这与‘无共享内存’原则冲突”；
- 对递归函数，它能回溯历史任务进度日志，确认是否已在其他模块中做过类似优化。
人工+AI 协同审查建议
MiMo Code 输出不是最终结论，而是可验证的线索。它更倾向给出操作导向的提示，例如：
- “src/utils/mergeSort.ts 第 42 行：三层嵌套 for 循环，当前输入规模上限为 10⁴，预计最坏耗时 120ms —— 建议改用分治合并或引入缓存”；
- “检测到 3 处相同 hash 计算逻辑重复出现，/distill 命令可自动提取为公共函数”；
- “该函数 cyclomatic complexity = 18（SonarQube 报告），超出团队阈值。是否需要我帮你拆解为两个职责更单一的函数？”
它不替代开发者做决策，但能把复杂度问题从抽象概念，变成终端里一行可执行、可验证、可追溯的具体动作。
