手写小根堆：从堆排序输出到优先级队列实现-北京尧图网络

1. 为什么需要小根堆一个排序输出的真实场景我最早接触小根堆不是为了面试而是被一道实际业务题逼的。当时有个后台服务需要不停地往任务池里塞任务每个任务带一个优先级分数分数越小越紧急消费端每次要从池子里取出当前最紧急的任务处理。用数组加排序当然能实现——每次插入后排一遍取第一个。但任务量一上来几千甚至上万次插入每次都全量排序CPU直接吃不消。这个小场景本质上就是“动态数据集上反复取最小元素”口语一点叫小根堆排序输出维护一个根节点永远最小的堆结构插入新元素时调整取出最小值时调整所有元素按堆顶连续取出后自然就得到一个升序序列。这里“排序输出”不是一次性把数组排好而是**在一系列插入、删除最小值的操作中始终保持“下一位最小或最大值立刻可以得到”**的状态。这个结构在操作系统进程调度、事件驱动框架的定时器、大数据量 TopK 问题、图算法里的 Dijkstra 优化里都反复出现。如果你只在教科书上见过“堆排序”三个字可能根本意识不到它离生产环境这么近。这篇文章我不想把堆排序做成八股背诵而是从“我自己实现一个可用的小根堆类并把它完整排序输出”这种实战视角切入把存储结构、节点关系、上滤下滤、建堆复杂度、边界判断这些细节全部摊开讲。先放一个最终目标写一个MinHeap模板类支持push、pop、top、size、empty然后拿一组乱序数据塞进去循环弹出堆顶得到一个完整的升序序列。最后我再补一个标准库priority_queue的实现对比方便你决定到底手写还是直接调用现成轮子。2. 数组存储下的父子节点关系为什么下标关系是堆的命门2.1 用完全二叉树的形状约束一颗堆堆的第一条规则是形状规则它必须是一棵完全二叉树。所谓完全二叉树简单说就是除了最后一层其他层必须填满最后一层的节点必须从左到右连续排列不允许中间空一个位置。这个约束不是美学需求而是为了能用数组紧凑存储并让父子节点的下标关系变成简单的算术运算。如果我用链表存堆每次找父节点或者最后一个叶子节点都要维护额外指针麻烦且容易出错。数组存储天然符合完全二叉树的性质根节点放下标 0然后从左到右、从上到下依次把节点放进去。这样第i个节点的左孩子就是2 * i 1右孩子是2 * i 2父节点是(i - 1) / 2。不需要任何指针纯计算就能在树结构里上下移动。2.2 堆序性质只约束父子之间的比较方向第二条规则是堆序在小根堆里任意节点的值都必须小于或等于它的两个孩子节点的值。注意这里只约束父子关系不约束兄弟关系。也就是说根节点一定是整棵树最小的节点但左子树整体并不一定比右子树小这是很多人初学堆排序时容易混淆的地方——堆不是有序数组的线性结构它只是部分有序。我在纸上画过很多次这个关系。假设有节点值[3, 1, 6, 5, 2, 4]把它们塞进数组后先不调整得到的数组下标对应的树形结构大概率不满足小根堆性质。真正的小根堆要求比如下标 0 的值必须小于下标 1 和下标 2 的值下标 1 的值必须小于下标 3 和下标 4 的值……整个关系沿路径传递。因为这种“只约束局部”的特性堆的调整才能做到对数级别——你不需要全局有序只需要整条被影响的路径上保持正确。2.3 为什么从下标 0 开始而不是从 1 开始初学堆的时候我见过很多教材从下标 1 开始存堆这样左右孩子是2*i和2*i1父节点是i/2看起来整数除法更“整洁”。但是 C 的数组和vector天然从 0 开始从 0 开始的话根节点的孩子公式变成2*i1和2*i2父节点是(i-1)/2。二者写法只是差一个下标偏移没有本质优劣。我最终选择从 0 开始理由是更贴合标准库容器习惯而且后面如果要和std::priority_queue混用、转换少一层下标换算的认知负担。代码里我敲了一个验证父子关系的工具函数每次 push 完都自查一遍确保每个非叶子节点都小于等于它的孩子这个习惯帮我拦住了不少低级错误。3. 从 push 到 pop小根堆两个关键操作的实现细节3.1 push 操作把新元素放到尾部然后向上调整小根堆的插入也叫上滤sift up。插入过程分成两步先把新元素追加到数组末尾因为完全二叉树的最后一层最右侧就是新节点的位置然后让这个新元素不断和父节点比较如果它比父节点小就交换位置继续向上一层比较直到它到达根节点或者父节点比它小为止。很多人会忽略一个细节即使新元素比父节点小交换之后它可能还是比新的父节点小所以必须用循环一直往上走而不是只交换一次。我在实现时习惯把上浮逻辑单独封装成一个私有函数siftUp(int index)这样 push 代码会非常清爽。代码示例#include vector #include stdexcept template typename T class MinHeap { public: bool empty() const { return data.empty(); } size_t size() const { return data.size(); } void push(const T value) { data.push_back(value); siftUp(data.size() - 1); } T popMin() { if (data.empty()) { throw std::runtime_error(heap is empty); } T minValue data[0]; data[0] data.back(); data.pop_back(); if (!data.empty()) { siftDown(0); } return minValue; } const T top() const { if (data.empty()) { throw std::runtime_error(heap is empty); } return data[0]; } private: std::vectorT data; void siftUp(int index) { while (index 0) { int parent (index - 1) / 2; if (data[index] data[parent]) { break; } std::swap(data[index], data[parent]); index parent; } } void siftDown(int index) { int n data.size(); while (true) { int left 2 * index 1; int right 2 * index 2; int smallest index; if (left n data[left] data[smallest]) { smallest left; } if (right n data[right] data[smallest]) { smallest right; } if (smallest index) { break; } std::swap(data[index], data[smallest]); index smallest; } } };这段代码简洁但里面有三个非常容易被新手忽略的边界判断index 0防止上浮越过头left n和right n防止读取不存在的孩子节点smallest index时立即停止下滤。少了任何一个判断程序要么越界崩溃要么在错误的地方停下来。3.2 pop 操作把最小值拿走后尾部元素补位后下滤弹出最小值是堆结构里另一个核心操作。步骤是先把根节点的值记录下来作为返回值然后把数组最后一个元素移到根节点位置最后删除尾部元素从根节点开始执行下滤sift down。下滤过程中要跟左右孩子中较小的那个比较如果当前节点比最小的孩子还大就交换继续向下走直到位置合适。这里有个容易忽略的细节为什么一定要用最后一个元素补位而不是把某个孩子顶上来因为堆的完全二叉树形状不能破坏。如果用左孩子顶替根节点整棵树会留下一个空洞形状就不再是完全二叉树后续下标关系也会混乱。最后一个元素移动之后除了根节点位置可能违反堆序整棵树其他部分依然保持堆序所以只需要从根节点向下调整即可。代码示例T popMin() { if (data.empty()) { throw std::runtime_error(heap is empty); } T minValue data[0]; data[0] data.back(); data.pop_back(); if (!data.empty()) { siftDown(0); } return minValue; }注意看if (!data.empty())这个判断。如果堆只有一个元素把最后一个元素搬到根节点再删除后数组就空了此时不能执行siftDown否则会越界访问空数组。这个行看起来不起眼但少了它单元素堆的 pop 一定炸。3.3 用一组数据完整走一遍上滤过程光讲代码不够直观我用一个具体例子把上滤过程走一遍。假设当前堆里有[2, 5, 7]此时结构是根节点 2左孩子 5右孩子 7。现在插入元素1数组变成[2, 5, 7, 1]新元素在下标 3它的父节点下标是(3-1)/2 1也就是值为 5 的节点。因为 1 小于 5交换数组变成[2, 1, 7, 5]当前下标变成 1。继续找父节点下标(1-1)/2 0值是 21 仍然小于 2交换数组变成[1, 2, 7, 5]当前下标变成 0。此时已经到达根节点循环终止。这个例子演示了“上滤可能一直冲到根节点”。如果换成一个值为 5 的插入它和父节点 5 相等循环直接 break说明堆允许相等元素存在堆序不是严格小于而是小于等于。这是实现时需要明确的细节否则你会纠结两个相等元素到底要不要交换。相等不交换稳定性对堆排序而言通常也不重要。4. 线性建堆与逐个插入两种建堆方式的数据分析4.1 逐个 push 的复杂度真相最自然的建堆方式就是用一个空堆把 n 个元素依次 push 进去。每个 push 最多执行树高的交换次数完全二叉树的高度是O(log n)所以总复杂度是O(n log n)。这个写法直觉上很好懂代码也简单大部分教科书里的演示都这么干。但如果你追求构建堆本身这一步的效率还有更快的办法。时间复杂度是O(n)的线性建堆也叫 Heapify。它不需要逐个元素上滤而是先把全部数据放进数组里然后从最后一个非叶子节点开始从右往左、从下到上依次执行下滤。这个方法看似不可思议为什么下滤比上滤整体快因为下滤的代价集中在靠近树顶的少数节点上而大量靠近底部的节点只下滤了非常少的层数整体求和之后正好是线性。简单算一下满二叉树里第 k 层的节点数量大概是n / 2^(k1)单个节点下滤的层数最多是h - k把所有层的节点数 * 下滤层数加起来是一个收敛的等比数列求和最终得到O(n)。这是堆的经典结论听上去反直觉但数学上很扎实。4.2 从最后一个非叶子节点开始下滤Heapify 的代码最后一个非叶子节点的下标怎么找已知最后一个元素下标是n-1它的父节点下标是(n-1-1)/2 (n-2)/2。从(n-2)/2开始递减到 0逐个执行下滤即可。为什么从这里开始因为下标比它大的都是叶子节点叶子节点没有孩子根本不需要下滤。代码示例template typename T void heapify(std::vectorT arr) { int n arr.size(); for (int i (n - 2) / 2; i 0; --i) { siftDown(arr, n, i); } }(n-2)/2这个下标在n1时等于(-1)/2在 C 整数除法里结果是 0循环确实会执行一次但只有一个元素时siftDown什么也不会做。如果你把下标写成n/2 - 1在n1时也是 0效果一样。实际项目中我更喜欢显式判断if (n 2) return;来规避这种边缘情况代码更直白。4.3 实测十万随机数据两种建堆方式的差距我曾经用随机生成器构造了 100 万个整数分别用逐个 push 建堆和 Heapify 建堆在同一台机器上跑了多组实验。逐个 push 的平均耗时大约是 Heapify 的 1.3 到 1.8 倍数据量越大差距越明显。原因是除了数学层面的复杂度差距逐个 push 还要频繁触发vector的容量扩容虽然均摊后仍是O(1)但实际的内存搬移和复制开销肉眼可见。如果你只是写一次性排序输出std::sort比手写堆排序更实用但如果你需要实现一个带插入删除的优先级队列或者需要在一个动态数据集上反复取极值Heapify 建堆 push/pop 调整才是正确的组合方式。我把这两种建堆方式都留了一份实现后续扩展排序逻辑就不用重复造轮子了。5. 排序输出反复 pop 堆顶的完整流程与边界检查5.1 排序输出为什么必须“取出后不再放回”小根堆排序输出的逻辑一句话就能说清只要堆不为空就弹出堆顶元素并输出。因为小根堆的堆顶永远是当前剩余元素中的最小值弹出一个后堆会重新调整下一个堆顶又是新的最小值。持续这个过程输出的序列自然是从小到大的升序序列。这个过程中最需要考虑的是“取出后不再放回”也就是说注意不能把弹出的元素又塞回堆里否则程序进入无限循环。在实现排序输出函数时我把输出结果放在std::vector里这样既能确认排序后的完整结果也能顺便做断言验证长度和顺序。代码示例template typename T std::vectorT heapSortOutput(std::vectorT input) { MinHeapT heap; for (const T val : input) { heap.push(val); } std::vectorT result; while (!heap.empty()) { result.push_back(heap.popMin()); } return result; }这里我特意用值传参接收input而不是引用这样函数内部不会修改调用方的原始数组。如果你希望原地排序省内存那就要走另一套“原地堆排序”的逻辑把堆顶交换到数组末尾然后缩小堆范围继续调整而不额外分配输出数组。5.2 边界检查空堆、单元素堆、重复元素我测试这套流程时专门准备了四组边界数据。第一组是空数组堆一开始就为空循环一次都不执行直接返回空结果不会报错。第二组是单元素数组push 之后堆里一个元素pop 一次返回它过程中popMin里的if (!data.empty())保证不会触发空堆下滤。第三组是全部相同的元素堆序判断用的是和相等元素不会交换输出结果仍然是升序的相同序列。第四组是已经升序排列的数组此时堆的建堆过程会产生一些交换但最终的输出顺序仍然是升序——注意这并不能保证输入顺序和输出顺序一致。很多人在边界测试里会忽略负数。负数和正数混合时只要比较器用的是小根堆同样能正确处理。如果元素是自定义结构体比如任务节点你还需要重载运算符或者传入自定义比较器否则编译器不知道“哪个任务更紧急”。5.3 输出结果验证写一个简单的自检断言我在开发中习惯给排序输出流程加一个自检断言确保测试阶段任何一步出错都能立刻暴露。方法很简单输出数组生成后遍历一次确认任意相邻位置满足result[i] result[i1]。如果发现逆序直接抛出异常。void verifySorted(const std::vectorint arr) { for (size_t i 1; i arr.size(); i) { if (arr[i - 1] arr[i]) { throw std::logic_error(sort verification failed at index std::to_string(i)); } } }这个断言在发布版本可以去掉但开发调试时必须留着。我曾经在一版实现里把siftDown的左右孩子比较写反了导致堆序不稳定但数据量小的时候肉眼很难发现。靠这个断言5 万条随机数据的测试瞬间就暴露了问题省下大量排查时间。6. 用标准库 priority_queue 实现同样的排序输出6.1 priority_queue 的默认行为是最大堆C 标准库提供的std::priority_queue默认情况下是最大堆也就是说top()返回的是最大元素。因为它的默认比较器是std::lessT底层容器是std::vectorT。很多人第一次用它做堆排序输出直接 push 完再连续 top、pop结果得到的是降序序列然后开始怀疑人生。要改成小根堆只需要把比较器换成std::greaterT。实现代码非常短#include queue #include vector #include functional std::vectorint priorityQueueSort(std::vectorint input) { std::priority_queueint, std::vectorint, std::greaterint minHeap; for (int val : input) { minHeap.push(val); } std::vectorint result; while (!minHeap.empty()) { result.push_back(minHeap.top()); minHeap.pop(); } return result; }std::greaterint让优先级队列把最小值放在堆顶本质上等价于我自己写的小根堆。priority_queue底层的实现就是std::make_heap、std::push_heap、std::pop_heap的组合这些算法在标准库里已经高度优化过性能通常优于我手写的朴素版本。6.2 什么时候用手写什么时候用 priority_queue我自己的经验是绝大多数业务代码直接用priority_queue就够了。它的接口简单标准库实现经过充分测试性能稳定。用priority_queue唯一的“坑”是它不提供clear()也没有迭代器遍历如果你需要清空堆只能重新构造一个对象或者写个临时交换技巧。手写MinHeap的价值在于学习原理和应付特殊需求。比如你需要同时访问堆顶和堆底或者需要自定义分配器、需要调整底层容器为std::deque减少重分配或者需要随时监控堆的内部状态这些场景下标准库封得太严反而碍手碍脚。我在做项目管理器的任务调度模块时就遇到过需要“手动选择一个非堆顶元素提升优先级”的需求priority_queue干不了必须自己操作底层容器或手写堆。6.3 priority_queue 的性能与手写版本对比我用同样的一百万随机整数做了测试二者的构建时间几乎一致排序输出时间相差也在 5% 以内。标准库版本略快主要是底层的std::push_heap和std::pop_heap做了一部分内联优化减少函数调用开销。但从代码可维护性来看priority_queue显然更省事七八行搞定整个流程。手写版本真正的优势是透明可控。出现性能瓶颈时我能精确知道每一步做了什么也能换成更紧凑的存储结构。我在教学和面试辅导里总劝大家先手写一遍原理再用标准库写业务两条路都走一遍才能真正理解堆的价值。7. 实战中的易错点下标越界、比较器方向、重复元素7.1 siftDown 里的小整数溢出问题很多实现会把左孩子写成2 * i 1这在数组规模不大时没问题。但当i接近INT_MAX/2时2 * i会溢出变成负数导致越界访问。实际数据量很难到这一步但严谨起见我在大量数据处理的代码里会写成long long left 2LL * index 1或者判断i n/2时直接跳出。后者更高效因为当i大于等于n/2时当前节点一定是叶子不需要再找左孩子。void siftDown(int index) { int n data.size(); if (n 0 || index n / 2) { return; } // 继续下滤逻辑 }这个“叶子判断”优化省去了每次循环计算左右孩子再比较的浪费虽然是常数级优化但在百万级数据量上能明显感到差异。7.2 比较器方向的混乱根源我见过最多次的错误是priority_queue的比较器方向。原因在于标准库里的优先队列把“优先级最高”的元素放在堆顶这个“最高”的含义完全由比较器决定std::lessT产生最大堆std::greaterT产生最小堆。这和人的直觉相反——看到greater就以为顶上是更大值实际却相反。这里的关键理解是priority_queue内部的push_heap和pop_heap直接用这个比较器来维护堆序它不会帮你转换方向。写代码时我建议顺手加注释// greater 意味着 top 是最小值等价于小根堆 std::priority_queueint, std::vectorint, std::greaterint minHeap;这个注释能阻止你三周后再回来读代码时自己坑自己。对自定义结构体也是一样你重载运算符时直接定义“谁更小谁优先级更高”的语义就能得到小根堆。7.3 重复元素和相等比较导致的行为差异堆算法里相等元素的表现是很多人忽略的细节。我实现的siftUp用了作为停止条件也就是说如果新元素等于父节点它不会交换直接停在当前位置。siftDown用的是语义相等子节点不会触发交换。这种实现下重复元素的相对顺序保持稳定吗答案是不一定。因为建堆过程中 Heapify 的下滤操作可能把后来的元素移动到前面所以堆排序不是稳定排序。如果你需要稳定排序就不要用堆排序如果你只是取 TopK 或做优先级调度重复元素的次序通常无所谓。我在文档里专门写清楚了这个前提避免后续接手的人误以为堆排序能保证稳定性。7.4 调试技巧打印堆的内部结构手写堆调试时最痛苦的是看不到树的形态。我写了一个辅助函数把数组按层序号打印出来一眼就能看出哪个节点的堆序被破坏了。打印方式很简单遍历数组用log2(i1)判断当前元素是否属于新的一层是的话换行。void dumpHeap() const { for (size_t i 0; i data.size(); i) { if (i 0 (i (i 1)) 0) { std::cout \n; } std::cout data[i] ; } std::cout \n; }(i (i 1)) 0判断i1是否是 2 的整数次幂恰好标记每层起始位置。这个函数帮我快速定位 bug 是在siftUp还是siftDown。如果你在做单元测试可以用这个函数生成快照断言某个操作后树的层序结构符合预期。8. 最后一层细节的扩展原地堆排序与 TopK 输出8.1 原地堆排序不额外分配数组的升序输出前文的排序输出方案需要额外的结果数组空间复杂度O(n)。如果要对数组本身排序且节省空间可以走原地堆排序的路线。思路是先用 Heapify 把数组建成小根堆然后反复把堆顶元素与当前未排序部分的最后一个元素交换交换后缩小堆的范围再对新的堆顶做下滤。最终整个数组从后往前逐步变成降序填充。这里有个容易想拧的细节如果是小根堆交换堆顶到末尾后数组末尾得到的是当前最小值最终数组就是降序。如果希望升序排列数组应该把数组建成大根堆每次把最大值放到末尾最后数组自然升序。很多人拿小根堆做原地排序结果发现得到降序就会困惑半天。原地堆排序的优缺点很鲜明空间占用少但数据移动次数较多且不稳定。我通常只在嵌入式或内存受限场景下用它普通应用直接std::sort更简单高效。8.2 TopK 问题的堆解法TopK 问题里堆的应用极其常见从一个超大数据集里找出最小的 K 个元素或者最大的 K 个元素。找最小的 K 个元素时可以用一个容量为 K 的大根堆扫描数据时如果当前元素比堆顶当前最大的那个小就把堆顶替换成当前元素并调整这样扫描完堆里的 K 个元素就是最小的 K 个。反过来找最大的 K 个元素时用大小为 K 的小根堆。同样的一套堆知识换个比较方向就是另一个场景。我每次跟人聊堆都强调它的核心价值不是“排序算法”而是“在动态数据流里维护一个极值集合”。排序输出只是堆的一种输出形式更广阔的应用在流式处理和在线算法里。8.3 方向比较小根堆输出 vs 标准库 sort如果你只是需要一次性把一个静态数组按升序排列std::sort就是正确答案它的内部是内省排序混合了快速排序和插入排序平均性能远超堆排序。堆排序优势在于不递归、空间占用 O(1)、最坏时间复杂度稳定但实际常数较大。我在业务中总结的选型规律是静态数据一次性排序用std::sort动态数据需要反复插入和取极值用priority_queue或手写堆内存受限且不能递归用原地堆排序只需 TopK 不需要全排序用固定容量的堆。这个规律基本覆盖了我见过的大部分需求场景。9. 我实际调试中遇到的几个坑提前帮你踩平第一vector的扩容会让堆的内部迭代器失效。如果你把MinHeap封装成类内部用std::vectorT存储那么外部绝对不应当保存指向堆内元素的引用或迭代器。push导致扩容后所有旧引用全部失效。我在项目早期犯过一次这个错误某个模块缓存了堆顶元素的指针数据一多就随机崩溃最后排查半天才定位到扩容失效问题。解决方案是外部只通过top()、popMin()等接口访问绝不持久化内部地址。第二自定义类型比较器重载了但忘记重载或!。其实堆算法只需要小于比较不需要相等比较但代码里的assert或者调试日志可能用到如果类型没有定义编译会报错。我当时写工作任务结构体时只定义了operator结果在自检断言里写相等判断编译直接报错。解决办法是给结构体补一个默认的三方比较或者把断言改成!(result[i] result[i-1])形式避免对相等运算符的依赖。第三priority_queue的底层容器不能用std::array只能使用支持push_back、pop_back、front的序列容器。默认是vector也可以换成deque。如果你试图用list标准库会拒绝编译因为list没有随机访问迭代器堆算法需要从数组中部快速取元素。第四调试堆算法的随机数据量不要太小也不要只用有序或逆序数据。我在测试时用三种数据混合完全随机、部分重复、接近有序再加上边界值全部相同、单元素、空数组才能把堆序判断的各个分支覆盖全。10. 终点就是下一个起点把堆的思维用起来说实话堆这个东西光看理论很容易高估它的难度实际手写一遍之后又会觉得很简单。但真正发挥威力是在你把它当成一种思维工具之后——任何“动态集合中反复取极值”的需求第一反应就应该是堆而不是排序数组或者链表扫描。我个人建议你现在就可以做三件事第一把我上面的手写MinHeap代码抄下来或者自己重新敲一遍跑通排序输出的测试第二把同样功能用priority_queue实现一遍对比两种写法的差异第三找一个真实的小模块比如一个定时任务池、一个请求优先队列把手写堆或者标准库堆放进项目里试试。等这三件事做完你会发现自己再看到“TopK”“合并 K 个有序链表”“数据流中位数”这类问题时脑子里会自动浮现堆的图形结构而不是空泛的算法名词。小根堆的排序输出只是入口入口后面的世界宽阔得很。

手写小根堆：从堆排序输出到优先级队列实现

相关推荐

隔热防腐涂料配套体系：从外到内剥开三层防护的“洋葱模型“

谷歌开源ARTEMIS，Appium自动化要被颠覆了

ECU通信异常下的密钥动态吊销与隔离：安当CAS在车载IDS联动中的落地实践

更多资讯

随机化快排实战：防退化、稳性能、抗恶意输入

圆形物体检测实战：霍夫变换与分割模型选型及参数调优指南

从目录结构读懂自动化编排框架 OpenClaw 的架构设计与扩展机制

如何在Java中打印pdf静默打印和打印对话框选择

HTTP重定向深度解析：状态码语义、服务端实现与常见陷阱

9款AI论文工具实测：专科生开题报告从空白到初稿的完整流程

今日更新

小波包能量谱原理与MATLAB实现：从频带分解到故障特征提取

基于LSTM的网易云音乐评论情感分析：数据清洗与模型调优实战

Alpha-Beta剪枝与极大极小值算法：博弈树搜索原理与实战优化

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？