上周在给公司的数据中台做性能优化，发现一个处理日志匹配的功能慢得离谱。每天几百万条日志进来，光这一个匹配环节就要跑好几个小时。
打开代码一看，是上一位同事写的，用的是最简单的暴力双重循环，时间复杂度 O(n²)。当时数据量小，用着还行，现在数据量翻了十倍，直接顶不住了。
我本来准备自己写优化，突然想到之前在 大模型（01gpt.cn） 上用过 Grok 4.3，它的算法推理能力评测里和 GPT-5.5 打成平手。干脆让它试试，顺便看看它的优化思路是什么水平。
第一版：暴力解法
我把原代码丢给 Grok 4.3，让它先分析问题。
原逻辑很简单：两个列表，一个是日志规则，一个是实际日志。每条日志要去匹配所有规则，找出最匹配的那条。规则有优先级，日志有类型，匹配上了还要算相似度。
Grok 4.3 看了几眼就给出了分析：“这代码的问题是重复计算太多。每条日志都在重复遍历所有规则，而且相似度计算是纯CPU密集操作。优化方向有两个：减少规则遍历次数，或者优化相似度计算。”
这个分析和我想的一模一样。
第二版：索引优化
它给出的第一个优化方案是给规则加索引。不是简单的哈希索引，而是按日志类型做了多层索引——先按日志类型快速过滤掉不相关的规则，再按优先级排序，优先匹配高优先级的规则。
改完之后一跑，匹配时间从好几个小时降到了十几分钟。效果显著，但还不够。
第三版：缓存相似度
它自己看了运行结果，说“还可以再优化”。这次它盯上了相似度计算。
日志里有很多相同的单词和短语，每次都要重新算一遍相似度，浪费了大量时间。它给出的方案是把已经算过的相似度缓存起来，下次遇到相同的直接拿结果。而且它会分析哪些单词是高频词，优先缓存这些。
改完之后，匹配时间从十几分钟降到了几分钟。
第四版：时空权衡
我以为到此为止了，结果它又说“还可以进一步优化”。这次它盯上了内存——缓存太多会导致内存占用过高，甚至触发GC停顿。
它给出的最终方案是做“分批处理加时间窗口缓存”。不是把所有计算结果都缓存，而是只缓存最近一段时间的数据，过期的自动清理。同时根据系统的实时内存使用情况动态调整缓存大小。
这个方案把时间控制在了几分钟以内，内存占用也稳住了。从最初的几个小时到现在的几分钟，整个优化过程 Grok 4.3 一步步推导，每一步都有理有据。
几点感受
最让我触动的是它的“不满足”——我自己可能优化一轮就完事了，它会反复分析，说自己“还能更好”。这种持续迭代的风格，让它能从一个最基础的优化方案一直进化到高度工程化的复杂方案。
它不只是给代码，还会解释为什么这样改。每一步优化都有明确的理论支撑——为什么索引能减少遍历、为什么缓存能减少计算、为什么分批能控制内存。这种解释让你真正理解优化思路，而不是只会照搬答案。
还有一点是它会权衡。不是一味追求速度，而是综合考虑时间、空间、工程维护成本。比如缓存方案里主动加了过期清理和内存监控，这些细节让它给出的方案更接近真实生产环境的需求。
以前自己做优化，想出一种方案就开始写，写到一半发现不行又推倒重来。现在有 Grok 4.3 帮忙，它会先把所有可能的优化方向列出来，分析每种方向的收益和代价，然后从最优解开始逐步迭代。这省下的不只是时间，还有反复试错的挫败感。
算法优化这件事，以前靠经验——经验丰富的工程师能想到更多优化方向。现在有 Grok 4.3 帮忙，它相当于一个见过大量优化案例的搭档，能帮你穷举你可能想不到的方向。经验不够的人也能做出高水平的优化，这才是 AI 在算法领域最实在的价值。
