一个数组只有100个元素时，随便写个双重循环排序，毫秒级响应。用户量涨到10000，同样的代码直接让服务器崩溃。这不是硬件问题，是时间复杂度选错了。

Big O Notation（大O表示法）是工程师在写第一行代码之前，用来预判性能的通用语言。它不测实际运行秒数，只回答一个核心问题：当输入规模n膨胀时，你的算法会怎么表现？

打开网易新闻 查看精彩图片

O(1)：常数时间，与数据量无关

按索引取数组第一个元素，永远是1步操作。无论数组里有10个还是1000万个整数，耗时不变。这是哈希表查询、数组随机访问的底气。

Go代码示例：getFirst函数直接返回arr[0]，标注为O(1)。

O(n)：线性时间，随数据量正比增长

遍历整个数组找最大值，循环次数等于元素个数。n翻10倍，操作量翻10倍。这种可预测性让它成为大多数场景的安全选择——至少不会突然爆炸。

Go代码示例：findMax函数用单循环扫描，标注为O(n)。

O(n²)：平方时间，规模杀手

嵌套循环是典型的n²结构。n=100时，1万次操作，眨眼完成。n=1000时，100万次操作，开始吃力。n=10000时，1亿次操作，用户已经关闭页面。

冒泡排序就是这种结构：外层循环n轮，内层循环n-i轮，总操作量逼近n²。教学演示可以，生产环境慎用。

Go代码示例：bubbleSort函数的双重循环，标注为O(n²)。

三种复杂度的实战边界很清晰：O(1)追求极致响应，O(n)承担常规流量，O(n²)仅限小数据量或离线任务。选错类别，功能在测试环境完美通过，上线即超时。

这篇文章只覆盖了最基础的三个。O(log n)和O(n log n)才是搜索和排序的工业级解法——二分查找、归并排序、快速排序都建在这之上。下一篇拆解。