0）先记住一句话（贯穿两种写法）
到第n阶的方法数：
最后一步要么走 1 阶：从
n-1来要么走 2 阶：从
n-2来
所以永远是：
f(n) = f(n-1) + f(n-2)
1）递归版本（从“大问题”往下问“小问题”）
✅ 1.1 纯递归（不推荐：会爆炸慢）
想法：我想知道f(n)，那就去问f(n-1)和f(n-2)。
def climbStairs(n): if n <= 2: return n return climbStairs(n-1) + climbStairs(n-2)为什么慢？
因为它会“重复算同一个问题”：
比如算f(5)：
f(5)=f(4)+f(3) f(4)=f(3)+f(2) f(3)=f(2)+f(1)你看：f(3)、f(2)被算了很多遍。
复杂度：接近O(2^n)，n 稍大就非常慢。
✅ 1.2 递归 + 记忆化（推荐：递归也能很快）
核心：每个f(k)只算一次，算过就记下来，下次直接拿。
def climbStairs(n): memo = {} def dfs(k): if k <= 2: return k if k in memo: return memo[k] memo[k] = dfs(k-1) + dfs(k-2) return memo[k] return dfs(n)复杂度：O(n)
因为1...n每个值只算一次。
2）递推版本（从“小问题”一路推到“大问题”）
递推就是：我先知道最小的答案，然后一步步算到 n。
✅ 2.1 DP 数组版（最直观）
dp[i] 代表到 i 阶的方法数 从 i=3 推到 n复杂度：O(n)时间，O(n)空间。
✅ 2.2 空间优化版（你写的版本：最常用
观察转移方程：
dp[i]只依赖dp[i-1]和dp[i-2]
所以没必要保存整个数组，只保留最近两个数就够了。
class Solution: def climbStairs(self, n: int) -> int: if n <= 2: return n a, b = 1, 2 # dp[1], dp[2] for _ in range(3, n + 1): a, b = b, a + b return b复杂度：O(n)时间，O(1)空间。
3）递归 vs 递推：一眼对比
| 写法 | 思维方向 | 是否重复计算 | 时间复杂度 | 空间复杂度 |
|---|---|---|---|---|
| 纯递归 | 自顶向下（n→1） | ✅会大量重复 | O(2^n) | O(n) 递归栈 |
| 递归+记忆化 | 自顶向下（n→1） | ❌不重复 | O(n) | O(n) |
| 递推 DP 数组 | 自底向上（1→n） | ❌不重复 | O(n) | O(n) |
| 递推 空间优化 | 自底向上（1→n） | ❌不重复 | O(n) | O(1) |
4）一句话解释
递归：像问路——“到第 n 阶怎么走？那我先问到 n-1 怎么走，再问到 n-2 怎么走。”
递推：像建楼——“先把 1 阶、2 阶的答案写出来，然后一层层推上去。”
