范叶亮写智能体、模型和数据系统时，习惯先把定义和边界钉死。把「网络算法」整理成可落地的中文笔记：问题在哪、默认做法会踩什么坑、该怎么选。原站导航和广告已去掉。
网络基础算法
最短路径 （shortest path）算法是寻找两个顶点之间的最短路径，寻找网络中最短路径的标准算法称为 广度优先搜索 （breadth-first search）。算法的基本思想如下图所示：
根据广度优先搜索的基本思想，不难证明距 $s$ 最短距离为 $d$ 的每个顶点都有一个到 $s$ 的最短距离为 $d – 1$ 的邻居顶点。一个简单的实现方式是，创建一个有 $n$ 个元素的数组存储从源顶点 $s$ 到其他所有顶点的距离，同时创建一个距离变量 $d$ 来记录当前在搜索过程中所处的层数，算法的具体流程如下：
最短路径
这种方法在最坏的情况下时间复杂度为 $O \left(m + n^2\right)$ ，考虑多数网络的直径只随 $\log n$ 增长，算法运行的时间复杂度为 $O \left(m + n \log n\right)$ 。
上述算法中步骤 1 是最耗时的部分，通过使用 队列 的数据结构我们可以避免每次都遍历列表来找到距离源顶点 $s$ 距离为 $d$ 的顶点。构造一个队列，一个指针指向下一个要读取的元素，另一个指针指向要填充的空位，这样距离为 $d + 1$ 的顶点就会紧跟在距离为 $d$ 的顶点后面，队列如下图所示：
最大流和最小割
通过队列可以将算法的时间复杂度降至 $O \left(m + n\right)$ ，对于 $m \propto n$ 的稀疏网络而言， $O \left(m + n\right)$ 相当于 $O \left(n\right)$ ，所以算法的时间复杂度同顶点数量成正比。
通过对算法进行进一步修改则可以得到源顶点 $s$ 到其他任何顶点的最短路径。方法是在原来的网络上构建一个新的有向网络，该网络代表最短路径，称为 最短路径树 （shortest path tree），通常情况下，该网络是一个有向非循环网络，而不是树。
图划分和社团发现
对于加权网络，利用广度优先搜索无法找到最短路径，这里需要用到 Dijkstra 算法 2 进行求解。算法将图中的顶点分成两组 $S$ 和 $U$ ，整个算法过程如下：
Dijkstra 算法的时间复杂度为 $O \left(m + n^2\right)$ ，通过二叉堆的数据结构可以将时间复杂度优化至 $O \left(\left(m + n\right) \log n\right)$ 。
图划分
Dijkstra 算法虽然能够处理加权网络，但不能处理存在负权重的网络，需要利用 Floyd-Warshall 算法 3 进行求解。更多 Floyd-Warshall 算法的细节请参见之前的博客 计算复杂性 (Computational Complexity) 与动态规划 (Dynamic Programming) 。
对于连接给定顶点 $s$ 和 $t$ 的两条路径，若没有共享边，则这两条路径是 边独立 的；若除 $s$ 和 $t$ 外不共享任何其他顶点，则这两条路径是 顶点独立 的。顶点之间的 边连通度 和 顶点连通度 分别是顶点之间边独立路径数和顶点独立路径数。连通度是度量顶点之间连通鲁棒性的简单参数。假设一个网络是一个管线网络，其中每个管线的容量均为单位流量，那么边连通度等于从 $s$ 流向 $t$ 的 最大流 。
社团发现
增广路径算法 （Ford-Fulkerson Algorithm，FFA）是计算最大流最简单的算法。基本思想是：首先利用广度优先搜索算法找到一条从源 $s$ 到目标 $t$ 的路径。该步骤“消耗”了网络中的一些边，将这些边的容量填充满后，它们不再承载更多流量。之后在剩余边中找到从 $s$ 到 $t$ 的另一条路径，重复该过程直到找不到更多的路径为止。
但这还不是一个有效的算法，如下图中的 (a) 所示，如果在 $s$ 和 $t$ 之间运用广度优先搜索，可以发现黑色标记的路径。一旦这些边的容量被填充满，就不能在剩余边中找到从 $s$ 到 $t$ 的更多路径，但很明显，从 $s$ 到 $t$ 有两条边独立路径（上下各一条）。
值得单独记下的点
- 遍历距离数组，查找到 $s$ 的距离为 $d$ 的所有顶点。
- 查找上述顶点的所有邻居顶点，如果同 $s$ 的距离未知，则距离置为 $d + 1$ 。
- 如果距离未知的邻居顶点数量为零，则停止算法，否则将 $d$ 的值加一并重复上述过程。
- 初始状态， $S$ 仅包含源顶点，即 $S = \left\{v\right\}$ ， $U$ 包含其余顶点。如果 $v$ 与 $U$ 中的顶点 $u$ 为邻居，则距离为边的权重，否则为无穷大。
- 从 $U$ 中选择一个距离 $v$ 最短的顶点 $k$ ，并把 $k$ 加入到 $S$ 中。
- 若从源点 $v$ 经过顶点 $k$ 到达 $u$ 的距离比之前 $v$ 到 $u$ 的距离短，则将距离修改为这个更短的距离。
- 重复步骤 2 和 3，直至所有顶点都包含在 $S$ 中。
- 计算图拉普拉斯矩阵的第二小特征值 $\lambda_2$ ，称为网络的 代数连通度 （algebraic connectivity），及其对应的特征向量 $\mathbf{v}_2$ 。
落地时建议先做的 5 件事
- 先写清任务能不能被自动验证：能验证的交给系统和评测，不能验证的留给人审。
- 本地部署先算显存、延迟和失败回滚，不要只看能跑通一次。
- 多智能体只在单智能体触到上下文或专业边界时再拆。
- Token、微调和压缩都要有对照数字，避免口号式优化。
- 结论写成可检查清单：接口、超时、评测集、回滚版本。
和智能体产品怎么接
龙虾PRO做 OpenClaw 落地时，最该拿走的是「单智能体先做好工具和提示，再谈编排」。数字员工、技能市场和网关应共用同一套评测与权限，而不是各写一套角色人设。
本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源
常见问题 FAQ
什么是AI智能系统？
「AI智能系统」可概括为：最短路径 （shortest path）算法是寻找两个顶点之间的最短路径，寻找网络中最短路径的标准算法称为 广度优先搜索 （breadth-first search）。算法的基本思想如下图所示： 本文从定义、方法与实践要点展开说明。
为什么要关注AI智能系统？
关注AI智能系统，是因为它直接影响效率、风险与可复制性。文中指出：最短路径 （shortest path）算法是寻找两个顶点之间的最短路径，寻找网络中最短路径的标准算法称为 广度优先搜索 （breadth-first search）。算法的基本思想如下图所示：
如何落地AI智能系统？有哪些关键步骤？
建议按以下路径推进AI智能系统：1) 遍历距离数组，查找到 $s$ 的距离为 $d$ 的所有顶点。；2) 查找上述顶点的所有邻居顶点，如果同 $s$ 的距离未知，则距离置为 $d + 1$ 。；3) 如果距离未知的邻居顶点数量为零，则停止算法，否则将 $d$ 的值加一并重复上述过程。；4) 初始状态， $S$ 仅包含源顶点，即 $S = \left\{v\right\}$ ， $U$ 包含其余顶点。如果 $v$ 与 $U$ 中的顶点 $u$ 为邻…；5) 从 $U$ 中选择一个距离 $v$ 最短的顶点 $k$ ，并把 $k$ 加入到 $S$ 中。。细节见正文对应章节。
AI智能系统适合哪些人或团队？
AI智能系统更适合：产品/技术负责人、运营与增长团队、需要落地智能体或自动化的中小团队、关注「AI智能系统」方向的读者。若你只需要单次聊天式问答，可先读概念；若要上生产，请重点看步骤、权限与风控相关段落。
关于「网络基础算法」，本文给出了什么结论？
在「网络基础算法」部分，要点是：- 1$ 的邻居顶点。一个简单的实现方式是，创建一个有 $n$ 个元素的数组存储从源顶点 $s$ 到其他所有顶点的距离，同时创建一个距离变量 $d$ 来记录当前在搜索过程中所处的层数，算法的具体流程如下： 最短路径 这种方法在最坏的情况下时间复杂度为 $O \left(m + n^2\right)$ ，考虑多数网络的直径只随 $\log n$ 增长，算法运行的时间复杂度为 $O \left(m + n \log n\right)$ 。
关于「最短路径」，本文给出了什么结论？
在「最短路径」部分，要点是：现方式是，创建一个有 $n$ 个元素的数组存储从源顶点 $s$ 到其他所有顶点的距离，同时创建一个距离变量 $d$ 来记录当前在搜索过程中所处的层数，算法的具体流程如下： 最短路径 这种方法在最坏的情况下时间复杂度为 $O \left(m + n^2\right)$ ，考虑多数网络的直径只随 $\log n$ 增长，算法运行的时间复杂度为 $O \left(m + n \log n\right)$ 。 上述算法中步骤 1 是最耗时的部分