一个互联网产品，是这样从想法变成你手里的产品的——下面按「谁来干这一环」分类，看懂每个角色的行话。
- 产品经理想清楚做什么
- 设计师画出长什么样
- 前后端把它真正做出来
- 测试保证不崩
- 运维让它上线
- 运营让它长起来
- 你 + AI不懂技术也能指挥
- algorithm算法解决问题的「一套固定步骤/思路」，比如怎么排序、怎么找最短路。同样的事，好算法又快又省，烂算法又慢又费。
- data structure数据结构数据在程序里「怎么组织摆放」的方式（队列、栈、树、哈希表等）。摆放方式选对了，存取就高效——就像东西分门别类放，比一股脑堆着好找。
- time complexity时间复杂度衡量「数据变多时，程序会慢多少」。它不看具体秒数，而看「增长趋势」：数据翻倍，耗时是翻倍还是翻几十倍？这决定了能不能扛大数据量。
- space complexity空间复杂度（内存）衡量「程序运行要占多少内存」。省内存的程序能在更便宜的机器上跑、能处理更大的数据。和时间复杂度常常要「拿空间换时间」地权衡。
- model模型AI/算法从大量数据里「学」出来的一套规律，用来做预测或判断，比如「根据你看过的推你可能喜欢的」。它是 AI 智能的核心。
- training训练拿大量数据「喂」给模型，让它反复学习、调整，直到学会规律。就像给学生大量例题练习，越练越准。
- recommendation推荐系统根据你的行为「猜你喜欢」并主动推给你的算法，刷视频、逛购物时停不下来，背后就是它。它决定了你看到什么。
- optimization性能优化想办法让程序「更快、更省、更稳」：减少重复计算、加缓存、改进算法。东西能用之后，优化决定它好不好用、扛不扛得住。
- concurrency并发「很多人同时用」的情况。一万人同时下单，系统能不能不乱、不崩？处理好并发，是从「能用」到「扛得住」的关键一关。
- cache strategy缓存策略决定「什么该缓存、缓多久、什么时候更新」的规则。缓存用好了飞快，用错了会让用户看到「过期的旧数据」，是门平衡的艺术。
- Big-O大 O 表示法工程师描述复杂度的「行话记号」，比如 O(n)、O(n²)。它不纠结具体快慢，只表达「随数据增长，代价怎么涨」。听到它，就是在聊效率。
- bottleneck瓶颈定位找出「拖慢整个系统的那一个最慢环节」。系统慢往往是某一处卡脖子，找到并解决它，整体速度立竿见影。木桶能装多少水看最短板。