MiMo Code 不直接优化算法复杂度，而是通过理解上下文、识别可优化点（如建议用Set替代嵌套循环）、跨文件协同重构、接入专业模型提升推理质量、依赖持久记忆适配工程偏好来辅助算法优化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
MiMo Code 本身不直接优化算法时间或空间复杂度，它不替代开发者做算法设计决策，而是通过理解上下文、生成更优实现、辅助重构与验证
识别并建议更优算法结构
MiMo Code 在读取项目代码和需求描述后，能结合常见算法模式（如动态规划、双指针、哈希表缓存、分治等）判断当前实现是否存在可优化点。例如：
- 当你提交一段嵌套循环遍历数组查找重复元素的代码，它可能指出“可用 Set 一次遍历实现 O(n) 时间复杂度”，并重写为线性解法；
- 面对递归求斐波那契数列的原始版本，它会主动建议记忆化递归或迭代写法，并附带性能对比说明。
支持多文件协同重构
算法优化常涉及接口变更、数据结构替换、测试用例同步更新。MiMo Code 的终端 Agent 能跨文件执行闭环操作：
Unified LLM Gateway - One API for 70+ AI models. Route to GPT, Claude, Gemini, Qwen, Deepseek, Grok and more
下载
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
- 自动修改核心算法类中的逻辑；
- 更新调用该算法的业务模块代码；
- 同步调整单元测试，加入边界 case 和性能断言（如 expect(timeUsed).toBeLessThan(100)）；
- 运行 lint 和 test 命令验证改动安全性。
接入专业模型提升推理质量
内置 MiMo-V2.5 模型已针对编码场景微调，但对高阶算法题仍建议切换至更强推理模型：
- 通过配置接入 DeepSeek-Coder 或 GLM-4-Code 等专注代码的 LLM，提升对复杂度分析、渐进符号推导（O(n²)→O(n log n)）、缓存策略选择的准确性；
- 使用 Compose 模式让多个子 Agent 分工：一个负责复杂度理论分析，一个生成替换代码，一个编写压测脚本，最终由主 Agent 综合输出方案。
依赖持久记忆持续积累优化经验
随着你多次使用 MiMo Code 处理排序、搜索、图遍历等任务，它的项目记忆系统会沉淀你偏好的风格（如“优先用迭代避免栈溢出”“小数据量用插入排序”），后续同类请求将自动适配你的工程偏好，减少重复解释成本。
