Vue3 Diff算法通过双端比对快速收口、明确新增/删除边界、Key映射+LIS优化乱序三阶段分层处理，将时间复杂度控制在O(n log n)，并结合PatchFlag、Block Tree等协同机制聚焦有效子集，实现大规模更新的高效可控。
处理大规模数据更新时，Diff 算法本身不直接扩展到“大数据量级”的分布式场景，而是通过分层策略、边界收口和关键优化来控制计算开销。真正的可扩展性来自框架层与业务层的协同设计，而非单纯依赖算法复杂度降低。
双端快速收口：跳过大量稳定区间
面对长列表（如上千项的用户订单流），算法优先比对新旧节点数组的首尾连续相同块。只要开头或结尾存在类型+key一致的节点，就直接复用、递归 patch，并收缩待处理范围。这步几乎不触发查找，时间接近 O(k)，k 是公共前后缀长度。实际业务中，增删常集中在中间，因此多数节点在第一轮就被跳过，无需进入后续逻辑。
明确新增/删除边界：零查找批量操作
双端比对结束后，剩余未匹配部分形成清晰缺口：
- 若旧节点还有剩余，说明这些节点已从新结构中移除，统一卸载（unmount）
- 若新节点还有剩余，说明是全新插入，按顺序挂载（createElm）即可
该阶段完全不依赖 key 查找或位置映射，也不涉及移动判断，仅做存在性清理，开销极低。它把“结构变化”和“顺序重排”解耦，让最常见的一类更新（追加、截断）得以秒级完成。
Key 映射 + LIS：专治乱序，但只在必要时启用
只有当剩余新旧节点数量相等且顺序错乱时（例如拖拽重排、搜索结果动态排序），才进入 key 驱动的映射阶段：
- 构建 oldKeyToIndex 哈希表，O(m) 时间预处理旧节点位置
- 生成 newIndexToOldIndexMap 数组，O(n) 时间定位每个新节点在旧结构中的索引
- 在该数组上运行贪心 + 二分法求最长递增子序列（LIS），锁定天然有序、可原位复用的节点子集
移动次数 = 剩余节点数 − LIS 长度。这一设计将最坏情况下的时间复杂度从 O(n²) 降至 O(n log n)，对 500+ 项的乱序列表效果显著，且不增加简单场景的负担。
配合编译时与运行时协同减负
大规模更新的性能不仅靠 Diff 本身，更依赖前端框架的整体优化体系：
- PatchFlag 标记静态内容，编译期跳过比对
- Block Tree 将模板切分为动态区块，Diff 只聚焦变化区域
- 静态提升（Static Hoisting）把不变节点提到 render 外部，避免重复创建
这些机制共同压缩了参与 Diff 的节点总量，使算法始终在“有效子集”上运行，而不是全量遍历。
