给你两个字符串，要你回答第二个在第一个里第一次出现的位置，从 0 开始数。查不到就返回 -1。题目保证第二个串至少有一个字符。这种题一行代码就能完成：Java 有，C++ 和 Python 也各有现成的find。可这些现成的函数，跑起来不一定比手写的快。手写的版本，就是上篇和中篇讲的那套 KMP。这篇讲两件事：它快在哪里，以及同一套 KMP 还能解另一道看起来毫不相干的题。

两趟加起来：算 next 数组 O(m)，匹配 O(n)，整趟就是 O(n + m)。单看某一个位置，它可能要退好几次。可 m 个位置放在一起算，总共只有 O(m)，摊到每个位置上，平均就是常数级。上篇里最直接的做法，O(n × m)，到这儿就压下来了。原理讲完了。下一篇看题，两道能直接用上 KMP 的题。

给两个字符串 S1 和 S2，问 S1 里有没有 S2，有的话返回它出现的最左位置，没有就返回 -1。这个问题叫。最直接的做法，是把 S1 的每个位置都当成起点试一遍。拿 S1 = “ABCD”、S2 = “CD” 来说：从 0 位置开始，A 对 C 对不上，换 1 位置；B 对 C 还是对不上，换 2 位置；这次 C 对 C、D 对 D 都对上了，返回 2。要是 S2 是 “CDE”，整个 S1

面对记忆丢失问题，很多人想到的补救方案是：把旧会话的内容总结成摘要，再传递给下一个 Agent。这个思路直觉上很合理，但在代码工程场景下几乎是灾难性的。设想一下：你将 10 万行调试日志压缩成了 500 字的摘要，告诉接班工程师"上周修了个变量 bug"。他获得了什么？是一句话的描述。他丢失了什么？是完整的变量命名体系、版本依赖关系、调试路径，以及大量隐性约定。在软件工程的世界里，少一处依赖声明，

做 AI 应用开发，经常会遇到两个概念：Agent Skill 和 MCP（Model Context Protocol）。虽然都是让 AI 能调用工具，但它们根本不是一个维度的东西。简单来说：Skill是 Agent 内部的能力封装与编排，MCP 是工具能力的标准化接入协议。