近日，一则题为“Making sure pairs of integers are contained in a list”（确保整数对包含在列表中）的编程问题在国内外开发者社区引发热议。该问题最初出现在某知名技术问答平台，短短数日便收获数十种解法，讨论焦点从最基础的暴力遍历一路延伸至哈希优化、排序预处理乃至图论建模，堪称算法入门与实际工程需求结合的经典案例。
问题缘起：如何理解“包含”？
问题的原始描述并不复杂：给定一个整数列表（例如 [3, 5, 7, 9, 11]）以及若干整数对（例如 (3, 5)、(7, 11)），要求判断每一对整数是否都“包含”在列表中。但“包含”一词存在两种自然解读：其一，只要两个整数各自出现在列表里即可视为包含，不关心它们在列表中的相对位置；其二，则要求两个整数在列表中必须连续出现，形成相邻的“对”。这两种解释导致完全不同的算法路径，也让讨论迅速升温。
朴素解法：清晰但低效
多数初学者首先想到的是遍历每一个整数对，对每个元素再遍历整个列表进行查找。假设列表长度为 n，整数对数量为 m，则最坏情况下时间复杂度为 O(n×m)。当列表规模达到百万级、待检对达到十万级时，运算量将膨胀至千亿次级别，在实时系统中几乎不可接受。更糟的是，如果采用连续子序列的严格定义，还需额外记录位置信息，代码复杂度亦随之上升。
高效解法：哈希集合的妙用
在众多讨论中，最受推崇的方案是利用哈希集合（Hash Set）将列表元素预处理存储。具体做法为：先遍历一次整数列表，将所有元素放入一个无序集合中，此后每个整数对的检查便只需两次 O(1) 的哈希查找。整体时间复杂度由 O(n×m) 降至 O(n+m)，空间复杂度为 O(n) 用于存储集合。
一位署名“代码旅人”的开发者给出了 Python 实现片段：
def ensure_pairs_in_list(lst, pairs):
elements = set(lst)
return all(a in elements and b in elements for a, b in pairs)
该代码简洁直观，迅速获得大量点赞。评论区指出，此方法还能天然过滤重复元素，且对列表顺序不作假设，适用于大多数业务场景。
深入探讨：若要求“相邻”呢？
若问题中的“包含”被严格解释为“两个整数在列表中必须连续出现”，则解法需彻底改变。此时可利用字典记录每个元素最后一次出现的位置，然后遍历列表，对相邻两数构成的有序对建立“已出现”标记。或者更进一步，将列表转化为边集构建图结构，再利用并查集或邻接表进行批量查询。有参与者指出，这种变体与“给定图中是否存在某条边”的问题同构，可用哈希集合存储所有长度为 2 的连续子序列，同样能达到近常数时间查询。
工程意义：不止于刷题
这一问题的价值远超面试题范畴。在数据清洗中，需要验证关联表中引用的外键是否均在主键清单内；在配置管理里，需确认依赖列表中每一对服务名是否都已注册；在实时交易系统，需检查买卖双方的账户 ID 是否存在于可信账户集合中。凡此种种，本质都是“判断一组对是否包含于一个集合”。选择合适的数据结构，直接决定了系统的吞吐量与延迟。
结语：小问题，大智慧
一个看似直白的整数对包含检查，折射出算法设计中对“输入规模”“语义定义”和“操作成本”的权衡。正如一位参与者总结：“简单问题不简单，关键是定义清楚问题，再选择匹配的工具。”无论是哈希集合的巧妙降维，还是对连续对定义的重新建模，都提醒开发者：在动手写循环之前，不妨先问问自己——问题的真正约束是什么？这或许正是该帖子持续被大量转发的原因所在。