打印字符串在另一字符串中作为子串出现的所有位置

在2026年的今天，虽然底层算法的核心逻辑未曾改变，但我们处理字符串匹配问题的方式已经发生了深刻的变化。从早期的“写代码”到现在的“提示词工程”和“AI结对编程”，我们的开发工作流正在重塑。但这并不意味着我们可以忽视基础。相反，理解像KMP（Knuth-Morris-Pratt）或Rabin-Karp这样的经典算法，能帮助我们更好地与AI协作，并在生成式代码出现幻觉时进行准确的故障排查。在这篇文章中，我们将不仅探讨如何打印所有出现的子串索引，还会结合现代开发理念，讨论如何将这一经典问题置于现代云原生、AI原生的开发环境中进行审视和优化。

深入理解朴素匹配法的局限性与改进

我们在前文中提到的“朴素方法”虽然直观，但在处理大规模数据流时（比如在边缘设备上处理实时日志流）可能会遇到性能瓶颈。其 O(n*m) 的时间复杂度意味着，如果我们在处理GB级别的文本寻找微小的模式串，CPU消耗会急剧上升。让我们思考一下这个场景：当我们最近在一个涉及基因组学数据处理的项目中，试图寻找特定的基因序列标记时，朴素的逐字比较法完全无法满足实时性要求。

为了解决这个问题，我们通常会转向更高效的算法。在这里，我们不仅要“知道”算法，还要学会如何利用现代AI辅助工具（如Cursor或GitHub Copilot）来生成高质量的无bug代码。例如，我们可以利用KMP算法来实现线性时间复杂度的搜索。KMP算法的核心在于利用已经匹配过的信息，避免主串指针的回溯。这就像我们在使用AI辅助编程时，AI根据上下文理解我们的意图，而不是从零开始猜测。

方法 3：KMP 算法实现（生产级代码）

让我们来看一个实际的项目案例。假设我们正在构建一个高频交易系统中的日志分析器，需要实时检测特定的错误模式。为了保证极低的延迟，我们决定手写一个优化的KMP算法，而不是依赖标准库中可能包含额外开销的通用函数。在我们的代码库中，我们是这样实现的（以C++为例，展示高性能计算场景）：

#include 
#include 
#include 

// 命名空间在现代C++项目中用于避免全局污染，符合2026年模块化开发趋势
namespace HighPerfSearch {

// 辅助函数：构建部分匹配表（也称为“失败函数”）
// 我们需要严格检查输入，防止空字符串导致的未定义行为
void computeLPSArray(const std::string& pattern, std::vector& lps) {
    int length = 0; // 前一个最长前缀后缀的长度
    int i = 1;
    lps[0] = 0; // lps[0] 总是 0

    // 计算从 i=1 到 m-1 的 lps[i]
    while (i  text.length()) {
        std::cout << "NONE" << std::endl;
        return;
    }

    int M = pattern.length();
    int N = text.length();

    // 创建 lps[] 用于保存最长前缀后缀值
    std::vector lps(M);
    computeLPSArray(pattern, lps);

    int i = 0; // text 的索引
    int j = 0; // pattern 的索引
    bool found = false;

    while (i < N) {
        if (pattern[j] == text[i]) {
            i++;
            j++;
        }

        if (j == M) {
            // 找到完整匹配
            std::cout << (i - j) << " ";
            found = true;
            // 准备寻找下一个匹配
            j = lps[j - 1];
        } else if (i < N && pattern[j] != text[i]) {
            // 字符不匹配
            if (j != 0) {
                j = lps[j - 1];
            } else {
                i++;
            }
        }
    }

    if (!found) {
        std::cout << "NONE";
    }
    std::cout << std::endl;
}

} // namespace HighPerfSearch

int main() {
    std::string text = "GeeksforGeeks";
    std::string pattern = "Geeks";
    HighPerfSearch::KMPSearch(text, pattern);
    return 0;
}

2026年技术趋势：Agentic AI 与算法工程的融合

你可能会问，为什么在2026年我们还要讨论这些基础算法？这涉及到“Agentic AI”（自主AI代理）的工作原理。现在的AI Agent不仅仅是生成文本，它们被赋予了执行复杂任务的工具。当我们将“查找子串索引”这个任务委托给一个AI Agent时，如果底层的上下文长度不够大，Agent可能会选择分块处理文本。这时，如果Agent内部默认使用了O(n*m)的朴素算法，那么它的响应延迟和Token消耗将会成倍增加。

因此，作为现代开发者，我们的角色正在转变：我们不再仅仅是代码的编写者，更是AI系统的“监督者”和“架构师”。我们需要理解算法的时间复杂度和空间复杂度，以便在给AI Agent编写System Prompt（系统提示词）时，明确要求它使用高效的库函数，或者指导它生成优化的代码。例如，在使用Cursor或Windsurf等IDE时，如果你注意到AI生成的循环嵌套过深，你可以通过干预它的上下文窗口，引导其调用标准库中的 INLINECODE5e0f2c9b 或 Java 中的 INLINECODE22c20df2 方法，这些底层通常经过了高度优化（甚至利用了SIMD指令集）。

真实场景分析与替代方案对比

让我们回到现实世界的工程选择。在实际的生产环境中，直接硬编码KMP算法的情况其实并不多见，除非是在极高频交易或嵌入式系统这种对资源极其敏感的场景。在大多数Web应用或微服务架构中，我们更倾向于使用现代语言内置的高效库函数，或者是正则表达式引擎。

在JavaScript/Node.js生态中：

我们通常会结合 split 和正则表达式的全局匹配来处理复杂模式，或者使用现代的字符串方法。但要注意，如果我们要找的不仅仅是字符串，而是复杂的模式，正则表达式的回溯可能会导致ReDoS（正则表达式拒绝服务）攻击。这是我们在编写安全代码时必须考虑的“常见陷阱”。

// 现代JavaScript (ES2024+) 实战：使用 matchAll 进行迭代匹配
function findAllIndicesRegex(text, pattern) {
    // 转义特殊字符，防止正则注入，这是我们在处理用户输入时必须做的安全左移措施
    const escapedPattern = pattern.replace(/[.*+?^${}()|[\]\\]/g, ‘\\$&‘); 
    const regex = new RegExp(escapedPattern, ‘gd‘); // ‘d‘ 标志提供索引信息
    const matches = [...text.matchAll(regex)];

    if (matches.length === 0) {
        console.log("NONE");
        return;
    }

    // 使用 map 提取索引，符合函数式编程趋势
    const indices = matches.map(match => match.index).join(" ");
    console.log(indices);
}

const str1 = "GeeksforGeeks";
const str2 = "Geeks";
findAllIndicesRegex(str1, str2);

在这个例子中，我们使用了 d (indices) 标志，这是2020年后ECMAScript标准引入的新特性，极大地简化了我们获取索引的工作。这体现了现代技术趋势：语言标准本身在不断进化，以解决过去需要复杂算法才能解决的常见需求。

边缘计算与性能优化的考量

随着边缘计算的兴起，越来越多的计算逻辑被推向了用户侧（如浏览器中的WASM，或IoT设备）。在这些设备上，内存和电量是受限的。如果我们的代码需要在一个运行在智能手表上的JS引擎中运行，那么使用 substring 创建大量临时字符串（如方法1中的朴素做法）将会引发频繁的垃圾回收（GC），导致卡顿和电量耗尽。

针对这种情况，我们在2026年的最佳实践是：避免在循环中创建临时对象。这正是KMP算法除了速度快之外的另一个优势——它只需要O(m)的额外空间来存储LPS数组，而不需要像朴素解法那样可能隐式创建O(n*m)的子串对象。如果你的代码需要在边缘设备上长期运行，这种细节上的差异将决定应用的成败。

总结：技术选型的决策树

在这篇文章中，我们探讨了从朴素方法到KMP算法，再到利用现代语言特性和AI辅助开发的多种路径。那么，当你下次面对“找出所有子串索引”这个问题时，你应该怎么做？

• 如果是脚本或一次性任务：直接使用语言的内置 INLINECODE237d3172 或 INLINECODE9b4c3b0b 循环，或者像我们展示的Python/JS的一行代码解决方案。让AI帮你生成这部分代码，它非常擅长。

• 如果是高性能库或底层系统：请参考C++的KMP实现示例，或者查阅是否有SIMD优化的库（如AVX-512指令集加速的字符串搜索）。

• 如果是Web应用且输入不可控：务必进行输入清洗，并防止ReDoS。如果可能，在Serverless架构中进行异步处理，避免阻塞主线程。

最后，别忘了拥抱AI。无论是编写单元测试，还是解释复杂的算法逻辑，AI都是你最好的伙伴。但要记住，越是了解底层原理，你就越能精准地指挥AI，从而成为2026年那种既懂架构又懂细节的“超级开发者”。