从根出发，每层比较一次决定走左或走右，箭头方向就是BST不变式给出的查找路径。

从根节点出发，每层用key比较筛选方向，直到命中或落空。

在一个有序数组里找数字，每次和中间元素比较就能砍掉一半——这就是二分查找。但数组插入删除太慢，BST 把这个「砍半」的逻辑搬进了树结构里。

把"在BST里找一个值"拆解为层层缩小的递归调用，每一步都在严格缩小问题规模。

把递归的'调用栈'换成 while 循环,逐步展开迭代查找的执行路径。

在一棵BST上演示查找12的完整路径：从根起，每步与当前节点比大小决定走向。

关于BST查找的递归与迭代实现，以下哪项描述是正确的？

把上一页的"分解"翻译成真实代码——递归查找的 Python 实现。

L3-L4 是两个停止口；L8、L11 是两次自我调用，分别把问题规模缩到左/右子树。

把递归的「向下递归」翻译成 while 循环，搜索路径完全一致，只是消掉了调用栈。

迭代版本用 cur 指针沿搜索路径下沉，三次比较对应「命中 / 走左 / 走右」三种状态，循环退出只有两种：命中 return cur，或路径到尽头 return None。

BST 查找两种写法都能正确，但性能和适用场景差异不小——选错可能导致栈溢出。

前面看了递归与迭代两种实现，现在问个根本问题：查找到底有多快？答案不在节点个数 n，而在树的高度 h——这个隐藏变量决定了 O(log n) 还是 O(n)。

把查找算法丢进四种最极端的树形里跑一遍，看它会不会崩。

你去图书馆查一本书，管理员查完系统后说'没有'——这不是系统坏了，而是明确告诉你：这本书确实不在馆藏里。BST 查找返回 null，含义完全一样。

上一页得到 BST 查找是 O(h)，h 是树高。h 不是常数——同一组数据，插入顺序不同，h 可从 log n 涨到 n，效率差几个量级。

• ✓左小右大是结构承诺，搜索本质是一路剪枝
• ✓递归直观简洁，迭代无栈深风险更稳
• ✓时间复杂度O(h)，h由树形而非数据量决定
• ✓终止顺序：先判null（区间空）后判等值（命中）
• ✓查找失败返回null是契约，由调用方判空

先自己想，再看参考答案。这三个问题没有标准答案，重点是思考路径本身。