图 1：本文封面，点明「不改顺序找篡改」的题目主题。
先说明属性：这是一篇历史题目复盘，出自本地历史面试资料，与任何公司的当前招聘无关。题面：一份原始数据在传输或存储后被改掉了一个数，给你原始副本和篡改后的副本，不许排序，找出改的是哪个数、改成了什么。隐含约束是 O(n) 时间、O(1) 空间。
面试现场，面试官禁掉排序，就是在等你说出「聚合特征」这四个字。排序要 O(n log n)，逐位比对要先对齐顺序——都不合格。
核心结论：不要逐位比对，对整份数据算「可逆聚合特征」。
原始副本算一份，篡改副本算一份，两个特征值一减，答案自己浮出来。具体用哪种特征，决定了你能解到什么程度。
路径一：求和，先拿到差值。
两份数据分别求和，差值 d 就是「新值 − 旧值」。一遍扫描、一个累加器，O(n) 时间 O(1) 空间。但只知道差还不够——差是 +5，可能是 4 改成 9，也可能是 1 改成 6，你定位不到原来是谁。
路径二：补上平方和，联立解方程。
再算平方和的差：新值² − 旧值² =（新值−旧值）×（新值+旧值）= d × s，其中 s 是两值之和。用 d 除一下就得到 s，于是有 新−旧=d、新+旧=s，二元一次方程直接解出旧值和新值。走查：原始 [3, 1, 4, 1, 5] 被改成 [3, 1, 9, 1, 5]，和差 +5、平方和差 +65，则 s=13，解得旧值 4、新值 9。两遍扫描、两个累加器，全程不排序。
路径三：异或，天然消对。
把原始全部与篡改后全部一起异或：没被动过的数两两抵消，最后剩下「旧值 ⊕ 新值」。它不能唯一反推两值（知道异或结果 13，推不出一定是 4 和 9），但它是判断「有没有被改」的最快办法，而且整数域内天然不怕加法溢出。如果题目变体是「缺了一个数」而不是「改了一个数」，异或结果直接就是缺失的那个数——连方程都不用解。
可运行的验证。
下面这份代码把三条路径都实现并走查，用 Node.js 22.15.0 直接运行（node tampered-number.js）：
'use strict';
// 和 + 平方和：找出被篡改的那一个数
function findTampered(original, tampered) {
let sumDiff = 0;
let sqDiff = 0;
for (let i = 0; i < original.length; i++) {
sumDiff += tampered[i] - original[i]; // = 新值 - 旧值
sqDiff += tampered[i] ** 2 - original[i] ** 2; // = (新-旧)(新+旧)
}
const sum = sqDiff / sumDiff; // = 新值 + 旧值
const newVal = (sumDiff + sum) / 2;
const oldVal = sum - newVal;
return { oldVal, newVal };
}
const original = [3, 1, 4, 1, 5];
const tampered = [3, 1, 9, 1, 5];
const hit = findTampered(original, tampered);
console.log('和差', tampered.reduce((a, b) => a + b, 0) - original.reduce((a, b) => a + b, 0),
'，平方和差', tampered.reduce((a, b) => a + b * b, 0) - original.reduce((a, b) => a + b * b, 0));
console.log('解出：旧值', hit.oldVal, '被改成新值', hit.newVal);
// 异或：同样的数两两抵消，剩下 旧值 ⊕ 新值
let x = 0;
for (const v of original) x ^= v;
for (const v of tampered) x ^= v;
console.log('异或结果（旧值 ⊕ 新值）：', x);
// 变体：缺了一个数，异或直接给出答案
function findMissing(full, incomplete) {
let m = 0;
for (const v of full) m ^= v;
for (const v of incomplete) m ^= v;
return m;
}
console.log('缺失的数：', findMissing([3, 1, 4, 1, 5], [3, 4, 1, 5]));
实测输出：
和差 5 ，平方和差 65
解出：旧值 4 被改成新值 9
异或结果（旧值 ⊕ 新值）： 13
缺失的数： 1
这套思路的真正价值在工程里。
数据管道传输后的完整性校验（校验和）、样本集的差异比对、文件分块的指纹，用的都是同一个思想：不比对每一条，而是比对「可逆聚合特征」。一个好特征要满足两个条件：对单点变化敏感（改一个数特征就变）、可差分（两个特征相减能反推变化）。和、平方和、异或、哈希，都是这个家族里不同强度的成员。
图 2：和、平方和与异或三条路径的解法结构。
可能的追问。
「改了两个数怎么办？」一路特征一个方程，解不出两个未知数——再加特征，比如立方和，或者先按异或结果分桶把问题拆开；特征的数量要追上未知量的数量。「数据很大会溢出吗？」平方和会，工程上要么用大数类型，要么换成异或或模运算。「为什么强调不排序？」排序本身 O(n log n) 还会打乱原顺序，聚合特征一遍流式扫描就能算，数据不落盘也做得完。
易错点清单。
一，只用求和就想定位具体数值——差值不是身份。二，平方和除以和差时没考虑差为零（根本没改数）的边界。三，把异或结果当成具体答案——它只给两值的混合信息。四，忽略溢出，大整数场景直接翻车。
回到面试现场，答题节奏建议：先否定排序与逐位比对，给出「聚合特征差分」的框架，再按和、平方和、异或递进补齐定位能力，最后主动谈溢出与多变量的变体。这类题的区分度，全在「你知道一个特征不够，还要知道缺几个、为什么」。
你在数据校验场景里用过哪种指纹？校验和、异或还是哈希？欢迎分享。