递归是表达自然、但不一定最优的。是否使用分治，取决于两个问题：
- 问题是否可按同构子问题拆解；
- 子问题之间是否独立，能否高效合并。
与迭代的关系
很多递归都可改写为迭代，但会更复杂。 当递归层级浅、状态转换复杂，迭代通常更稳；当问题天然自相似，递归更清晰。
与动态规划的关系
当子问题重叠严重（斐波那契朴素递归典型）时，分治 + 缓存（记忆化）或 DP 更合适。 分治偏“只做一次”，DP 偏“做多次并复用”。
与回溯的关系
回溯遍历的是“可行解空间树”，并常伴随剪枝； 分治关注的是“问题结构树”，目标是规模缩小+合并重构。 两者都可用递归实现，但状态解释不同。
本章的 13 个编程 Lab 刻意不包含全排列、组合枚举和子集生成：这些题的核心是遍历选择空间并撤销选择，应该放在回溯专题中，而不是仅因为“代码用了递归”就归入分治。
决策小框架
- 有无重叠子问题？有则先考虑记忆化/DP；
- 是否必须搜索全部选择？是则考虑回溯；
- 是否能独立切块并高效合并？是则优先分治；
- 数据规模下栈深度是否可控？不可控则尽量改迭代。
本章小结
递归只是破局的工具，而非教条。
在面对考试或工业界真实的算法挑战时，你可以用分治写出极具表现力的初始解法，也可以在性能遭遇瓶颈的关键路径上将其替换为 DP 或是迭代。
一名成熟的开发者，应当能在思维的自然表达与机器的极致执行之间游刃有余地切换。关键并不在于你用了哪种语法，而在于算法的正确性与时空代价始终都在你的证明与掌控之中。