本节为 Obsidian 动态视图（自动关联列表），网页版暂不展示。
平面几何问题中，存在大量推理，以不断发散、自由组合的形式得出大量推论。形如
这个推理过程，有两种不同的实现思路
- 广度优先 - 即先把第一层的推理完成，再把第二层的推理完成
- 深度优先 - 即顺着第一个推理，继续基于这个推理产生第二个推理，继续基于第二个推理产生第三个推理，直到碰壁直到走不动 以上，同树形结构的广度遍历、深度遍历是一个道理。
那么，在解题推理过程中，我们如何应用这两种不同的思路？ 答案是：侧重深度推理、广度推理作为辅助
首先，题目的难度，体现在深度推理上。 题目一般不是考验我们根据一个信息，能得到3个还是4个推理；题目更多考验，能持续的多步推理，找到最后答案。 其次，优先深度推理，更高效
作为对比，在树形结构遍历上，深度、广度两种方式差异不大。 我们只需无差别访问一遍所有节点，要求全部访问，而且从一个节点到另一个节点并无难度差异。
但是在解题的推理中，和树形结构的遍历不同。 解题的推理，并非无差别，不需要完成所有推理——因此，才给正推一个“发散”的属性定义。解题中的推理，恰恰是有重点的选择方向，从而 有了 正推，平行结论选重点。
其次，从一个点到另一个点的链接难度，在树形遍历上并无不同。 但是在推理过程中，广度相对更容易，但不是全部需要；深度相对更难，反而是解题所需要的。
基于以上差异，如果广度推理做的多，会导致两个不好的地方：
- 做了一些无用的推理；且标示在图形上，会让图形散乱，进一步让思路散乱。
- 效率不够高，一条推理做了一步，换一条再走一步…回头再走第二步，这再思维上有大量重复、不连贯，很让人崩溃（在遍历树形数据时，由于暂存了节点，由于节点间无推理压力，因此没有这个困难现象）。 反面，就是深度推理的优点：①节约无谓的推理；②（连贯的）推理更高效
当然，不是完全放弃广度推理 广度推理是非常有必要的辅助
- 选择方向的必然要求。需要广度推理，对所有方向有个答题把我，从而找到重点方向。
- 留有后手，留有后路。但凡选择的重点方向失误，不至于束手无策，更容易的换条路重头再来。