在给定的选项中，以下两个算法最容易受到离群值的影响：

1. **A: KNN（K-近邻算法）**
2. **C: 等宽装箱法**

### 专业分析：

#### 1. KNN（K-近邻算法）
- **影响原因**：KNN 是一种基于距离的算法，在进行分类或回归时，通常使用欧氏距离等度量方法来计算样本之间的相似度。离群值会显著影响距离计算，使得这些异常点可能会不成比例地影响模型的预测。
- **表现**：离群值可能会成为 KNN 算法中的“近邻”，从而错误地影响待分类点的类别或数值预测。

#### 2. 等宽装箱法
- **影响原因**：等宽装箱法是将数据划分为等宽的区间，在这种方法中，离群值可能会导致某些区间包含的数据量非常少或者非常多，从而影响数据的分布描述。
- **表现**：如果离群值落在区间的边缘，它可能会导致某些区间几乎为空或集中大量异常值，这会影响基于分箱进行的任何后续分析（如直方图的形态等）。

### 其他选项分析：

#### B: 决策树
- 决策树通常对离群值具有一定的鲁棒性，因为它们基于信息增益或基尼指数来选择特征和分割点。但是，在极端情况下，离群值可能会影响树的分裂点。

#### D: 等分装箱法
- 等分装箱法是根据数据的分位数进行分箱，使得每个箱包含相等数量的样本，这种方法对离群值有一定的抵抗力，因为离群值不会改变箱的数量。

因此，KNN 和等宽装箱法是最容易受到离群值影响的两个算法。