针对leetcode刷题效率低的问题，需建立系统性交互策略：一、结构化复述题干；二、分步引导型提示词；三、结构化测试验证；四、双路径解法对比；五、沉淀为个人知识库。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您正在为技术面试做准备，但LeetCode刷题效率低下、思路卡顿或代码实现反复出错，则可能是由于缺乏系统性交互策略与模型能力匹配机制。以下是针对该目标的实操路径：
一、结构化复述题干
DeepSeek对算法题的理解高度依赖清晰、结构化的题干表达。直接粘贴原始题目常因格式混乱导致模型误读关键限制，如时间复杂度要求、数据范围或特殊边界条件。
1、打开LeetCode题目页面，定位“题目描述”区域。
2、用中文逐条摘录函数签名、输入参数类型与含义、输出要求、示例输入/输出、特别说明（如“不能使用额外空间”“数组已排序”）。
3、将摘录内容组织为三段式结构：第一段写“题目名称+一句话功能定义”；第二段写“输入：……；输出：……；约束：……”；第三段写“示例：输入……输出……”。
4、在向DeepSeek发送前，检查是否所有数字范围（如-10^5 ≤ nums[i] ≤ 10^5）和布尔条件（如数组中恰好有一个解）均未遗漏或缩写。
二、构造分步引导型提示词
一次性要求“给出完整代码”易触发模型生成低质量通解。应拆解为思维链指令，强制模型暴露推理过程，便于定位卡点。
1、首句声明角色：你是一名资深算法教练，正在指导我逐步攻克这道题。
2、第二句指定步骤：请严格按以下顺序回应：①分析题目类型（如双指针、DFS剪枝）及最优解法选择依据；②手写关键变量定义与初始化逻辑；③用中文逐行注释核心循环/递归体；④最后给出Python实现。
3、第三句设置纠错机制：若我的后续追问涉及某行代码报错，请先复现错误信息再分析原因。
4、将整理好的题干与上述提示词合并为单次输入，不换行、不加空行。
三、验证解法正确性的交互策略
DeepSeek可能生成看似合理但存在边界漏洞的代码，如忽略空输入、整数溢出或索引越界。需通过结构化测试用例驱动模型自我检验。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
1、在获得初始代码后，立即追加提问：请基于以下3个测试用例验证你的解法：①空输入（如[]）；②极小规模（如[1,2]）；③含重复/负数/边界值（如[-1,0,1,2,-1,-4]）。
2、要求模型输出每组输入的执行路径追踪，格式为：输入[1,2] → 初始化left=0,right=1 → 进入while循环 → 计算sum。
3、若某测试用例失败，立即提供该用例的完整错误栈与上下文环境版本信息。
四、双路径提示法应对高频难题
面对经典高频题（如LRU缓存、接雨水、子序列和），采用对比式提示可激发模型多角度建模能力，避免陷入单一解法惯性。
1、输入提示：问题：实现LRU缓存，要求时间复杂度O(1)。请先解释哈希表+双向链表的实现思路，再用ES6的Map特性给出更简化的方案。
2、对LeetCode 1755“最接近目标值的子序列和”，使用：请分别用暴力枚举（适用于n≤20）和折半搜索+二分查找（适用于n≤40）两种方式实现，并标注各自适用的数据规模边界。
3、要求模型在输出代码时，同步标注每种方案的实际运行时间（ms）与内存占用（MB），基于LeetCode官方测试集模拟结果。
五、沉淀为个人知识库
每次成功交互后，将模型输出的关键逻辑、边界处理技巧与典型错误模式固化为可检索的本地知识单元，形成对抗遗忘的长期记忆锚点。
1、提取模型在分析阶段提出的题目分类标签（如“动态规划-状态压缩”“回溯-剪枝条件”），作为笔记一级分类。
2、保存模型在验证阶段暴露出的失效测试用例（如输入[0]时未处理单元素边界），归入“易错模式”子库。
3、将模型提供的替代解法对比表（时间/空间复杂度、代码行数、可读性评分），嵌入对应题目的Markdown笔记头部。
