用 AI 工具提升刷题效率的实验报告这些看似聪明的做法别照搬AI 可以协助解释思路、生成测试和指出可疑边界但不能替代复杂度推导和正确性验证。最常见的误用是复制一段“能跑”的代码后跳过了不变量、边界条件和测试。三个不宜照搬的做法让模型直接重写整题。范围越大越难判断改动是否保持原意优先要求小 Patch 和解释。把模型给出的复杂度当结论。复杂度应从循环、递归树或数据结构操作重新推导。用少量样例代替测试。样例通过并不代表处理了空输入、重复值、溢出和极端规模。一个可复现的检查流程题目与约束 - 自己写出状态/不变量 - 请模型提出候选思路 - 对照约束审查 - 编写边界与随机测试 - 运行基准并记录条件对同一题目比较提示策略时固定题目集、模型版本、输入上下文和判题规则。记录通过率、人工修改量、失败类型和运行成本不要把有限样本的结果描述成普遍规律。def check_cases(solution, cases): for data, expected in cases: actual solution(data) assert actual expected, (data, expected, actual)例如模型给出双指针解法时先问一个具体问题数组里有重复值、目标不存在或者输入长度不足两个元素时循环是否仍会推进并终止。把这类反例写进cases比只让模型“再检查一次”更可靠。使用 AI 的收益来自更快地形成假设和测试而不是把验证责任交给工具。