这次我们来看一个专门为 LeetCode 刷题者设计的 AI 侧边栏工具。它的核心思路很直接当你卡在一道算法题时它不会直接给你答案而是像一位苏格拉底式的导师通过提问和提示引导你独立思考找到解题路径。对于希望真正提升算法能力而非仅仅“抄答案”的开发者来说这是一个值得关注的开源项目。这个项目解决了 LeetCode 练习中的一个常见痛点——过度依赖题解。直接看答案虽然快但容易形成思维惰性下次遇到类似问题可能还是不会。而这个 AI 侧边栏工具通过集成大语言模型的推理能力在你解题的每个阶段提供启发性的提示旨在锻炼你的问题分解和算法设计能力。本文将带你了解它的核心功能、如何本地或云端部署、如何进行效果测试以及如何将其集成到你的日常刷题工作流中。1. 核心能力速览能力项说明项目类型浏览器扩展 / AI 编程助手核心功能在 LeetCode 题目页面侧边栏提供苏格拉底式提示非直接答案交互方式浏览器侧边栏对话支持多轮引导式提问AI 模型支持理论上兼容提供 API 的大语言模型如 OpenAI GPT, Claude, 本地模型等部署方式浏览器扩展安装 后端 API 服务配置可本地/云端硬件门槛主要取决于后端 AI 模型。若使用云端 API如 OpenAI则对本地硬件无要求若本地部署模型则需相应 GPU/CPU 资源。是否支持批量任务不支持传统意义上的批量处理但支持连续对话可针对同一题目的不同部分进行多轮提示。是否支持 API是其核心是一个后端服务提供处理提示请求的 API 接口。适合场景个人算法学习、思维训练、面试准备不适合直接获取代码答案或竞赛作弊。2. 适用场景与使用边界这个工具的目标用户非常明确正在通过 LeetCode 系统性提升算法与数据结构能力的软件工程师、学生或求职者。如果你发现自己经常看完题目就忍不住去翻“Discuss”区或题解那么这个工具可能帮助你改变这一习惯通过主动思考来加深理解。它能解决的核心问题打破思维僵局当你在某个解题步骤如状态定义、边界条件、优化思路卡住时获得一个推动性的问题而非现成代码。培养问题分解能力AI 的提示往往会引导你将复杂问题拆解为更小、更易处理的子问题。减少对答案的依赖通过引导式互动逐步构建自己的解决方案提升学习留存率和举一反三的能力。它不适合的场景直接获取竞赛排名工具的设计初衷是学习而非在计时竞赛中获取不公平优势。替代基础学习如果你对基本的数据结构如链表、树或算法思想如动态规划、回溯完全陌生应先通过教程学习基础而非完全依赖提示。代码调试与语法纠错其主要功能是算法思路提示对于代码中的语法错误或运行时 Bug可能不是最有效的工具。使用边界与合规提醒学术诚信在作为课程作业或考试的一部分时请严格遵守所在机构关于 AI 工具使用的规定。版权与数据该工具与 LeetCode 平台交互应仅用于个人学习不得用于大规模抓取题目数据或进行任何干扰平台正常服务的行为。模型责任提示的质量和方向取决于后端接入的 AI 模型。开发者需确保模型的使用符合其服务条款并注意提示内容的安全性、无害性。3. 环境准备与前置条件要运行这个 AI LeetCode 侧边栏你需要准备两个部分浏览器扩展和后端 API 服务。1. 浏览器环境一款现代浏览器如 Chrome, Edge, Firefox。了解如何加载“开发者模式”下的浏览器扩展。2. 后端服务环境二选一方案A使用云端AI服务推荐起步一个可访问的云端大语言模型 API例如 OpenAI GPT-3.5/4, Anthropic Claude, 或国内可用的合规大模型 API。相应的 API Key。一台可以运行简单后端服务的计算机本地或云服务器均可用于中转请求避免在前端暴露 API Key。方案B本地部署AI模型高阶具备足够资源的本地机器。若使用 GPU 加速需安装 CUDA 和对应框架如 PyTorch, TensorFlow。能够本地部署并提供 API 接口的开源大语言模型如 CodeLlama, DeepSeek-Coder 等代码模型。足够的磁盘空间存放模型文件通常需要 10GB。3. 开发环境如需从源码构建Node.js 和 npm/yarn用于构建浏览器扩展。Python 3.8用于运行后端服务。Git用于克隆项目仓库。4. 安装部署与启动方式由于项目具体实现会因版本而异这里给出一个通用的部署流程框架。你需要根据项目的实际源码结构进行调整。步骤一获取项目代码通常这类开源项目会托管在 GitHub 上。使用 Git 克隆仓库到本地。git clone 项目仓库地址 cd 项目目录步骤二配置后端服务后端服务通常是一个简单的 Web 服务器接收前端扩展的请求调用 AI API并返回处理后的提示。安装 Python 依赖查看项目根目录或backend/目录下的requirements.txt或pyproject.toml文件。cd backend pip install -r requirements.txt配置 API Key 或模型路径通常需要一个配置文件如.env文件或直接修改代码中的配置部分。例如# .env 文件示例 OPENAI_API_KEYyour_openai_api_key_here MODEL_NAMEgpt-4-turbo API_BASEhttps://api.openai.com/v1如果使用本地模型配置可能指向本地服务的 URL 和端口。启动后端服务运行主 Python 文件。python app.py # 或 uvicorn main:app --host 0.0.0.0 --port 8000服务启动后记录下访问地址例如http://localhost:8000。步骤三构建与加载浏览器扩展安装前端依赖进入扩展目录如extension/。cd extension npm install配置后端地址在扩展的配置文件如config.js或manifest.json的某个配置项中填入上一步启动的后端服务地址。// config.js 示例 const BACKEND_API_URL http://localhost:8000/api/hint;构建扩展如果需要npm run build构建后会在dist/或build/目录生成扩展文件。加载扩展打开浏览器进入扩展管理页面如chrome://extensions/。开启“开发者模式”。点击“加载已解压的扩展程序”选择包含manifest.json文件的扩展目录通常是dist/或extension/目录本身。步骤四验证基础连接确保后端服务正在运行。在浏览器中访问 LeetCode 任意一道题目页面。检查页面侧边是否出现了工具的面板或按钮。尝试在工具面板中输入当前题目的困惑点看是否能收到来自后端 AI 的提示响应。首次使用可观察后端服务的控制台日志查看请求是否成功接收和处理。5. 功能测试与效果验证部署完成后需要通过实际使用来验证工具的核心功能是否达到预期。5.1 测试准备选择几道不同难度和类型的 LeetCode 题目例如简单题用于测试基础交互是否正常。中等题动态规划/回溯用于测试工具在复杂逻辑引导上的能力。困难题用于测试其在优化思路和边界条件思考上的提示深度。5.2 苏格拉底式提示测试这是核心测试。不要直接问“答案是什么”而是描述你的思考卡点。测试用例LeetCode 15. 三数之和初始状态你理解题目要找nums[i] nums[j] nums[k] 0但暴力三重循环会超时。输入提示在侧边栏输入“我想到用三重循环但时间复杂度是 O(n^3)。如何优化”预期响应AI 不应直接给出“使用排序双指针”的代码。理想的苏格拉底式提示可能包括“如果数组是有序的对寻找两数之和有什么帮助”“你可以先固定一个数然后问题是否转化为了在剩余部分寻找两数之和”“对于有序数组除了哈希表有没有一种可以在 O(n) 时间内找到两数之和的方法”判断成功AI 的回复是一个或多个引导性问题帮助你联想到“排序”、“双指针”等关键步骤而不是给出具体代码片段。5.3 多轮对话连续性测试测试工具是否能根据上下文进行连贯提示。第一轮针对“三数之和”你根据提示想到了排序和双指针。第二轮输入新问题“我实现了双指针但结果中有重复的三元组怎么去重”预期响应AI 应能结合上一轮上下文针对“去重”给出提示例如“当固定第一个数或移动左右指针时如果下一个元素与当前元素相同跳过它会发生什么”判断成功提示与当前实现阶段的具体问题去重相关且延续了之前的解题思路。5.4 不同题型适配性测试测试工具对不同算法范式的提示能力。二叉树题目输入“我在递归遍历时搞不清返回条件”。期望提示围绕递归终止条件、节点为空的情况展开。动态规划题目输入“我无法定义 dp 数组的状态”。期望提示引导思考“子问题是什么”、“状态如何表示”。图论题目输入“不知道用 BFS 还是 DFS”。期望提示对比两种方法在此场景下的适用性如最短路径 vs 连通性。5.5 失败情况分析无响应或错误检查浏览器控制台F12的网络请求看前端是否成功发送请求到后端后端是否返回了错误信息。常见原因是后端服务地址配置错误、API Key 无效或模型服务异常。提示质量低下表现为直接给出代码、答非所问或提示过于模糊。这可能与后端连接的 AI 模型能力、提示词工程Prompt Engineering的设计有关。需要调整后端发送给 AI 模型的系统提示System Prompt明确其“苏格拉底引导者”的角色。侧边栏不显示检查浏览器扩展是否已成功启用并确认其活动权限是否包含leetcode.com域名。有些扩展需要刷新 LeetCode 页面后才能注入。6. 接口 API 与批量任务虽然这个工具本身不处理“批量任务”但其后端 API 是核心理解它有助于自定义和调试。6.1 API 接口设计一个典型的请求/响应格式可能如下请求端点POST /api/hint请求头Content-Type: application/json请求体示例{ problem_context: { title: 3Sum, description: Given an integer array nums, return all the triplets [nums[i], nums[j], nums[k]] such that i ! j ! k and nums[i] nums[j] nums[k] 0., difficulty: Medium, tags: [Array, Two Pointers, Sorting] }, user_query: 我想到用三重循环但时间复杂度是 O(n^3)。如何优化, conversation_history: [] // 可选用于多轮对话 }响应体示例{ hint: 如果数组是有序的对寻找两数之和有什么帮助你可以先固定一个数然后问题是否转化为了在剩余部分寻找两数之和, suggested_keywords: [sorting, two pointers] }6.2 使用 Python 测试 API在部署好后端后你可以直接使用curl或 Python 脚本测试 API 是否工作正常。import requests import json api_url http://localhost:8000/api/hint headers {Content-Type: application/json} payload { problem_context: { title: Two Sum, description: Given an array of integers nums and an integer target, return indices of the two numbers such that they add up to target., difficulty: Easy, tags: [Array, Hash Table] }, user_query: 我用哈希表解决了时间复杂度是 O(n)。如果要求空间复杂度 O(1) 该怎么做, conversation_history: [] } response requests.post(api_url, headersheaders, datajson.dumps(payload), timeout30) if response.status_code 200: result response.json() print(fAI Hint: {result.get(hint)}) else: print(fError: {response.status_code}, {response.text})6.3 扩展思路半自动化批处理学习虽然工具本身是交互式的但你可以利用其 API 进行一些半自动化的学习分析收集错题将自己常错的题目信息标题、描述、你的初始思路整理成 JSON 列表。脚本请求提示编写脚本遍历错题列表自动向你的后端服务发送请求获取针对每道题“第一思考卡点”的提示。生成提示集将返回的提示保存下来形成一份针对你个人薄弱点的“启发式提示集”用于定期复习。注意这需要你根据项目实际的 API 格式进行适配并且应遵守 LeetCode 的使用条款避免高频请求。7. 资源占用与性能观察资源占用完全取决于你选择的后端 AI 模型部署方式。1. 使用云端 API如 OpenAI本地资源占用极低。你的后端服务只是一个轻量的 HTTP 代理CPU 和内存消耗很小。性能关键点网络延迟和云端 API 的响应速度。一次提示请求的总耗时通常在 2-10 秒之间。观察方法在后端服务日志中记录每个请求的耗时。关注是否有超时请求。2. 本地部署模型如 CodeLlama 7B/13BGPU 显存占用这是主要瓶颈。一个 7B 参数的模型以 FP16 精度加载可能需要 14GB 以上的 GPU 显存。使用量化技术如 GPTQ, AWQ可以大幅降低至 6GB 或更低。CPU 内存占用如果用 CPU 推理模型会被加载到内存。一个 7B 的模型大约需要 14GB 的内存。推理速度首次生成Prompt Processing较慢后续的生成速度取决于你的硬件。在消费级 GPU 上生成一段提示可能需要数秒到十几秒。观察方法GPU使用nvidia-smi命令观察显存占用和利用率。CPU/内存使用htop或任务管理器观察。服务监控在后端代码中集成日志记录每个请求的模型推理时长。优化建议起步阶段强烈建议从云端 API 开始成本低配置简单性能稳定。本地部署如果追求数据隐私或长期成本再考虑本地部署。优先选择量化后的模型并确保你的硬件GPU 显存或 CPU 内存满足要求。缓存机制对于常见的、通用的提示问题例如“什么是动态规划”可以在后端实现简单的缓存避免重复调用模型提升响应速度。8. 常见问题与排查方法问题现象可能原因排查方式解决方案浏览器侧边栏不显示或无法交互1. 扩展未正确加载2. 内容脚本未在 leetcode.com 注入3. 扩展权限不足1. 检查chrome://extensions/中扩展是否启用。2. 打开 LeetCode 页面按 F12 进入开发者工具查看“控制台”有无错误查看“元素”中侧边栏 DOM 是否存在。3. 检查扩展的manifest.json中permissions和content_scripts是否包含leetcode.com。1. 重新加载扩展。2. 刷新 LeetCode 页面。3. 检查并修正manifest.json配置。点击按钮或发送提示后无反应1. 前端未连接到后端2. 后端服务未启动3. 网络请求被 CORS 阻止1. 按 F12 打开“网络”选项卡查看发送的请求是否成功状态码是什么。2. 检查后端服务进程是否运行端口是否监听netstat -an | grep 端口号或lsof -i:端口号。3. 查看网络请求是否报 CORS 错误。1. 确认前端配置的后端地址正确。2. 启动后端服务。3. 在后端服务中添加 CORS 中间件如 Flask-CORS, FastAPI 的CORSMiddleware。后端服务启动失败Python1. 依赖包缺失或版本冲突2. 端口被占用3. API Key 等配置错误1. 查看启动错误信息通常是ModuleNotFoundError。2. 检查端口占用情况。3. 检查.env文件或环境变量是否设置正确。1. 根据错误信息安装依赖或创建虚拟环境。2. 更换服务端口。3. 核对配置文件。收到 AI 响应但提示质量差如直接给答案1. 系统提示词System Prompt设计不佳2. AI 模型本身指令遵循能力弱1. 查看后端代码中发送给 AI 模型的“系统消息”内容。2. 测试不同的模型如从 GPT-3.5 切换到 GPT-4。1. 强化系统提示词明确要求其扮演“引导者”例如“你是一位编程导师。请通过提问和提示引导用户思考不要直接给出 LeetCode 题目的完整代码或算法名称。目标是帮助用户自己找到解决方案。”2. 更换或微调更擅长遵循指令的模型。本地模型推理速度极慢1. 硬件资源不足GPU 显存小用到了内存交换2. 模型未量化精度过高3. 推理参数如 max_tokens设置过大1. 使用nvidia-smi或系统监控工具查看资源使用率。2. 检查加载的模型文件是否为量化版本如.gguf,.gptq后缀。3. 检查后端调用模型时的生成参数。1. 升级硬件或使用更小的模型。2. 使用量化后的模型版本。3. 调整生成参数限制生成长度。API 调用超时或频繁失败云端1. 网络不稳定2. 云端 API 达到速率限制或配额耗尽3. 请求内容过长1. 检查网络连接。2. 查看云端 API 提供商的控制台检查用量和错误信息。3. 简化problem_context中的描述。1. 优化网络环境。2. 升级 API 套餐或等待限制重置。3. 对题目描述进行摘要只保留关键信息。9. 最佳实践与使用建议要让这个工具发挥最大效用而不仅仅是另一个“玩具”可以参考以下实践明确使用目标在打开工具前先自己思考题目至少 10-15 分钟明确卡在哪个具体环节是思路方向错误是边界条件没想清还是优化无从下手然后再向工具提问。提问要具体不要问“这题怎么做”。要像向真人导师请教一样描述你的思考过程例如“我尝试用 DFS但递归终止条件总是写不对当 target 小于 0 时返回但好像漏了情况。”与官方题解结合在使用工具获得一些启发并尝试自己写出代码后再去对比 LeetCode 的官方题解或高质量社区解。分析你的解法与最优解在思路和实现上的差异这是能力提升的关键。维护个人提示库将那些对你启发很大的 AI 提示记录下来并标注对应的题目和知识点。久而久之这会形成一份高度个性化的“思维训练指南”。后端服务配置优化提示词工程花时间精心设计后端发送给 AI 的“系统提示词”这是决定提示质量的核心。可以加入角色设定、输出格式要求、禁止事项等。模型选择如果使用本地模型针对代码和推理任务选择 CodeLlama、DeepSeek-Coder 等代码预训练模型通常比通用聊天模型效果更好。服务安全如果你的后端服务部署在公网例如方便多设备使用务必设置身份验证或 IP 白名单防止 API 被滥用。合规与道德使用始终将工具作为学习的“脚手架”而非“作弊器”。尊重平台规则将其用于真正的技能成长。10. 总结与下一步这个 AI LeetCode 侧边栏项目提供了一个有趣的思路将大语言模型的对话能力聚焦到算法学习这个垂直领域通过苏格拉底式的引导来促进深度思考。它最大的价值在于改变了人机交互的模式——从被动接收答案变为主动探索思路。对于想要尝试的开发者第一步不是急于部署而是先明确你的需求如果只是为了体验使用云端 API 搭配开源的前后端代码是最快路径如果你对数据隐私有要求或想深入研究模型微调再考虑本地部署的方案。部署过程中最可能遇到的坑是前后端连接和提示词质量。按照本文的排查清单大部分问题都能解决。效果验证阶段务必用不同难度和类型的题目去测试感受其提示的针对性和有效性。下一步你可以考虑个性化微调如果你积累了大量“我的思考”和“理想提示”的数据对可以尝试微调一个小模型使其提示风格更符合你的思维习惯。集成开发环境将类似思路集成到 VSCode 等 IDE 的插件中不限于 LeetCode可以针对日常编码中的算法问题进行实时提示。构建知识图谱将 AI 的提示与算法知识点关联起来形成可视化的知识薄弱点地图让学习更有系统性。工具最终只是工具它的效果取决于你如何使用它。把它当作一位严格的陪练而不是提供答案的枪手你的算法能力才能真正得到锤炼。建议收藏本文在部署和调试时作为参考。
这次我们来看一个专门为 LeetCode 刷题者设计的 AI 侧边栏工具。它的核心思路很直接当你卡在一道算法题时它不会直接给你答案而是像一位苏格拉底式的导师通过提问和提示引导你独立思考找到解题路径。对于希望真正提升算法能力而非仅仅“抄答案”的开发者来说这是一个值得关注的开源项目。这个项目解决了 LeetCode 练习中的一个常见痛点——过度依赖题解。直接看答案虽然快但容易形成思维惰性下次遇到类似问题可能还是不会。而这个 AI 侧边栏工具通过集成大语言模型的推理能力在你解题的每个阶段提供启发性的提示旨在锻炼你的问题分解和算法设计能力。本文将带你了解它的核心功能、如何本地或云端部署、如何进行效果测试以及如何将其集成到你的日常刷题工作流中。1. 核心能力速览能力项说明项目类型浏览器扩展 / AI 编程助手核心功能在 LeetCode 题目页面侧边栏提供苏格拉底式提示非直接答案交互方式浏览器侧边栏对话支持多轮引导式提问AI 模型支持理论上兼容提供 API 的大语言模型如 OpenAI GPT, Claude, 本地模型等部署方式浏览器扩展安装 后端 API 服务配置可本地/云端硬件门槛主要取决于后端 AI 模型。若使用云端 API如 OpenAI则对本地硬件无要求若本地部署模型则需相应 GPU/CPU 资源。是否支持批量任务不支持传统意义上的批量处理但支持连续对话可针对同一题目的不同部分进行多轮提示。是否支持 API是其核心是一个后端服务提供处理提示请求的 API 接口。适合场景个人算法学习、思维训练、面试准备不适合直接获取代码答案或竞赛作弊。2. 适用场景与使用边界这个工具的目标用户非常明确正在通过 LeetCode 系统性提升算法与数据结构能力的软件工程师、学生或求职者。如果你发现自己经常看完题目就忍不住去翻“Discuss”区或题解那么这个工具可能帮助你改变这一习惯通过主动思考来加深理解。它能解决的核心问题打破思维僵局当你在某个解题步骤如状态定义、边界条件、优化思路卡住时获得一个推动性的问题而非现成代码。培养问题分解能力AI 的提示往往会引导你将复杂问题拆解为更小、更易处理的子问题。减少对答案的依赖通过引导式互动逐步构建自己的解决方案提升学习留存率和举一反三的能力。它不适合的场景直接获取竞赛排名工具的设计初衷是学习而非在计时竞赛中获取不公平优势。替代基础学习如果你对基本的数据结构如链表、树或算法思想如动态规划、回溯完全陌生应先通过教程学习基础而非完全依赖提示。代码调试与语法纠错其主要功能是算法思路提示对于代码中的语法错误或运行时 Bug可能不是最有效的工具。使用边界与合规提醒学术诚信在作为课程作业或考试的一部分时请严格遵守所在机构关于 AI 工具使用的规定。版权与数据该工具与 LeetCode 平台交互应仅用于个人学习不得用于大规模抓取题目数据或进行任何干扰平台正常服务的行为。模型责任提示的质量和方向取决于后端接入的 AI 模型。开发者需确保模型的使用符合其服务条款并注意提示内容的安全性、无害性。3. 环境准备与前置条件要运行这个 AI LeetCode 侧边栏你需要准备两个部分浏览器扩展和后端 API 服务。1. 浏览器环境一款现代浏览器如 Chrome, Edge, Firefox。了解如何加载“开发者模式”下的浏览器扩展。2. 后端服务环境二选一方案A使用云端AI服务推荐起步一个可访问的云端大语言模型 API例如 OpenAI GPT-3.5/4, Anthropic Claude, 或国内可用的合规大模型 API。相应的 API Key。一台可以运行简单后端服务的计算机本地或云服务器均可用于中转请求避免在前端暴露 API Key。方案B本地部署AI模型高阶具备足够资源的本地机器。若使用 GPU 加速需安装 CUDA 和对应框架如 PyTorch, TensorFlow。能够本地部署并提供 API 接口的开源大语言模型如 CodeLlama, DeepSeek-Coder 等代码模型。足够的磁盘空间存放模型文件通常需要 10GB。3. 开发环境如需从源码构建Node.js 和 npm/yarn用于构建浏览器扩展。Python 3.8用于运行后端服务。Git用于克隆项目仓库。4. 安装部署与启动方式由于项目具体实现会因版本而异这里给出一个通用的部署流程框架。你需要根据项目的实际源码结构进行调整。步骤一获取项目代码通常这类开源项目会托管在 GitHub 上。使用 Git 克隆仓库到本地。git clone 项目仓库地址 cd 项目目录步骤二配置后端服务后端服务通常是一个简单的 Web 服务器接收前端扩展的请求调用 AI API并返回处理后的提示。安装 Python 依赖查看项目根目录或backend/目录下的requirements.txt或pyproject.toml文件。cd backend pip install -r requirements.txt配置 API Key 或模型路径通常需要一个配置文件如.env文件或直接修改代码中的配置部分。例如# .env 文件示例 OPENAI_API_KEYyour_openai_api_key_here MODEL_NAMEgpt-4-turbo API_BASEhttps://api.openai.com/v1如果使用本地模型配置可能指向本地服务的 URL 和端口。启动后端服务运行主 Python 文件。python app.py # 或 uvicorn main:app --host 0.0.0.0 --port 8000服务启动后记录下访问地址例如http://localhost:8000。步骤三构建与加载浏览器扩展安装前端依赖进入扩展目录如extension/。cd extension npm install配置后端地址在扩展的配置文件如config.js或manifest.json的某个配置项中填入上一步启动的后端服务地址。// config.js 示例 const BACKEND_API_URL http://localhost:8000/api/hint;构建扩展如果需要npm run build构建后会在dist/或build/目录生成扩展文件。加载扩展打开浏览器进入扩展管理页面如chrome://extensions/。开启“开发者模式”。点击“加载已解压的扩展程序”选择包含manifest.json文件的扩展目录通常是dist/或extension/目录本身。步骤四验证基础连接确保后端服务正在运行。在浏览器中访问 LeetCode 任意一道题目页面。检查页面侧边是否出现了工具的面板或按钮。尝试在工具面板中输入当前题目的困惑点看是否能收到来自后端 AI 的提示响应。首次使用可观察后端服务的控制台日志查看请求是否成功接收和处理。5. 功能测试与效果验证部署完成后需要通过实际使用来验证工具的核心功能是否达到预期。5.1 测试准备选择几道不同难度和类型的 LeetCode 题目例如简单题用于测试基础交互是否正常。中等题动态规划/回溯用于测试工具在复杂逻辑引导上的能力。困难题用于测试其在优化思路和边界条件思考上的提示深度。5.2 苏格拉底式提示测试这是核心测试。不要直接问“答案是什么”而是描述你的思考卡点。测试用例LeetCode 15. 三数之和初始状态你理解题目要找nums[i] nums[j] nums[k] 0但暴力三重循环会超时。输入提示在侧边栏输入“我想到用三重循环但时间复杂度是 O(n^3)。如何优化”预期响应AI 不应直接给出“使用排序双指针”的代码。理想的苏格拉底式提示可能包括“如果数组是有序的对寻找两数之和有什么帮助”“你可以先固定一个数然后问题是否转化为了在剩余部分寻找两数之和”“对于有序数组除了哈希表有没有一种可以在 O(n) 时间内找到两数之和的方法”判断成功AI 的回复是一个或多个引导性问题帮助你联想到“排序”、“双指针”等关键步骤而不是给出具体代码片段。5.3 多轮对话连续性测试测试工具是否能根据上下文进行连贯提示。第一轮针对“三数之和”你根据提示想到了排序和双指针。第二轮输入新问题“我实现了双指针但结果中有重复的三元组怎么去重”预期响应AI 应能结合上一轮上下文针对“去重”给出提示例如“当固定第一个数或移动左右指针时如果下一个元素与当前元素相同跳过它会发生什么”判断成功提示与当前实现阶段的具体问题去重相关且延续了之前的解题思路。5.4 不同题型适配性测试测试工具对不同算法范式的提示能力。二叉树题目输入“我在递归遍历时搞不清返回条件”。期望提示围绕递归终止条件、节点为空的情况展开。动态规划题目输入“我无法定义 dp 数组的状态”。期望提示引导思考“子问题是什么”、“状态如何表示”。图论题目输入“不知道用 BFS 还是 DFS”。期望提示对比两种方法在此场景下的适用性如最短路径 vs 连通性。5.5 失败情况分析无响应或错误检查浏览器控制台F12的网络请求看前端是否成功发送请求到后端后端是否返回了错误信息。常见原因是后端服务地址配置错误、API Key 无效或模型服务异常。提示质量低下表现为直接给出代码、答非所问或提示过于模糊。这可能与后端连接的 AI 模型能力、提示词工程Prompt Engineering的设计有关。需要调整后端发送给 AI 模型的系统提示System Prompt明确其“苏格拉底引导者”的角色。侧边栏不显示检查浏览器扩展是否已成功启用并确认其活动权限是否包含leetcode.com域名。有些扩展需要刷新 LeetCode 页面后才能注入。6. 接口 API 与批量任务虽然这个工具本身不处理“批量任务”但其后端 API 是核心理解它有助于自定义和调试。6.1 API 接口设计一个典型的请求/响应格式可能如下请求端点POST /api/hint请求头Content-Type: application/json请求体示例{ problem_context: { title: 3Sum, description: Given an integer array nums, return all the triplets [nums[i], nums[j], nums[k]] such that i ! j ! k and nums[i] nums[j] nums[k] 0., difficulty: Medium, tags: [Array, Two Pointers, Sorting] }, user_query: 我想到用三重循环但时间复杂度是 O(n^3)。如何优化, conversation_history: [] // 可选用于多轮对话 }响应体示例{ hint: 如果数组是有序的对寻找两数之和有什么帮助你可以先固定一个数然后问题是否转化为了在剩余部分寻找两数之和, suggested_keywords: [sorting, two pointers] }6.2 使用 Python 测试 API在部署好后端后你可以直接使用curl或 Python 脚本测试 API 是否工作正常。import requests import json api_url http://localhost:8000/api/hint headers {Content-Type: application/json} payload { problem_context: { title: Two Sum, description: Given an array of integers nums and an integer target, return indices of the two numbers such that they add up to target., difficulty: Easy, tags: [Array, Hash Table] }, user_query: 我用哈希表解决了时间复杂度是 O(n)。如果要求空间复杂度 O(1) 该怎么做, conversation_history: [] } response requests.post(api_url, headersheaders, datajson.dumps(payload), timeout30) if response.status_code 200: result response.json() print(fAI Hint: {result.get(hint)}) else: print(fError: {response.status_code}, {response.text})6.3 扩展思路半自动化批处理学习虽然工具本身是交互式的但你可以利用其 API 进行一些半自动化的学习分析收集错题将自己常错的题目信息标题、描述、你的初始思路整理成 JSON 列表。脚本请求提示编写脚本遍历错题列表自动向你的后端服务发送请求获取针对每道题“第一思考卡点”的提示。生成提示集将返回的提示保存下来形成一份针对你个人薄弱点的“启发式提示集”用于定期复习。注意这需要你根据项目实际的 API 格式进行适配并且应遵守 LeetCode 的使用条款避免高频请求。7. 资源占用与性能观察资源占用完全取决于你选择的后端 AI 模型部署方式。1. 使用云端 API如 OpenAI本地资源占用极低。你的后端服务只是一个轻量的 HTTP 代理CPU 和内存消耗很小。性能关键点网络延迟和云端 API 的响应速度。一次提示请求的总耗时通常在 2-10 秒之间。观察方法在后端服务日志中记录每个请求的耗时。关注是否有超时请求。2. 本地部署模型如 CodeLlama 7B/13BGPU 显存占用这是主要瓶颈。一个 7B 参数的模型以 FP16 精度加载可能需要 14GB 以上的 GPU 显存。使用量化技术如 GPTQ, AWQ可以大幅降低至 6GB 或更低。CPU 内存占用如果用 CPU 推理模型会被加载到内存。一个 7B 的模型大约需要 14GB 的内存。推理速度首次生成Prompt Processing较慢后续的生成速度取决于你的硬件。在消费级 GPU 上生成一段提示可能需要数秒到十几秒。观察方法GPU使用nvidia-smi命令观察显存占用和利用率。CPU/内存使用htop或任务管理器观察。服务监控在后端代码中集成日志记录每个请求的模型推理时长。优化建议起步阶段强烈建议从云端 API 开始成本低配置简单性能稳定。本地部署如果追求数据隐私或长期成本再考虑本地部署。优先选择量化后的模型并确保你的硬件GPU 显存或 CPU 内存满足要求。缓存机制对于常见的、通用的提示问题例如“什么是动态规划”可以在后端实现简单的缓存避免重复调用模型提升响应速度。8. 常见问题与排查方法问题现象可能原因排查方式解决方案浏览器侧边栏不显示或无法交互1. 扩展未正确加载2. 内容脚本未在 leetcode.com 注入3. 扩展权限不足1. 检查chrome://extensions/中扩展是否启用。2. 打开 LeetCode 页面按 F12 进入开发者工具查看“控制台”有无错误查看“元素”中侧边栏 DOM 是否存在。3. 检查扩展的manifest.json中permissions和content_scripts是否包含leetcode.com。1. 重新加载扩展。2. 刷新 LeetCode 页面。3. 检查并修正manifest.json配置。点击按钮或发送提示后无反应1. 前端未连接到后端2. 后端服务未启动3. 网络请求被 CORS 阻止1. 按 F12 打开“网络”选项卡查看发送的请求是否成功状态码是什么。2. 检查后端服务进程是否运行端口是否监听netstat -an | grep 端口号或lsof -i:端口号。3. 查看网络请求是否报 CORS 错误。1. 确认前端配置的后端地址正确。2. 启动后端服务。3. 在后端服务中添加 CORS 中间件如 Flask-CORS, FastAPI 的CORSMiddleware。后端服务启动失败Python1. 依赖包缺失或版本冲突2. 端口被占用3. API Key 等配置错误1. 查看启动错误信息通常是ModuleNotFoundError。2. 检查端口占用情况。3. 检查.env文件或环境变量是否设置正确。1. 根据错误信息安装依赖或创建虚拟环境。2. 更换服务端口。3. 核对配置文件。收到 AI 响应但提示质量差如直接给答案1. 系统提示词System Prompt设计不佳2. AI 模型本身指令遵循能力弱1. 查看后端代码中发送给 AI 模型的“系统消息”内容。2. 测试不同的模型如从 GPT-3.5 切换到 GPT-4。1. 强化系统提示词明确要求其扮演“引导者”例如“你是一位编程导师。请通过提问和提示引导用户思考不要直接给出 LeetCode 题目的完整代码或算法名称。目标是帮助用户自己找到解决方案。”2. 更换或微调更擅长遵循指令的模型。本地模型推理速度极慢1. 硬件资源不足GPU 显存小用到了内存交换2. 模型未量化精度过高3. 推理参数如 max_tokens设置过大1. 使用nvidia-smi或系统监控工具查看资源使用率。2. 检查加载的模型文件是否为量化版本如.gguf,.gptq后缀。3. 检查后端调用模型时的生成参数。1. 升级硬件或使用更小的模型。2. 使用量化后的模型版本。3. 调整生成参数限制生成长度。API 调用超时或频繁失败云端1. 网络不稳定2. 云端 API 达到速率限制或配额耗尽3. 请求内容过长1. 检查网络连接。2. 查看云端 API 提供商的控制台检查用量和错误信息。3. 简化problem_context中的描述。1. 优化网络环境。2. 升级 API 套餐或等待限制重置。3. 对题目描述进行摘要只保留关键信息。9. 最佳实践与使用建议要让这个工具发挥最大效用而不仅仅是另一个“玩具”可以参考以下实践明确使用目标在打开工具前先自己思考题目至少 10-15 分钟明确卡在哪个具体环节是思路方向错误是边界条件没想清还是优化无从下手然后再向工具提问。提问要具体不要问“这题怎么做”。要像向真人导师请教一样描述你的思考过程例如“我尝试用 DFS但递归终止条件总是写不对当 target 小于 0 时返回但好像漏了情况。”与官方题解结合在使用工具获得一些启发并尝试自己写出代码后再去对比 LeetCode 的官方题解或高质量社区解。分析你的解法与最优解在思路和实现上的差异这是能力提升的关键。维护个人提示库将那些对你启发很大的 AI 提示记录下来并标注对应的题目和知识点。久而久之这会形成一份高度个性化的“思维训练指南”。后端服务配置优化提示词工程花时间精心设计后端发送给 AI 的“系统提示词”这是决定提示质量的核心。可以加入角色设定、输出格式要求、禁止事项等。模型选择如果使用本地模型针对代码和推理任务选择 CodeLlama、DeepSeek-Coder 等代码预训练模型通常比通用聊天模型效果更好。服务安全如果你的后端服务部署在公网例如方便多设备使用务必设置身份验证或 IP 白名单防止 API 被滥用。合规与道德使用始终将工具作为学习的“脚手架”而非“作弊器”。尊重平台规则将其用于真正的技能成长。10. 总结与下一步这个 AI LeetCode 侧边栏项目提供了一个有趣的思路将大语言模型的对话能力聚焦到算法学习这个垂直领域通过苏格拉底式的引导来促进深度思考。它最大的价值在于改变了人机交互的模式——从被动接收答案变为主动探索思路。对于想要尝试的开发者第一步不是急于部署而是先明确你的需求如果只是为了体验使用云端 API 搭配开源的前后端代码是最快路径如果你对数据隐私有要求或想深入研究模型微调再考虑本地部署的方案。部署过程中最可能遇到的坑是前后端连接和提示词质量。按照本文的排查清单大部分问题都能解决。效果验证阶段务必用不同难度和类型的题目去测试感受其提示的针对性和有效性。下一步你可以考虑个性化微调如果你积累了大量“我的思考”和“理想提示”的数据对可以尝试微调一个小模型使其提示风格更符合你的思维习惯。集成开发环境将类似思路集成到 VSCode 等 IDE 的插件中不限于 LeetCode可以针对日常编码中的算法问题进行实时提示。构建知识图谱将 AI 的提示与算法知识点关联起来形成可视化的知识薄弱点地图让学习更有系统性。工具最终只是工具它的效果取决于你如何使用它。把它当作一位严格的陪练而不是提供答案的枪手你的算法能力才能真正得到锤炼。建议收藏本文在部署和调试时作为参考。
