用 DeepSeek 做算法题，最有价值的用法是要思路不要答案：让模型给提示、指方向、挑毛病，把动手推导和写代码留给自己。直接要完整题解，十道题刷完收获有限；把 AI 当作随时在线的教练，练习效率才有实质提升。这篇按练习的完整流程讲提问方法。
提问前先交代练习目标
开场定调决定了整场对话的质量。把三件事在第一轮就说清：题目原文完整贴出，不要只凭记忆描述；你的目标，例如「练习动态规划，我想要思路提示，不要完整解法」；你的当前水平与已做的尝试，例如「我能写出暴力解法，超时了」。交代越具体，AI 的提示越贴合你卡住的位置。一个实用技巧是把「不要直接给答案」写成明确指令，并要求它在给提示前先反问你需要哪一层的提示，这一句能把整个对话从「投喂模式」切换成「教练模式」。
要提示不要题解的问法
提示分梯度要，一层一层剥。第一层，方向提示：「这道题适合哪一类算法，只说类别不要细节」。第二层，关键性质：「我该观察数据的什么性质，比如有序性或重复子结构」。第三层，状态设计：「动态规划的状态怎么定义，只给状态定义，转移方程让我自己推」。第四层，卡点突破：「我的转移方程在这里（贴出），错在哪一步」。每层之间留出自己动手的时间，拿到提示先试再问。AI 在「被要求只给提示」时的克制程度有随机性，偶尔会顺手写出解法，出现时提醒它一句即可，别顺着把答案看了。
卡住时的分步追问
卡住不可怕，卡住后的追问方式决定收获。有效的追问是描述卡点而不是描述无助：「我的双指针在这里会死循环，两个指针的移动条件如下，帮我看看条件哪里不完整」比「我不会了怎么办」有用十倍。追问还可以换视角：让 AI 出几个测试用例给这段代码，看它在哪组数据上出错，往往一组反例就够你顿悟；或者让 AI 只点评思路不写代码，「我的贪心策略是每次选局部最优，指出这个策略可能失败的情形」。分步追问的节奏是：自己试、描述卡点、要针对性提示、再试，循环推进。
写完之后聊复杂度
代码通过测试不等于练习结束，复杂度讨论是把一道题吃透的环节。让 AI 做三件事：分析你的解法时间与空间复杂度，指出瓶颈在哪一步；对比这类题的常见优化路径，例如从 O(n²) 到 O(n log n) 通常靠什么手段；评估代码在边界规模下的表现，例如 n 到十万量级时你的实现会不会出问题。还可以追加一个高质量问题：「如果面试官追问，这道题最可能被问的三个延伸问题是什么」。让 AI 当面试官向你提问、你来作答、它来点评，这个环节练的是表达，正是多数人刷题时缺的。
防止「抄答案」的自我约束
用 AI 练题最大的敌人是顺手看答案。给自己立四条规矩：答案冻结——写完并测试通过之前，绝不要求完整解法；失败计次——同一道题提示要超过三层还没思路，标记后先跳过，第二天再战；独立复现——看过的题解合上屏幕自己重写一遍，写不出等于没学；间隔重做——一周后不看任何提示重做标记过的题。AI 让题解的获取成本趋近于零，也正因如此，能不能忍住不看成了拉开差距的分水岭。工具没有立场，练习的诚实度完全取决于你。
AI 辅助刷题的三个追问
- 模型给完提示还是忍不住看答案怎么办？：把「不要给完整代码」写进对话开头，并要求它在输出前自查一遍；练习时把对话窗口与写码窗口分屏摆放，视线不重叠，物理隔离比意志力可靠。
- 该选什么难度的题让 AI 参与练习？：以自己能独立完成一半以上的难度为宜。太简单的题用不上提示，太难的题连提示都接不住，AI 的价值集中在「踮脚够得着」的区间。
- 让 AI 讲一遍某个算法思想靠谱吗？：作为入门讲解合适，例如用生活例子解释贪心与动态规划的区别；但它举的例子与复杂度数字可能不准，讲完拿教材或权威资料核对一遍再放心使用。
