用 AI 工具提升刷题效率：实验要有指标，别只看爽感
一、AI 刷题效率不能只靠感觉
用 AI 辅助刷题确实爽：不会就问，代码能生成，复杂度能解释。但效率是否真的提升，要看指标。你是更快理解题了，还是更快看答案了？是错题减少了，还是依赖更强了？如果没有记录，AI 工具很容易变成“刷题安慰剂”。
刷题效率实验应该像小型工程实验。设定目标、记录过程、比较结果，再决定工具怎么用。
二、实验链路：先定指标
flowchart LR A[选择题单] --> B[设定指标] B --> C[AI 辅助训练] C --> D[独立复做] D --> E[复盘效果]指标可以很简单：首次独立 AC 时间、提示次数、错误类型、隔天复做是否能写出、同类题迁移是否成功。比起“今天刷了几道”，这些指标更接近真实能力。
三、记录示例：不要只记答案
record = { "problem": "subarray_sum_equals_k", "first_ac_minutes": 28, "hint_count": 2, "main_error": "forgot count[0] initialization", "redo_success": True }记录错因比收藏题解有用。比如忘记count[0] = 1，这就是前缀和边界问题。下次遇到类似题，可以优先检查这个点。
四、工程边界：AI 提示要延迟出现
我的建议是“三段式”：先独立想 10 分钟，再请求轻提示，再看关键思路，最后才看完整代码。这样既不浪费太多时间，也不让 AI 过早剥夺思考过程。刷题的痛苦有一部分是必要训练。
取舍方面，AI 能提高反馈速度，但也可能削弱耐心。短期看题做得更多，长期可能推导能力没涨。判断工具是否有效，要看隔天复做和同类题迁移。如果第二天离开 AI 还是写不出来，说明训练方式有问题。
还要把 AI 生成题解纳入验证。不要因为模型讲得顺，就默认正确。至少跑边界用例，复杂题最好对拍。刷题系统里，严谨比速度更值钱。
AI 工具还可以用来做错题归类。把最近 20 道错题的错因输入进去，让模型帮你聚类：前缀和边界、二分边界、DP 状态定义、图建模。聚类结果不一定全对，但能提供一个复盘视角。你再人工修正，效果会比只收藏题解好。
另外，要避免“问 AI 问到懂”的错觉。模型解释可以让你感觉顺，但真正检验是关掉解释重新写。建议每道借助 AI 的题都安排一次无提示复做。复做不过，就说明还没掌握。
最后，刷题效率不是越快越好。面试要的是稳定推理和表达，不是一天刷很多但第二天忘光。AI 工具应该帮你减少无效卡顿，而不是替你跳过必要思考。
实验周期可以设为两周。第一周正常刷题，第二周使用 AI 分层提示，对比首次 AC、复做成功率和错因分布。这样比当天主观感觉更可靠。如果 AI 让你做题更快但复做率下降，就要调整使用方式。
还可以让 AI 当“面试官”，要求你口述思路后追问边界和复杂度。这个场景比直接问答案更有价值。真正面试时，表达能力和代码能力一样重要。
最后，工具使用要有纪律。固定什么时候能问、问到哪一层、什么时候必须自己写。没有纪律，AI 很容易从辅助变成拐杖。
还可以做“无 AI 周测”。每周选几道同类题，不打开任何工具，纯靠自己完成。这个测试能暴露真实水平，也能提醒你哪些知识只是看懂了。工具再强，面试现场最终还是你自己在写。
如果用 AI 生成题单，也要人工筛选。模型可能推荐重复题、难度跨度太大或题意相似度不高的题。训练计划要符合当前阶段，不能全交给模型。
五、总结
用 AI 工具提升刷题效率，要设置指标、延迟提示、记录错因和验证题解。爽感不等于进步，能独立复做和迁移，才说明工具真的帮到了你。
