AI 刷题实践 | 豆包MarsCode AI刷题

166 阅读4分钟

AI刷题作为一种现代学习辅助手段,已经成为许多学生和程序员日常学习的重要组成部分。

其优势在于:

  1. 高效的题目解析: AI能够在几秒钟内迅速解析题目,并提供详细的解答过程。
  2. 个性化学习支持: AI根据学习者的学习进度和水平调整题目的难度,提供适合的挑战。
  3. 反馈与错误分析: AI不仅可以给出答案,还可以分析学习者的错误并给出反馈。
  4. 多角度问题解析: AI可以提供多种不同的解题思路和方法,帮助学生从不同的角度理解问题。

我们来看一个实际的例子,假设我们正在做一个股票交易问题的练习,题目要求计算每一天需要等待多少天才能看到价格上涨。这个问题涉及到动态规划、贪心算法、数据结构等多个方面。

用户:

需要一点思路提示

Marscode AI:

好的,让我们来分析一下这个问题。

问题理解 你需要为小C生成一个新列表,每个位置的值表示从那天起至少需要等待多少天才能看到价格上涨。如果没有上涨的情况,则对应位置的值为0。

数据结构选择 我们可以使用一个栈来帮助我们解决这个问题。栈可以帮助我们高效地找到下一个更大的元素。

算法步骤

  1. 初始化结果列表:创建一个与 stockPrices 长度相同的列表 result,初始值都为0。
  2. 使用栈:遍历 stockPrices 列表,同时维护一个栈来存储价格的下标。
  3. 栈的操作:
    • 如果当前价格大于栈顶元素对应的价格,说明找到了一个价格上涨的情况。
    • 弹出栈顶元素,并计算当前下标与栈顶元素下标的差值,更新 result 列表。
    • 重复上述操作,直到栈为空或者当前价格不再大于栈顶元素对应的价格。
  4. 入栈:将当前下标入栈。
  5. 返回结果:遍历结束后,result 列表即为所求。*

在这个对话中,AI分析了问题的核心,告诉你需要解决的问题是“每一天等待的天数”。通过题目分析,AI会推荐使用后向遍历的方法,从后往前推导每个价格之后的上涨天数。并且会提供详细的解题步骤和理由。

用户:

给我来点代码提示

Marscode AI:

好的,让我们基于你当前的代码框架来提供一些代码提示。

关键步骤解释:

初始化结果列表:result = [0] * N,初始值都为0。

使用栈:stack = [],用于存储价格的下标。

遍历股票价格列表:for i in range(N)。

栈的操作:while stack and stockPrices[i] > stockPrices[stack[-1]]:当栈不为空且当前价格大于栈顶元素对应的价格时。

top = stack.pop():弹出栈顶元素。

result[top] = i - top:计算当前下标与栈顶元素下标的差值,更新 result 列表。

入栈:stack.append(i),将当前下标入栈。

def solution(N: int, stockPrices: list) -> list:
 # 初始化结果列表,长度为N,初始值为0
    result = [0] * N
    
    stack = []
    
    # 遍历股票价格列表
    for i in range(N):
        # 当栈不为空且当前价格大于栈顶元素对应的价格时
        while stack and stockPrices[i] > stockPrices[stack[-1]]:
            # 弹出栈顶元素
            top = stack.pop()
            # 计算当前下标与栈顶元素下标的差值,更新result列表
            result[top] = i - top
        
        # 将当前下标入栈
        stack.append(i)
    
    return result

if __name__ == '__main__':
    print(solution(5, [33, 34, 14, 12, 16]) == [1, 0, 2, 1, 0])
    print(solution(6, [45, 44, 46, 43, 42, 48]) == [2, 1, 3, 2, 1, 0])
    print(solution(3, [10, 9, 8]) == [0, 0, 0])

通过AI刷题,你可以得到一个清晰的代码实现,甚至包括代码的注释和解释。通过AI的帮助,你不仅可以快速得到代码,还能学到如何从代码实现中理解问题的思路。

假如你自己实现的代码有错误,AI会帮你找出问题所在。例如,你可能在处理“没有上涨”的情况时遗漏了某些细节,AI会立即提示你检查边界条件、数组越界等常见错误。AI通过反复训练学习,能够在解析问题时提供错误反馈,帮助你不断修正并改进。

如果你的解法效率不高,AI能够通过对比不同算法来提供更高效的解法。例如,AI可能会告诉你该问题在某些情况下可以通过动态规划优化,减少不必要的重复计算,从而提高效率。

如果在学习过程中你对某个概念不理解,AI可以实时回答你的问题。比如,你可能不清楚为什么要从后向前遍历,AI会解释这是因为从后向前遍历可以确保每一天的结果是基于后续所有可能的价格上涨计算得出的。