刷算法题卡壳的时候，最让人绝望的不是题目难，而是连暴力解法都憋不出来。这时候，很多人会直接把题目扔给ChatGPT——然后收获一段漏洞百出的伪代码，或者完全跑不通的“幻觉方案”。其实，ChatGPT不是用来抄答案的，它真正价值在于帮你重建解题的思维路径。前提是，你得知道每一步该怎么用它。

下面这套五步法，就是让AI从“提词器”变成“陪练教练”的关键。

第一步：结构化输入问题，让模型“看懂”你在问什么

直接粘贴题目原文？九成情况下你会得到一堆泛泛而谈的伪代码，或者建立在错误假设上的实现。必须补全三类信息：输入格式、输出要求、关键约束。举个例子，不要只写“两数之和”，而要写：“给定整数数组nums和整数target，返回两个不同下标的数组索引，使得nums[i]+nums[j]==target；数组无序；时间复杂度需优于O(n²)；不允许多次使用同一元素。”

这一步漏掉“不允许多次使用同一元素”，模型可能返回i=i的非法解；漏掉“数组无序”，它可能默认排序后双指针——而你根本没权限改原数组。再附上小规模示例输入与期望输出，比如“输入nums=[3,3], target=6 → 输出[0,1]”。模型极度依赖示例反推问题语义，没有它，连‘两个数’是否可重复取都可能误判。

第二步：强制要求多策略对比，打破思维窄巷

方法一：明确指令生成三种解法。在提问末尾追加：“请提供三种不同思路的实现方案，并标注：①核心思想 ②时间/空间复杂度 ③适用场景（如数据规模、内存限制）”。

方法二：定向指定算法范式。例如：“分别用哈希表查找、双指针（需先排序）、暴力枚举三种方式实现，每种给出Python可运行代码，变量名保持语义化，关键步骤加单行注释。”

方法三：引入现实约束倒逼设计。加上一句：“假设只能使用标准库中的list和dict，禁用set、heapq及任何第三方模块。”这会过滤掉依赖高级数据结构的幻觉方案，逼出真正可用的底层逻辑。

第三步：锁定语言与环境，拒绝伪代码陷阱

前两步生成的代码，大概率是跨语言通用的伪代码风格。你需要立刻追加语言限定指令：“所有代码必须使用Python 3.9语法，函数签名严格为def twoSum(nums: List[int], target: int) -> List[int]，类型提示不可省略。”

若题目涉及边界异常，必须显式声明处理要求：“需处理空数组、单元素数组、target为负数、整数溢出等全部异常输入，返回[]而非抛错。”不加此句，模型常默认输入合法，生成的代码在LeetCode提交必然WA。

这一步做完，你拿到的就是可直接复制进编辑器、通过静态类型检查、覆盖主流边界case的真实代码。

第四步：要求分步推导，把答案“长”出来

① 先分析问题归类：“请判断该题属于哪类经典算法问题（查找/排序/动态规划/贪心/回溯/图论），依据是什么？”
② 再对比策略取舍：“为什么哈希表比双指针更适合本题？请指出双指针在此题中需要额外满足的两个前提条件。”
③ 最后生成代码链：“基于上述分析，逐步写出代码：第一行初始化什么？第二步循环中必须更新哪个变量？第三步何时触发return？每一步用中文短句说明作用。”

这种链式指令迫使模型暴露思考过程，而不是直接吐出结果。你跟着它的每一步自问“这一步我能不能想到”，就能准确定位自己卡在哪一环——是没想到哈希映射，还是忘了检查hashmap里是否存在target-num。

第五步：用错误反馈做二次校准，闭环纠偏

如果首次响应出现错误，不要重发原问题。把模型的错误结论作为新提示的一部分：“你上一步返回的解法在输入nums=[3,2,4], target=6时输出[0,2]，但nums[0]+nums[2]=7≠6，请检查索引计算逻辑是否混淆了值与下标。”

这相当于把AI当真人debug伙伴：指出具体输入、预期输出、实际输出、偏差位置。它会重新审视变量命名、循环边界、条件判断顺序等细节，往往能发现最初忽略的索引越界或哈希键误用问题。