AI 面试追问树：追问要沿着证明链往下挖

AI 面试追问树：追问要沿着证明链往下挖

一、追问不是随机加难度

面试训练里，AI 可以扮演面试官继续追问。但很多追问系统只是换题、加难度、问“还有别的方法吗”。这类追问看似热闹，实际不一定能暴露理解漏洞。好的追问应该沿着证明链往下挖。

算法面试考的不是背过多少题，而是能不能解释为什么这样做。

二、先建立追问树

flowchart TD A[候选答案] --> B[思路正确性] B --> C[不变量] B --> D[边界条件] B --> E[复杂度] B --> F[替代方案]

用户给出答案后，AI 不应立即换新题，而应判断当前答案哪一环薄弱：状态定义、单调性证明、边界条件、复杂度分析，还是代码实现。

interview_probe_tree: invariant: required edge_cases: required complexity: required alternative_solution: optional

追问树让训练更有方向。

三、追问要基于回答内容

def next_probe(answer_tags): if "missing_invariant" in answer_tags: return "你能说明窗口始终满足什么条件吗？" if "complexity_unclear" in answer_tags: return "为什么内层 while 总次数不是 O(n²)？" return "如果输入全是相同元素，会发生什么？"

追问不是固定脚本，要根据回答缺口来。比如滑动窗口题，用户能写代码但解释不了 left 为什么不回退，就追问不变量；用户会说思路但边界错，就给反例。

还要避免一次追问太多。连续抛三个问题，会让训练失焦。一个追问只验证一个能力点。

四、追问结果要评分

AI 面试训练不能只给“回答不错”。更有用的是给出维度评分：思路、证明、复杂度、代码、沟通。这样用户知道下次该补哪里。

interview_score: idea: 4 proof: 2 complexity: 3 implementation: 4 communication: 3

评分要给证据。比如“证明链不足：没有说明为什么每个元素最多入队出队一次”。这种反馈比“复杂度分析不够清楚”更可执行。

追问树也可以用于复习。某类题如果总在不变量上丢分，就安排更多证明训练，而不是继续刷新题。

最后，AI 面试官要有边界。它可以指出问题、给反例、引导证明，但不要把用户压到只会迎合。训练目标是建立推理能力，不是背标准话术。

追问系统还应该控制节奏。一次回答如果已经暴露核心问题，就不要继续追三个方向。先让用户修正当前证明，再进入复杂度或替代方案。节奏太快，会把训练变成压力测试。

probe_pacing: one_gap_per_question: true wait_for_correction: true stop_after_mastery: true

还可以为每个题型维护典型追问。二分题追单调性，DP 题追状态含义，图题追访问不变量，堆题追为什么弹出的是当前最优。这样追问既稳定，又不会变成随机聊天。

最后，追问结果要能生成复习计划。不是简单给分，而是告诉用户接下来该练哪类证明。

五、总结

AI 面试追问树要围绕思路、不变量、边界、复杂度和替代方案逐层追问，并根据回答动态选择下一个问题。

追问要沿着证明链往下挖。能解释为什么，才是真正掌握算法。