AI 面试追问器答案背熟了还要能解释为什么一、面试训练不能停在标准答案很多算法面试训练只关注能不能说出标准解法。问题是面试官往往会继续追问为什么这样做是对的边界如何处理复杂度能不能再降换一个约束还成立吗。只背答案很容易在追问里露馅。AI 面试追问器应该模拟这种压力。它不只是判断答案对错还要追问证明、权衡和变形。训练目标是让解题思路站得住而不是让回答听起来熟练。二、追问要围绕证明链flowchart TD A[候选答案] -- B[正确性追问] A -- C[复杂度追问] A -- D[边界追问] A -- E[变形追问] B -- F[评分反馈] C -- F D -- F E -- F正确性追问关注核心不变量。比如单调栈为什么可以弹出元素Dijkstra 为什么要求非负权二分为什么不会漏答案。复杂度追问关注循环、排序和数据结构操作。边界追问要具体。空输入、重复元素、最大值、不可达节点、环和负数都是常见薄弱点。变形追问则检查迁移能力比如从求长度变成求方案数从静态数组变成动态更新。三、评分要有维度score: correctness: 4 proof: 3 complexity: 5 edge_cases: 2 communication: 4只有一个总分不够。候选人可能代码正确但证明弱也可能思路清楚但边界漏掉。维度化评分能帮助用户知道下一轮该练什么。AI 追问器还要识别答非所问。用户被问复杂度却继续讲实现细节被问边界却只重复主流程。这类问题在真实面试里很常见应当明确反馈。question: 为什么左指针不会回退 weak_answer: 因为滑动窗口就是这样 better_answer: 右端扩张后左端只需向右收缩以恢复约束回退不会产生新的合法最优解四、追问难度要动态调整如果基础题都讲不清就不要马上追问高级变形。可以先让用户补齐状态定义和边界。反之如果回答完整就可以追问空间优化、在线场景或并发约束。训练记录要保留追问历史。同一类问题反复答不好说明知识点没有真正掌握。面试训练不是刷通过率而是修证明链。追问器还要限制提示泄露。如果用户回答不完整系统可以追问“为什么这样不会漏解”而不是直接说“你少了单调性证明”。追问的价值在于让用户自己补上推理缺口。直接暴露答案会让训练变成阅读标准解析。评分反馈也要给改进建议。比如证明分低就要求补不变量边界分低就要求列出三个极端输入沟通分低就要求先讲思路再讲代码。分数只有和动作绑定才有训练意义。对同一道题可以做多轮追问。第一轮问标准解法第二轮问复杂度第三轮问约束变化。多轮追问能区分“刚好背过题”和“真正理解结构”。这也是面试训练里最有价值的部分。系统还要控制难度梯度。连续追问过难会打击训练节奏连续过简单又没有提升。可以根据最近回答质量动态调整保持在稍微吃力但能完成的区间。追问器还要支持录制复盘。每次问答结束后生成一份短报告列出答得好的点、卡住的问题和下一次建议练习的题型。复盘不需要长篇大论但要指向具体动作。对代码题还可以要求用户口述关键变量含义。很多人会写模板却说不清left、right、dist、parent在任意时刻代表什么。变量含义说不清代码一变形就容易出错。最后追问器应该区分不会和没表达清楚。用户思路正确但表达混乱需要训练沟通结构用户思路本身错误则要回到题目建模。二者反馈完全不同不能混在一个低分里。五、总结AI 面试追问器要围绕正确性、复杂度、边界和变形提问并用维度化评分反馈薄弱点。答案背熟只是起点。真正能通过追问的解法必须能解释为什么成立以及在哪些条件下不成立。
