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。