LeetCode 智能刷题教练 Agent 系统 — 项目讲解
一、解决的核心痛点
在 LeetCode 刷题过程中，绝大多数学习者面临一个共同困境：看完题解觉得自己会了，下次遇到同类题还是不会。根本原因在于，传统刷题模式是"被动接受答案"而非"主动分析错误"。学习者提交错误代码后，平台只反馈"答案错误"或"超出时间限制"，却无法告诉学习者：你的思路到底错在哪一步？你原本的解法和最优解的差距在哪里？你反复犯的错误类型是什么？
本项目正是针对这一痛点，构建了一个能从错误代码中"反向推理"的智能辅导系统，帮助学习者理解自己的思维盲区，而非直接给出答案。
二、核心逻辑流（多 Agent 协作）
系统采用三 Agent 流水线架构，由调度中心协调工作：
第一步：🐛 Debug Agent（代码执行与错误捕获）
接收用户提交的代码后，Debug Agent 在 Python 沙箱中安全执行代码。沙箱具备超时控制（防止死循环）和输出截断（防止内存溢出）能力。执行完成后，Agent 会运行内置测试用例，精确捕获失败用例的输入、期望输出和实际输出，以及运行时错误的类型和行号。
第二步：🧠 Reasoning Agent（长链推理分析）
这是系统的核心。Reasoning Agent 不是简单地给出正确答案，而是执行一套完整的推理链：
逆向推断：根据用户代码的结构和写法，推测用户原本想用什么方法解题（比如暴力枚举、双指针、动态规划等）
逐点对比：将用户思路与最优解法进行关键差异对比（时间复杂度、数据结构选择、边界处理等）
3 级渐进提示：
🔴 级别1：只指出"哪一步出了问题"，不告诉正确答案
🟡 级别2：给出"思考方向"，引导用户自己修正
🟢 级别3：给出"关键代码片段"，仍然不给完整答案
这种渐进式设计的核心理念是：引导思考比给答案更重要。
第三步：📊 Meta Agent（错误模式记录与学习画像）
Meta Agent 自动提取本次错误的类型标签（如"边界处理"、"指针错误"、"效率问题"、"递归溢出"等），持久化存储到 JSON 文件中。随着刷题次数积累，Agent 会分析用户的错误模式分布，生成个性化学习画像，指出最常犯的错误类型并给出针对性建议。
三、技术实现亮点
1.Python 沙箱：基于 subprocess 隔离执行，自动解析 stderr 提取错误类型和行号，支持超时控制
2.测试用例引擎：自动从代码中提取函数名，构造测试调用，逐用例验证正确性
3.数据持久化：用户错误记录以 JSON 格式存储，支持跨会话保留
4.演示模式：内置完整模拟数据，无需 API Key 即可体验完整流程
5.内置题库：包含 5 道经典 LeetCode 题目（两数之和、反转链表、有效括号、爬楼梯、最大子数组和），每题配有模板代码、测试用例、最优解和渐进提示
四、预期效果
通过使用本系统，学习者能够从"被动看答案"转变为"主动分析错误"。系统记录的错误画像可以帮助学习者识别自己的薄弱环节，实现有针对性的刷题训练，从而真正提升算法思维能力，而非单纯记忆题解。
LeetCode 智能刷题教练 Agent 系统 — 项目讲解
一、解决的核心痛点
在 LeetCode 刷题过程中，绝大多数学习者面临一个共同困境：看完题解觉得自己会了，下次遇到同类题还是不会。根本原因在于，传统刷题模式是"被动接受答案"而非"主动分析错误"。学习者提交错误代码后，平台只反馈"答案错误"或"超出时间限制"，却无法告诉学习者：你的思路到底错在哪一步？你原本的解法和最优解的差距在哪里？你反复犯的错误类型是什么？
本项目正是针对这一痛点，构建了一个能从错误代码中"反向推理"的智能辅导系统，帮助学习者理解自己的思维盲区，而非直接给出答案。
二、核心逻辑流（多 Agent 协作）
系统采用三 Agent 流水线架构，由调度中心协调工作：
第一步：🐛 Debug Agent（代码执行与错误捕获）
接收用户提交的代码后，Debug Agent 在 Python 沙箱中安全执行代码。沙箱具备超时控制（防止死循环）和输出截断（防止内存溢出）能力。执行完成后，Agent 会运行内置测试用例，精确捕获失败用例的输入、期望输出和实际输出，以及运行时错误的类型和行号。
第二步：🧠 Reasoning Agent（长链推理分析）
这是系统的核心。Reasoning Agent 不是简单地给出正确答案，而是执行一套完整的推理链：
逆向推断：根据用户代码的结构和写法，推测用户原本想用什么方法解题（比如暴力枚举、双指针、动态规划等）
逐点对比：将用户思路与最优解法进行关键差异对比（时间复杂度、数据结构选择、边界处理等）
3 级渐进提示：
🔴 级别1：只指出"哪一步出了问题"，不告诉正确答案
🟡 级别2：给出"思考方向"，引导用户自己修正
🟢 级别3：给出"关键代码片段"，仍然不给完整答案
这种渐进式设计的核心理念是：引导思考比给答案更重要。
第三步：📊 Meta Agent（错误模式记录与学习画像）
Meta Agent 自动提取本次错误的类型标签（如"边界处理"、"指针错误"、"效率问题"、"递归溢出"等），持久化存储到 JSON 文件中。随着刷题次数积累，Agent 会分析用户的错误模式分布，生成个性化学习画像，指出最常犯的错误类型并给出针对性建议。
三、技术实现亮点
1.Python 沙箱：基于 subprocess 隔离执行，自动解析 stderr 提取错误类型和行号，支持超时控制
2.测试用例引擎：自动从代码中提取函数名，构造测试调用，逐用例验证正确性
3.数据持久化：用户错误记录以 JSON 格式存储，支持跨会话保留
4.演示模式：内置完整模拟数据，无需 API Key 即可体验完整流程
5.内置题库：包含 5 道经典 LeetCode 题目（两数之和、反转链表、有效括号、爬楼梯、最大子数组和），每题配有模板代码、测试用例、最优解和渐进提示
四、预期效果
通过使用本系统，学习者能够从"被动看答案"转变为"主动分析错误"。系统记录的错误画像可以帮助学习者识别自己的薄弱环节，实现有针对性的刷题训练，从而真正提升算法思维能力，而非单纯记忆题解。