完成了第一週的工具建置與 Prompt 工程技巧後，從今天開始，我們將進入工程師最常面臨的實戰場景之一：演算法解題（LeetCode）。

很多工程師在刷題時使用 AI 的方式往往是：「把題目整段複製 ➔ 貼給 ChatGPT ➔ 叫它給出最優解 ➔ 複製貼回 LeetCode」。這種做法雖然能快速拿到綠色 AC（Accepted），但遇到稍微變形的面試題時，依然無法獨立思考。

更高效的人機協同刷題方式，是把 AI 當作**「演算法教練」**：不讓它直接爆出解答，而是引導它先幫我們梳理題目脈絡、列出邊界條件，釐清解題思維。

一、破題引導提問法（Socratic Prompting）

在開始動筆寫代碼前，先要求 AI 只做「需求分析」，禁止直接產出最終解答代碼。

你可以使用以下提示詞結構：

【破題提示詞範本】
請擔任資深演算法面試官。我正在練習以下題目：
[貼上題目內容]

請先不要直接提供完整代碼，請依序回答以下三點：

1. 關鍵約束提煉：這題的核心輸入範圍、特殊限制是什麼？
2. 隱藏邊界條件（Edge Cases）：有哪些極端情境（如長度為 0 或 1、負數、極值溢位）容易出錯？
3. 思維漸進路徑：從直覺的暴力解法（Brute Force）出發，有什麼瓶頸？可以用什麼資料結構優化？

二、實戰演練：LeetCode 1 - Two Sum（兩數之和）

我們以所有工程師的第一道題目 Two Sum 為例：

給定一個整數陣列 nums 和一個目標值 target，請找出陣列中「和為目標值」的那兩個整數，並回傳它們的陣列下標。

步驟 1：要求 AI 梳理條件與陷阱

當我們送出上述提示詞後，AI 會給出極具價值的分析：

• 約束提煉：
  • 每種輸入只會有「剛好一個有效解」。
  • 同一個元素不能重複使用兩次（例如 nums = [3, 2, 4], target = 6，不能挑選兩次下標 0 的 3）。
• 邊界情境（Edge Cases）：
  • 陣列內包含負數（例如 target = -8，nums = [-3, -5]）。
  • 陣列內包含相同的數值（例如 nums = [3, 3], target = 6，這意味著如果用 Hash Table 存 Key，必須注意覆蓋問題）。
• 優化思考路徑：
  • 暴力解（Brute Force）：雙重迴圈遍歷所有數對，時間複雜度為 O(n²)。
  • 優化瓶頸：內層迴圈每次都在尋找「差值（target - num）是否存在」。
  • 資料結構切入：利用 Hash Table（HashMap）將尋找時間從 O(n) 降至 O(1)，實現「以空間換取時間」。

三、從分析到代碼實作

當邊界條件與空間換時間的思路清晰後，我們再請 AI 依照這個思維產出 Java 解法，代碼邏輯就非常容易理解與吸收：
‵‵‵
import java.util.HashMap;
import java.util.Map;

public class Solution {
public int[] twoSum(int[] nums, int target) {
// 使用 HashMap 記錄：Key = 數值, Value = 該數值對應的陣列索引
Map<Integer, Integer> map = new HashMap<>();

    for (int i = 0; i < nums.length; i++) {
        int complement = target - nums[i];

        // 邊界檢查：如果先前已經看過這個差值，代表找到配對
        if (map.containsKey(complement)) {
            return new int[] { map.get(complement), i };
        }

        // 將當前數字與索引存入 Map，邊走邊查同時避免自己與自己配對
        map.put(nums[i], i);
    }

    // 題目保證有解，若無解則回傳空陣列防呆
    return new int[] {};
}

}
‵‵‵

四、工程師的實踐反思
透過這種「先分析邊界、再看代碼」的模式，有兩個明顯收穫：

避免 Hash Table Key 覆蓋的陷阱：

如果我們在一開始就把所有元素放進 map，遇到 [3, 3] 這種重複元素時，第二個 3 的下標會覆蓋第一個 3。而 AI 分析指出的「One-pass（單次遍歷邊查邊存）」策略，剛好在存入前先查到了前一個 3，完美化解覆蓋問題。

理解時空權衡（Time-Space Tradeoff）：

時間複雜度由 O(n²) 大幅優化為 O(n)，代價是額外消耗了 O(n) 的空間複雜度存儲 HashMap。

今日小結與預告
今天我們打破了「直接向 AI 索取 LeetCode 答案」的無效刷題法，建立了以「約束提煉 ➔ 邊界挖掘 ➔ 資料結構優化」為核心的破題流程。

明天的 Day 07，我們將聚焦於演算法面試最核心的指標：「【複雜度分析】向 AI 請教：如何評估演算法的時間複雜度（Big-O）與空間複雜度？」，教大家如何讓 AI 成為你的計算機演算法助教！