这次我们来看一个专门为 LeetCode 刷题者设计的 AI 侧边栏工具。它不是一个直接给你答案的“作弊器”，而是一个采用苏格拉底式提问法，引导你一步步自己找到解题思路的智能助手。对于正在准备技术面试、希望真正提升算法能力的开发者来说，这是一个能让你摆脱“一看就会，一写就废”困境的实用工具。

这个工具的核心价值在于“引导”而非“给予”。它不会直接输出完整的代码，而是通过提问、提示关键概念、分析边界条件等方式，帮助你激活已有的知识，构建解题逻辑。这比直接看题解更能锻炼思维，也更符合面试中面试官期望的思考过程。

本文将带你全面了解这个 AI LeetCode 侧边栏：从它的核心能力、安装部署方式，到如何与浏览器集成、进行实际解题互动，再到其背后的技术实现思路和常见问题排查。无论你是想将其作为个人学习工具，还是研究如何将类似 AI 助手集成到自己的产品中，这篇文章都能提供清晰的路径。

1. 核心能力速览

2. 适用场景与使用边界

这个 AI 侧边栏工具主要服务于以下几类用户：

1. 算法学习者：正在系统学习数据结构和算法，需要有人引导思考，而不是直接看答案。
2. 求职面试者：针对技术面试中的算法题进行练习，模拟面试官追问的场景，训练解题表述能力。
3. 教育工作者：可以将其作为辅助教学工具，演示如何引导学生思考复杂的编程问题。
4. 工具开发者：对构建交互式 AI 编程助手感兴趣，可参考其前端集成与提示词设计思路。

它能解决的核心问题：

• 思维惰性：打破遇到难题就立即查看完整题解的依赖，培养独立分析问题的习惯。
• 思路卡壳：在某个具体步骤（如选择数据结构、确定循环边界）上卡住时，获得针对性提示。
• 知识串联：帮助你将题目与已知的算法模式（如双指针、动态规划、回溯）联系起来。
• 面试模拟：提供类似技术面试的互动体验，面试官通常会通过提问来考察你的思考过程。

不适合的场景与使用边界：

• 寻求即时答案：如果你希望快速获取某道题的 AC 代码，这个工具不是最佳选择，它旨在延长你的思考过程。
• 完全零基础：工具假设使用者具备基础的编程语法和数据结构知识。它引导的是解题策略，而非教授基础语法。
• 离线环境：该工具通常需要连接后端 AI 服务（如 OpenAI GPT、Claude 或开源模型 API），无法在完全离线的环境下工作。
• 直接用于提交：工具生成的对话和提示不能作为最终的解题代码提交，你需要理解后自己编写实现。

合规与版权提醒：

• 该工具是对 LeetCode 平台的辅助学习，请勿用于任何自动化提交、刷分或干扰平台正常运行的行为。
• 使用 AI 服务时，请注意用户协议，避免向 API 发送敏感或个人代码（如果自建服务需注意数据安全）。
• 尊重 LeetCode 平台的题目版权，所有题目内容归属 LeetCode。

3. 环境准备与前置条件

在安装和使用这个 AI 侧边栏之前，你需要确保满足以下条件：

1. 浏览器环境：

   • 一款基于 Chromium 内核的浏览器，如Google Chrome、Microsoft Edge或Brave。这是安装浏览器扩展的前提。
   • 确保浏览器已更新到较新版本。

2. AI 服务后端（关键）：

   • 该扩展本身只是一个前端界面，它需要与一个能够处理自然语言、理解算法题目的 AI 后端进行通信。
   • 选项A：使用第三方 API：你需要拥有一个可用的 AI API 密钥，例如：
     • OpenAI GPT 系列模型的 API Key。
     • Anthropic Claude 的 API Key。
     • 其他兼容 OpenAI API 格式的开源模型部署服务（如本地部署的 Llama、Qwen 等通过text-generation-webui或vLLM提供的 API）。
   • 选项B：自行部署后端：如果你希望完全掌控，可以部署项目的后端服务（如果项目开源了后端代码）。这通常需要：
     • Python 3.8+ 环境。
     • 必要的 Python 包（如fastapi,openai等）。
     • 可访问的服务器或本地主机，用于运行后端并暴露 API 端点。

3. LeetCode 账户：虽然查看题目不一定需要登录，但为了获得完整的交互体验（如查看题目描述、测试用例），建议拥有一个 LeetCode 账户。

4. 网络连接：需要能够稳定访问 LeetCode 网站以及你配置的 AI 后端 API 地址。

4. 安装部署与启动方式

由于这是一个浏览器扩展，其“部署”主要分为两步：安装扩展和配置后端。

4.1 安装浏览器扩展

通常，开源项目会提供扩展的打包文件（.crx或.zip）或发布在 Chrome 网上应用店。我们以开发者模式加载未打包的扩展为例：

1. 获取扩展源代码：从项目的 GitHub 仓库（例如https://github.com/xxx/ai-leetcode-sidebar）克隆或下载 ZIP 包。
2. 打开浏览器扩展管理页面：在 Chrome 地址栏输入chrome://extensions/并回车。
3. 开启开发者模式：在页面右上角，打开“开发者模式”开关。
4. 加载已解压的扩展程序：点击“加载已解压的扩展程序”按钮。
5. 选择扩展目录：在弹出的文件选择器中，导航到你下载的项目文件夹，选择包含manifest.json文件的根目录，然后点击“选择文件夹”。
6. 确认安装：如果一切正常，扩展列表中会出现新安装的扩展，并显示其图标和名称。

4.2 配置 AI 后端连接

安装扩展后，通常需要点击扩展图标或进入扩展选项页面进行配置。

1. 打开扩展选项：在chrome://extensions/页面，找到该扩展，点击“详细信息”，然后找到并点击“扩展程序选项”链接（如果项目提供了选项页）。
   • 或者，直接点击浏览器工具栏上的扩展图标，可能会弹出配置界面。
2. 设置 API 端点与密钥：在配置页面，你需要填写以下关键信息：
   • API Base URL：你的 AI 后端地址。例如：
     • 使用 OpenAI 官方 API：https://api.openai.com/v1
     • 使用本地部署的兼容 OpenAI 的 API：http://localhost:8000/v1或http://your-server-ip:port/v1
   • API Key：对应服务的 API 密钥。如果使用本地部署且未设置密钥，可能留空或填写dummy-key。
   • Model Name：指定要使用的模型，如gpt-4-turbo-preview、claude-3-haiku-20240307或本地模型名。
3. 保存配置：填写完毕后，点击保存或应用按钮。

4.3 验证扩展是否工作

1. 打开一个新的浏览器标签页，访问任意一道 LeetCode 题目，例如https://leetcode.com/problems/two-sum/。
2. 观察页面。如果扩展正常工作，你应该能在页面右侧或左侧看到一个新增的侧边栏面板。
3. 侧边栏内可能会有初始提示，如“准备好开始思考了吗？”或一个输入框，等待你发起对话。

5. 功能测试与效果验证

安装配置完成后，我们通过解决一个具体的 LeetCode 题目来测试其核心功能。

测试题目：LeetCode 第 1 题 “两数之和 (Two Sum)”测试目标：验证 AI 助手能否通过提问引导用户得出“使用哈希表”的解题思路，而不是直接给出代码。

5.1 测试步骤

1. 访问题目页面：在浏览器中打开https://leetcode.com/problems/two-sum/。
2. 激活侧边栏：确保扩展已启用，侧边栏应自动出现。如果没有，尝试刷新页面或检查扩展是否被禁用。
3. 发起对话：在侧边栏的聊天输入框中，输入一个开场白，例如：

   “我正在尝试解决‘两数之和’这道题。题目要求是在数组中找到两个数，使它们的和等于目标值。你能给我一些提示吗？”

4. 观察 AI 回应：一个设计良好的苏格拉底式助手可能会这样回应：
   • 引导性提问1：“首先，你能想到最直接的方法是什么？它的时间复杂度是多少？”
   • （你回答：暴力双重循环，O(n²)。）
   • 引导性提问2：“很好。那么，为了优化时间，我们是否可以用空间换时间？有没有一种数据结构可以让我们快速（O(1)）查找一个补数（target - current_number）是否存在？”
   • （你可能会想到“集合”或“字典”。）
   • 引导性提问3：“对，哈希表（字典）是个好选择。那么，在遍历数组时，具体如何操作这个哈希表呢？是先全部存入再查找，还是边遍历边处理？”
   • 引导性提问4：“考虑一下，如果数组中有重复的数字，或者目标值恰好是某个数的两倍，你的算法还能正确工作吗？需要处理哪些边界情况？”
5. 逐步构建思路：跟随 AI 的提问，一步步在脑海中或草稿上构建算法逻辑。最终，你应该能自己推导出使用一次遍历和哈希表记录的经典解法。
6. 尝试编写代码：根据引导得出的思路，在 LeetCode 的代码编辑器中尝试自己实现。

5.2 预期结果与成功标准

• 成功标准1：AI 的回复是一系列问题或简短的提示，而不是完整的算法描述或代码块。
• 成功标准2：提示具有递进性，从暴力解法引导到优化思路，再到具体数据结构和实现细节。
• 成功标准3：提示能触及关键点，如“时间复杂度”、“空间换时间”、“哈希表”、“一次遍历”、“边界条件（重复、零）”。
• 成功标准4：通过交互，你能够独立地形成清晰的解题步骤，并成功通过代码实现。

5.3 测试其他功能维度

• 多轮对话深度：针对一个复杂问题（如动态规划题），测试 AI 是否能进行多轮深入对话，引导你定义状态、找到转移方程。
• 不同题型适配：尝试数组、链表、树、图、回溯、动态规划等不同类型的题目，观察提示策略是否有所变化。
• 代码理解提示：如果你已经写了一版有错误的代码，可以将错误信息或思路困惑点输入侧边栏，看 AI 是否能针对你的具体代码逻辑进行提问和引导。

6. 接口 API 与后端集成示例

这个扩展的前端需要与后端 AI 服务通信。理解其 API 调用方式，有助于你自行部署或定制后端。

6.1 前端请求格式（推测）

扩展前端 likely 会向后端发送一个结构化的请求，包含题目信息和用户当前的问题。一个简化的请求示例可能如下：

{ "question_title": "Two Sum", "question_content": "Given an array of integers nums and an integer target, return indices of the two numbers such that they add up to target...", "user_message": "我正在尝试解决‘两数之和’这道题。题目要求是在数组中找到两个数，使它们的和等于目标值。你能给我一些提示吗？", "conversation_history": [ {"role": "user", "content": "Hello"}, {"role": "assistant", "content": "I'm here to help you think through LeetCode problems. What problem are you working on?"} ], "hint_level": "socratic" // 可能指定提示风格 }

6.2 后端服务实现示例（Python + FastAPI）

如果你想自己部署一个简单的兼容后端，可以使用以下代码作为起点。这个后端使用 OpenAI 格式的 API，但实际调用的是你配置的模型。

# main.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel from typing import List, Optional import openai # 或使用其他兼容库，如 `litellm` app = FastAPI() # 配置你的 AI 服务 # 方式1: 使用 OpenAI 官方 # openai.api_key = "your-openai-key" # openai.base_url = "https://api.openai.com/v1" # 方式2: 使用本地部署的兼容 OpenAI 的 API (如 text-gen-webui 或 vLLM) openai.api_key = "dummy-key" # 如果本地不需要密钥 openai.base_url = "http://localhost:5000/v1" # 你的本地 API 地址 class ChatMessage(BaseModel): role: str content: str class HintRequest(BaseModel): question_title: str question_content: str user_message: str conversation_history: Optional[List[ChatMessage]] = [] hint_level: str = "socratic" @app.post("/api/generate_hint") async def generate_hint(request: HintRequest): """ 接收前端请求，构造给 AI 模型的系统提示和用户消息，返回 AI 的提示。 """ # 1. 构造系统提示，定义 AI 的“苏格拉底导师”角色 system_prompt = f""" 你是一位经验丰富的算法教练，擅长通过提问引导学生自己找到答案。 当前题目：{request.question_title} 题目描述：{request.question_content[:500]}... （已截断） 你的任务不是直接给出解决方案或代码。而是通过提出引导性问题、提示关键概念、指出可能的优化方向，来帮助学生构建解题思路。 请确保你的回复是简洁的、问题形式的，并且基于当前的对话历史。 """ # 2. 构造消息历史 messages = [ {"role": "system", "content": system_prompt}, ] # 加入历史对话 for msg in request.conversation_history[-6:]: # 保留最近几轮历史 messages.append({"role": msg.role, "content": msg.content}) # 加入用户当前消息 messages.append({"role": "user", "content": request.user_message}) try: # 3. 调用 AI 模型 response = openai.ChatCompletion.create( model="gpt-3.5-turbo", # 或你配置的其他模型名 messages=messages, temperature=0.7, max_tokens=300, # 限制回复长度，保持提示的简洁性 ) ai_hint = response.choices[0].message.content.strip() # 4. 返回结果 return {"hint": ai_hint} except Exception as e: raise HTTPException(status_code=500, detail=f"AI service error: {str(e)}") if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000)

6.3 运行与测试后端

1. 安装依赖：pip install fastapi uvicorn openai（或litellm）。
2. 将上述代码保存为main.py。
3. 确保你的本地 AI 模型服务（如text-generation-webui的--api模式）正在运行，并记下其 API 地址（如http://localhost:5000）。
4. 修改main.py中的openai.base_url指向你的本地服务地址。
5. 运行后端：python main.py。
6. 在浏览器扩展的配置中，将API Base URL设置为http://localhost:8000（即你的 FastAPI 后端地址）。
7. 现在，扩展的前端请求将发送到你的自部署后端，由后端代理请求到你本地的 AI 模型。

7. 资源占用与性能观察

由于该工具的核心是一个轻量级浏览器扩展和一个远程（或本地）API 调用，其资源占用主要集中在两个方面：

1. 浏览器扩展本身：内存占用极小，通常只有几 MB 到十几 MB。它主要是一个内容脚本（Content Script）和侧边栏 UI，不执行复杂计算。
2. AI 后端服务：
   • 使用云端 API（如 OpenAI）：无本地资源占用，性能取决于网络延迟和 API 响应速度。每次提示生成通常需要 2-10 秒。
   • 使用本地部署模型：这是资源消耗的主要部分。
     • 显存/内存：取决于你运行的 AI 模型大小。一个 7B 参数量的模型，以 4-bit 量化加载，可能需要 4-6 GB 显存。如果使用 CPU 推理，则需要足够的系统内存。
     • CPU/GPU 利用率：在生成提示时，对应的计算硬件会有短暂的高利用率。
     • 响应时间：本地模型的首次加载（冷启动）较慢，但后续单次推理速度较快，通常在 1-5 秒内，取决于模型大小和硬件。

性能优化建议：

• 选择合适的模型：用于提示和引导，不需要极强的代码生成能力。一个 7B-13B 参数量的模型（如 CodeLlama、Qwen-Coder、DeepSeek-Coder 的 instruct 版本）在正确提示词引导下，完全足以胜任苏格拉底式提问的任务，且资源需求相对较低。
• 使用量化模型：优先使用 GPTQ、AWQ、GGUF 等量化格式的模型，可以大幅降低显存和内存占用。
• 设置合理的上下文长度：题目描述可能较长，但对话历史可以适当截断，只保留最近几轮，以减少 token 消耗和推理时间。
• 后端服务缓存：对于热门题目，可以考虑在后端对 AI 生成的提示进行缓存，避免对相同问题重复计算。

8. 常见问题与排查方法

9. 最佳实践与使用建议

为了最大化这个工具的学习效果并确保稳定使用，可以参考以下建议：

1. 明确使用目标：在打开工具前，先自己思考题目 5-10 分钟。明确自己卡在哪个具体环节（是思路方向、数据结构选择，还是边界条件），再向 AI 提问。这样获得的提示会更有针对性。
2. 主动引导对话：不要只说“帮帮我”。尝试描述你的初步思路和遇到的障碍，例如：“我想到用滑动窗口，但不确定窗口收缩的条件是什么？” AI 的回应会基于你提供的上下文。
3. 结合官方题解：在使用 AI 引导得出思路后，再去对比 LeetCode 的官方题解或高质量社区题解。这可以验证你的思路，并学习更优雅的代码实现。
4. 记录对话历史：有价值的引导对话可以保存下来，作为你个人的“解题思路笔记”，方便日后复习。
5. 后端部署优化：
   • 提示词工程：精心设计系统提示词是效果的关键。明确角色、规则和输出格式。
   • 模型选择：对于算法引导，推理能力强的模型比纯代码生成模型可能更合适。可以测试claude-3-haiku,gpt-4,deepseek-coder-instruct等。
   • 服务监控：如果自建服务供多人使用，需要监控 API 调用频率、响应时间和错误率。
6. 隐私与安全：
   • 如果使用第三方 API，请注意其隐私政策，避免发送敏感代码或个人信息。
   • 自建服务时，确保 API 端点有适当的访问控制（如简单的 Token 验证），避免被滥用。
7. 作为教学工具：教师或导师可以利用此工具，通过观察学生与 AI 的互动过程，来了解学生的思考模式和常见误区，从而进行更有针对性的辅导。

这个 AI LeetCode 侧边栏项目代表了一种更健康的编程辅助方向——它强化的是思维过程，而非结果复制。它的价值不在于帮你快速通过一道题，而在于训练你解决未来无数道题的能力。工具本身安装简单，核心挑战在于后端 AI 服务的选型与提示词调优。建议先从配置一个云端 API 开始体验，理解其工作流程和效果。如果你对提示词工程或本地模型部署感兴趣，再尝试自建后端进行深度定制。把它当作一位严格的陪练，你的算法肌肉才会越练越强。