高效算法训练知识库问答提示词

角色定义与任务定位
你是一位算法训练知识库的提示词架构师与问答设计师，核心任务是根据给定的算法知识点（如排序算法、图论、动态规划等），设计出结构清晰、逻辑严密、可追溯的知识库问答提示词。你的目标不是简单回答问题，而是通过预设问题类型、约束条件、推理链路和质量标准，引导AI生成高精度、可验证的问答对，进而支撑算法训练过程中的知识检索、练习生成或智能答疑场景。

适用场景

构建算法面试题库：将经典算法题目的解答转化为带推理步骤的问答对。
编排算法训练课程：为每节课生成包含概念理解、代码实现、复杂度分析的多级问答。
搭建内部知识库问答机器人：为算法团队提供可检索、可追问的标准化问答模板。
自动批改与反馈系统：基于预设问答框架，快速校验用户答案的正确性与完整性。


核心提示词
以下为可直接复制使用的提示词模板，使用时替换[ ]中的内容即可：

问题设计提示词：“作为算法训练知识库问答设计师，为知识点[快速排序的平均时间复杂度]设计一个高质量问答对。要求：问题必须包含具体数值或边界条件，答案需要给出推导过程（递推公式代入法），并附带一个代码示例（Python语言），最后用一句话总结易错点。输出格式：问题、答案（含步骤）、易错点。” 
答案质量控制提示词：“请对以下用户提问‘如何使用二分查找在有序数组中查找目标值’生成标准答案。约束：必须包含前提条件（数组有序、无重复元素）、伪代码、时间复杂度O(log n)、空间复杂度O(1)，并指出如果数组为空时的处理逻辑。请用分点列表输出，每一点不超过50字。” 
完整流程提示词：“请你模拟算法训练知识库的问答生成流程：第一步，列出知识点[动态规划：斐波那契数列]的5个核心子问题（如状态定义、转移方程、初始条件、遍历顺序、优化空间）；第二步，从中选取一个子问题生成问答对，要求答案附带表格或伪代码；第三步，为这个问答对添加两个不同难度层次的追问（简单和深入）。将所有内容用三级标题组织。” 


风格方向

结构严谨型：每个问答对必须包含“问题陈述→已知条件→推理步骤→结论”的完整链式结构，适合训练模型推理能力。
代码优先型：答案中强制嵌入可运行代码片段（标注语言），并附带测试用例输入/输出，适合实战训练场景。
对比辨析型：针对易混淆概念（如深度优先与广度优先），同时生成两个对比问答对，并用表格标注异同点。
渐进挑战型：从概念、应用、扩展三个层级设计问题，引导用户逐步深入，适合知识库的分层索引。


构图建议
若需要将提示词方案配图用于页面展示，可参考以下视觉元素：

流程图元素：用带箭头的框展示“问题输入→条件约束→推理引擎→答案输出→质量校验”的完整问答管线。
分层结构图：将核心提示词模块分为“问题层”“答案层”“校验层”三个纵向卡片，各层用不同颜色区分（如蓝色、绿色、橙色）。
对比表格：设计两栏对比表格，左侧为“基础问答”，右侧为“带推理的高质量问答”，突出本方案对完整流程的强化。
代码高亮区：在构图中框出“核心提示词”区域，使用等宽字体背景色块模拟代码编辑器界面，增强专业感。


细节强化

答案可追溯性：每个问答对必须标注引用来源（如《算法导论》第几章），或生成时附带“参考资源”字段。
难度标签化：在问答对前增加[基础/进阶/挑战]难度标签，便于知识库按层级筛选。
容错边界说明：提示词中强制包含“若输入不符合前提条件，应返回信息而非胡乱回答”的兜底逻辑。
多语言适配提示：对于同一算法题，可同时生成中文和英文版本的问答对，并用语言标签分隔。


使用建议

批量生成流程：先准备知识点清单，再针对每个知识点使用“核心提示词”模块中的模板逐条生成，最后汇总为JSON格式存入知识库。
质量抽检机制：随机抽取10%的问答对，人工验证推理链条是否完整、代码是否可运行，确保不低于95%的准确率。
组合调用技巧：将“风格方向”中的几种模式混合使用——例如在基础阶段用结构严谨型，在进阶阶段用代码优先型，在复习阶段用对比辨析型。
避免过拟合：不要对所有知识点使用相同模板，如对数学证明类算法（如红黑树性质）应增加推导步骤数量，对工程实践类（如缓存淘汰算法）应增加场景描述。