1.2 六问诊断法
学习目标
学完这一节，你能：
- 在使用 AI 之前，写出自己的问题规格和初步判断
- 用六问法把一个模糊任务拆成可检查的分析过程
- 判断 AI 输出什么时候可以接受、什么时候必须追问或拒绝
- 把六问法整理成一份"推理收据"，留下自己的决策依据
试飞员的清单
2018 年，模拟训练。8000 米高空，600 公里时速，双引擎熄火。
试飞员没有先问"有没有最优方案"。他先跑过一张清单：
- 油量还剩多少？
- 哪个系统报错？
- 能重启吗？
- 最近机场在哪？
- 风向如何？
- 能滑过去吗？
清单不是成功的保证。清单的价值，是让人在压力下仍然有下一步动作。
算法设计也一样。面对一个陌生任务，尤其是一个可以立刻丢给 AI 的任务，你最危险的状态不是"不会写代码"，而是还没有形成自己的判断，就已经继承了 AI 的判断。
六问诊断法就是算法设计中的清单。它不替你产出最优算法，而是帮助你在动手之前先建立一个可审查的思考基线。
先想再看：预测锁
使用六问法之前，先做一个更小的动作：预测锁。
预测锁的要求很简单：碰 AI 之前，先写下你的立场，并封存时间。之后可以修正，但不能假装自己一开始就知道。
典型的错误路径是：
拿到问题 -> 立即问 AI -> AI 给出答案 -> 觉得有道理 -> 直接采纳这不是协作，而是继承。你没有形成自己的判断，也就没有能力判断 AI 的答案解决的是不是原问题。
预测锁要求你先写下：
- 我认为问题的输入和输出是什么
- 我认为数据规模和速度要求大概是多少
- 我想到的最简单解法是什么
- 我猜测应该用哪类算法
- 我最担心的边界情况是什么
然后再让 AI 参与。这样，AI 的输出就不再是"标准答案"，而是一个可以和你原始判断对照的对象。
预测锁的目的不是证明你比 AI 强，而是暴露你没有想到的盲点。
为什么是六问？
六问不是随意凑出的六个问题。它们对应算法设计中的六个决策层次：
| 层次 | 核心问题 | 本层产出 |
|---|---|---|
| 理解问题 | 我到底在解决什么？ | 问题规格 |
| 建立基线 | 最简单的可行办法是什么？ | 暴力解和复杂度预算 |
| 检索知识 | 这是不是已知问题？ | 问题类型假设 |
| 利用结构 | 有哪些特殊条件可以利用？ | 可利用结构清单 |
| 选择范式 | 应该采用哪种设计思想？ | 范式选择和理由 |
| 承认边界 | 还有哪些不确定或想不出来？ | 风险列表和下一步行动 |
AI 可以参与每一层：它能帮你列可能性、查标准算法、写代码、找反例。但它不能替你承担问题定义和取舍责任。真实约束来自你的场景，最终责任也在你这里。
所以这一节训练的不是"不问 AI"，而是训练你带着自己的判断去问 AI。
第一问：我真的理解问题吗？
第一问的产出不是代码，而是一张问题规格卡。
规格卡至少包含五项：
| 项目 | 要回答的问题 | 常见遗漏 |
|---|---|---|
| 输入 | 数据从哪里来？格式是什么？范围多大？ | 把自然语言描述当成输入定义 |
| 输出 | 返回一个值、一个列表，还是一个可解释的决策？ | 只说"推荐结果"，不说 Top-k 还是完整排序 |
| 规模 | n 大概是多少？峰值是多少？ | 忽略线上高峰和长期增长 |
| 约束 | 时间、空间、准确率、稳定性有什么要求？ | 只关注能不能跑，不关注能不能上线 |
| 例子 | 一个正常例子和一个边界例子分别是什么？ | 没有冷启动、空输入、重复值等情况 |
比如"写个推荐算法"不是一个清晰问题。它至少要进一步变成：
输入是用户-商品评分矩阵，约 100 万用户、10 万商品；输出每个用户的 Top-10 推荐；在线请求需要 100ms 内返回；新用户允许退化到热门推荐。
这时才有资格讨论算法选择。
与 AI 协作
这一问最适合让 AI 做"澄清助手"，而不是直接做"实现助手"。
可以这样问：
下面是我的问题规格。请帮我找出仍然模糊、可能导致算法选择错误的地方，不要先写代码。
如果 AI 立刻给代码，你也应该先把它拉回规格层面。规格不清，代码越完整越危险。
第二问：简单算法够用吗？
第二问的产出是一个暴力基线和一个复杂度预算。
暴力解不是低水平解法。它有三个作用：
- 作为正确性参照，帮助你测试更复杂的算法
- 作为原型，帮助你确认问题建模是否正确
- 作为预算起点，帮助你判断是否真的需要优化
关键不是问"暴力解是不是高级"，而是问"它在当前规模下是否够用"。
一个粗略判断是：
| 数据规模 | O(n) | O(n log n) | O(n^2) | O(2^n) |
|---|---|---|---|---|
| n = 100 | 通常没问题 | 通常没问题 | 通常没问题 | 通常不可接受 |
| n = 10,000 | 通常没问题 | 通常没问题 | 需要谨慎 | 不可接受 |
| n = 1,000,000 | 通常没问题 | 可能可接受 | 通常不可接受 | 不可接受 |
这张表不是硬规则。真实运行时间还取决于常数、语言、硬件、IO、网络、并发和数据分布。但它能防止你在没有规模意识时盲目接受一个复杂度不合适的方案。
与 AI 协作
不要只问：
帮我写最优算法。
更好的问法是：
先给出一个最简单正确的基线算法，并估计它在 n=10^5 时是否可接受。如果不可接受，再说明需要优化到什么复杂度。
这样 AI 的输出会更容易被审查：它必须同时给出解法和复杂度理由。
第三问：有标准解法吗？
第三问的产出是一个问题类型假设。
很多任务表面上是业务需求，底层其实是经典问题。识别类型之后，你不需要重新发明算法，也不需要让 AI 在模糊描述中猜。
识别问题类型时，不要只背算法名字，要看信号：
| 识别信号 | 可能的问题类型 | 追问 |
|---|---|---|
| 有对象和关系 | 点与连接构成的问题 | 连接是否有方向和权重？ |
| 要找"最短、最快、最低成本" | 路线或代价最小化问题 | 代价如何计算？ |
| 要安排、匹配、分配 | 把资源分给对象的问题 | 是一对一、多对一，还是容量受限？ |
| 要从序列中找规律 | 排序、查找或分段问题 | 是否只和相邻元素有关？ |
| 要在大量数据中判断是否出现过 | 快速查找或去重问题 | 是否允许概率性错误？ |
| 要实时处理连续数据 | 只保留少量状态的数据流问题 | 能否保存全部历史？ |
这一步的关键是：先提出假设，再验证假设。
例如"判断一个人能否参加所有会议"看起来是日程管理，其实可以假设为排序问题：把会议按开始时间排序，再检查相邻会议是否重叠。这个假设成立，是因为只要排序后相邻会议不冲突，就不会有跨越更远的冲突。
与 AI 协作
可以让 AI 同时给出多个类型假设：
这个问题可能分别被建模成哪些经典算法问题？请列出每种建模成立需要满足的条件，以及不成立时的反例。
这里你要审查的不是代码，而是"建模条件"。
第四问：能利用特殊结构吗？
第四问的产出是一个可利用结构清单。
通用算法解决的是最一般的问题。但真实任务往往带有特殊条件：
- 数据几乎有序
- 数值范围很小
- 图很稀疏
- 查询很多但更新很少
- 只需要近似答案
- 可以离线预处理
- 输入会持续到达，不能完整保存
这些条件可能彻底改变算法选择。
例如排序整数，如果数值范围只有 0 到 100，计数排序可能比通用比较排序更合适。又如推荐系统，如果离线阶段可以预计算候选集，在线阶段就不应该重新扫描全量商品。
第四问最容易被忽略，因为它要求你不仅理解算法，也理解数据来源和使用场景。
与 AI 协作
让 AI 写通用解之前，先让它读你的结构清单：
我的数据有这些特殊结构：……请判断哪些结构可以降低时间复杂度、空间复杂度或工程成本。每条建议都要说明适用条件。
如果 AI 提出的优化没有利用你的结构，它可能只是给了一个更复杂的通用解。
第五问：哪种范式适合？
第五问的产出是一个范式选择理由。
算法范式不是标签，而是一组证明义务。选择某个范式，就意味着你要回答它最关键的问题：
| 范式 | 先问什么 | 如果答不上来，风险是什么 |
|---|---|---|
| 分治：把问题拆成相互独立的小问题 | 子问题是否独立？合并是否便宜？ | 子问题重叠导致重复计算 |
| 局部选择法：每一步都选眼前最好的动作 | 局部最优为什么能推出全局最优？ | 得到看似合理但错误的答案 |
| 记表法：把重复子问题的答案存起来 | 状态是什么？转移是否覆盖所有情况？ | 状态爆炸或遗漏边界 |
| 试探回退法：尝试一种选择，失败再退回 | 搜索空间是什么？剪枝是否安全？ | 枚举失控或剪掉正确答案 |
| 容量分配模型：把限制看作容量 | 容量如何对应现实约束？ | 建模错位，算法正确但问题错误 |
| 随机化：允许算法使用随机选择 | 允许什么概率性错误？如何控制失败率？ | 把不确定结果误当确定结果 |
| 数据流方法：输入持续到达，只保留少量状态 | 能保存多少状态？是否允许近似？ | 用单机批处理思路处理实时流 |
例如，看到"每一步选当前最优"并不能说明这个规则一定正确。你还要说明：为什么这个局部选择不会破坏未来的整体结果？如果说不清，就应该怀疑这个规则。
与 AI 协作
这里不要让 AI 只给算法名称。让它给出选择理由和反例压力测试：
你建议使用这个范式，请说明它成立需要满足的性质；再给一个最可能让该范式失败的反例。
如果 AI 只给出实现，不给出成立条件，你仍然没有完成算法设计。
第六问：还是想不出来？
第六问的产出是一个边界说明。
想不出来不是失败。真正危险的是没有理由地说"做不了"，或者没有证据地说"一定可以"。
更好的表达是：
我目前不能直接解决，因为……
我已经排除了……
我还不确定……
下一步我需要……
卡住时可以做四件事：
- 回到第一问，检查问题是否定义错了
- 放宽约束，先解决简化版本
- 搜索相似问题，寻找标准建模
- 请 AI 或专家给出反例、下界、替代建模
第六问把六问法变成循环。卡住不是终点，而是回到更早的问题重新建模。
推理收据：把六问法留下来
在 AI 时代，交付一个答案不够。你还要能交付答案背后的判断过程。
这份记录可以叫推理收据：
问题规格：
- 输入：
- 输出：
- 规模：
- 约束：
- 例子：
暴力基线：
- 思路：
- 时间复杂度：
- 空间复杂度：
- 是否够用：
问题类型假设：
- 我认为它像：
- 成立条件：
- 可能反例：
特殊结构：
- 可利用结构：
- 对复杂度或工程成本的影响：
范式选择：
- 选择：
- 理由：
- 需要证明或测试的点：
AI 对比：
- AI 给出的方案：
- 与我预测不同之处：
- 我接受/修改/拒绝的理由：
剩余风险：
- 未确认的约束：
- 需要补充的测试：
- 下一步行动：推理收据不是形式主义。它训练的是三种能力：
- 你能不能在 AI 之前形成自己的判断
- 你能不能解释为什么接受或拒绝 AI 的建议
- 你能不能在结果出问题时追溯当初的决策依据
这正是未来算法课比过去要求更高的地方。过去学生常常被训练成"能手写实现的人"；现在更需要被训练成"能定义问题、审查方案、承担判断的人"。
人与 AI 的分工
六问法不是把人和 AI 分开，而是把协作边界说清楚。
| 层次 | 人的责任 | AI 可以协助 |
|---|---|---|
| 理解问题 | 定义真实目标、约束和验收标准 | 找歧义、补充澄清问题 |
| 建立基线 | 判断复杂度是否够用 | 写基线代码、估算复杂度 |
| 检索知识 | 决定哪种建模最贴近场景 | 列标准算法和类似问题 |
| 利用结构 | 识别数据和业务特殊性 | 提出可能优化方向 |
| 选择范式 | 承担架构选择和证明义务 | 给出实现、反例和测试 |
| 承认边界 | 决定何时放宽、求助或停止 | 提供替代方案和参考材料 |
AI 的价值很大，但它的价值取决于你给它什么问题，以及你如何审查它的回答。
所以，算法课不是因为 AI 会写代码而变得不重要。恰恰相反：当代码生成变便宜，判断错误变得更贵。
本节要点
- 六问法不是求最优解的公式，而是防止思考失控的纪律
- 预测锁要求你在 AI 之前形成自己的判断基线
- 每一问都要有产出：规格、基线、类型假设、结构清单、范式理由、边界说明
- AI 可以参与分析，但不能替你承担问题定义和最终取舍
- 高质量算法学习不再只是写出代码，而是留下可审查的推理收据
课堂练习
练习 1：预测锁训练
问题：给定一个无向图，判断其中是否存在环。
第一步，不使用 AI，写一份预测锁：
- 你如何定义输入和输出？
- 你想到的最简单解法是什么？
- 你预测的时间复杂度和空间复杂度是多少？
- 你认为这个问题像哪类经典问题？
- 你担心哪些边界情况？
第二步，让 AI 给出两种不同解法，并要求它说明复杂度和边界情况。
第三步，提交一张对比表：
| 项目 | 我的预测 | AI 输出 | 我最终接受的判断 |
|---|---|---|---|
| 问题建模 | |||
| 算法思路 | |||
| 复杂度 | |||
| 边界情况 |
评分重点不是谁先想到标准解，而是谁能清楚说明自己为什么修改判断。
练习 2：六问法应用
用六问法分析下面的问题：
给定 n 个会议的起始和结束时间，判断一个人能否参加所有会议。
你的提交必须包含：
- 问题规格卡
- 暴力基线和复杂度
- 标准解法假设
- 至少两个边界例子
- 最终给 AI 的提示词
- 你会用哪些测试判断 AI 的实现是否正确
练习 3：审查 AI 输出
问题仍然是会议安排。假设 AI 给出如下判断：
先按会议开始时间排序。然后检查每个会议的开始时间是否大于前一个会议的结束时间。如果都大于，就可以参加所有会议。
请审查这段答案：
- 它的算法思想是否合理？
- "大于"是否一定正确？如果一个会议 10:00 结束，下一个会议 10:00 开始，算不算冲突？
- 这个答案缺少哪些输入约定？
- 你会如何修改提示词，让 AI 先问清楚边界再写代码？
练习 4：推理收据
任选一个你最近见过的编程任务，按本节模板写一份推理收据。要求：
- 先写自己的预测锁
- 再附上 AI 输出摘要
- 最后写出你接受、修改或拒绝 AI 建议的理由
课后测验
📝 课后测验
上一节：1.1 你面对的是一个什么问题
下一节：1.3 如何验证正确性