AI 算法题分类与标签体系从题目特征到知识点的自动映射一、标签体系的混乱现状同一道题三个平台三种分类LeetCode、Codeforces、AtCoder 对同一道题的分类标签经常不一致。LeetCode 标为动态规划的题Codeforces 可能标为贪心因为两种解法都可行。更严重的是标签粒度不统一有的平台标数组有的标双指针有的标滑动窗口——它们其实是同一类问题的不同抽象层次。统一的标签体系是算法学习的基础设施。没有统一的标签就无法准确统计我动态规划做了多少题也无法推荐和你薄弱知识点相关的题目。AI 自动标签的目标是输入题目描述和代码输出多层级的知识点标签覆盖算法类型、数据结构、解题技巧和难度梯度。二、多层标签体系的设计graph TB TAG[题目标签] -- L1[一级算法范式] TAG -- L2[二级数据结构] TAG -- L3[三级解题技巧] TAG -- L4[四级难度梯度] L1 -- DP[动态规划] L1 -- SEARCH[搜索] L1 -- GREEDY[贪心] L1 -- DIVIDE[分治] L2 -- ARR[数组] L2 -- TREE[树] L2 -- GRAPH[图] L2 -- STR[字符串] L3 -- SLIDE[滑动窗口] L3 -- MONO[单调栈] L3 -- BINARY[二分查找] L3 -- BIT[位运算] L4 -- EASY[入门 O n] L4 -- MED[进阶 O n log n] L4 -- HARD[高级 O n 或特殊算法]三、自动标签系统的工程实现from dataclasses import dataclass, field from typing import Any dataclass class ProblemTags: 题目标签 problem_id: str paradigm: list[str] # 算法范式 data_structure: list[str] # 数据结构 technique: list[str] # 解题技巧 difficulty_tier: str # 难度梯度 class AutoTagger: 自动标签系统 def __init__(self, llm_client): self.llm_client llm_client async def tag(self, problem: dict, code: str ) - ProblemTags: 自动生成多层标签 prompt f为以下算法题生成多层标签。 题目{problem[title]} 描述{problem[description]} {代码 code if code else } 标签体系 - 算法范式动态规划, 搜索(BFS/DFS), 贪心, 分治, 回溯, 图论 - 数据结构数组, 链表, 树, 图, 字符串, 哈希表, 堆, 栈, 队列 - 解题技巧滑动窗口, 单调栈, 二分查找, 位运算, 前缀和, 差分, 拓扑排序 - 难度梯度入门(暴力可解), 进阶(需要优化), 高级(需要特殊算法) 输出 JSON {{ paradigm: [标签1, 标签2], data_structure: [标签1], technique: [标签1], difficulty_tier: 入门/进阶/高级 }} response await self.llm_client.chat(prompt, temperature0.05) import json tags json.loads(response) return ProblemTags( problem_idproblem[id], paradigmtags[paradigm], data_structuretags[data_structure], techniquetags[technique], difficulty_tiertags[difficulty_tier], ) def validate_tags(self, tags: ProblemTags, manual_tags: list[str]) - dict: 与人工标签对比计算准确率 all_auto set(tags.paradigm tags.data_structure tags.technique) all_manual set(manual_tags) if not all_manual: return {precision: 0, recall: 0} intersection all_auto all_manual precision len(intersection) / len(all_auto) if all_auto else 0 recall len(intersection) / len(all_manual) if all_manual else 0 return { precision: round(precision, 2), recall: round(recall, 2), auto_tags: list(all_auto), manual_tags: list(all_manual), missing: list(all_manual - all_auto), extra: list(all_auto - all_manual), }四、自动标签的 Trade-offs 分析标签一致性不同标注者对同一题的标签可能不同。DP 和贪心都可解的题标签应该包含两者还是只标更优解法建议允许多标签按解法质量排序。LLM 标签的稳定性同一题目多次调用 LLM 可能生成不同标签。temperature 设为 0.05 可以提升稳定性但不能完全消除波动。建议缓存标签结果避免重复生成。标签粒度的权衡粒度太粗如只标数组无法指导学习粒度太细如标双指针-对撞指针增加标注成本。建议三级粒度范式→结构→技巧按需展开。冷启动问题新题没有历史标签数据纯靠 LLM 标注精度有限。建议结合代码特征AST 分析和题目文本特征关键词匹配辅助标注。五、总结统一的标签体系是算法学习的基础设施。多层标签范式→结构→技巧→难度覆盖了从抽象到具体的全维度。AI 自动标签通过 LLM 语义理解生成初始标签与人工标签对比验证精度。落地时需要关注标签一致性、LLM 稳定性、粒度权衡和冷启动问题。建议采用AI 初标 人工审核的半自动模式逐步积累高质量标签数据。