必须提供四类硬性背景：题源与原格式、能力锚点、卡点环节、输出形态；补充失败路径、目标场景、语言生态；避免模糊泛化、主观臆断、信息割裂。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
当你需要ChatGPT帮你拆解一道算法题，却只丢过去“给个解法”或“讲讲这道题”，它大概率会跳过关键约束、误判难度层级、甚至用Python写而你实际要的是Java伪代码。背景信息不是可有可无的铺垫，而是决定它能否精准定位解题路径的坐标系。
必须包含的四类硬性背景
第一步：明确题目原始来源与呈现形式。复制粘贴题干时，保留原平台格式（如LeetCode题号#234、牛客网ID“NC123”）、输入输出示例的缩进与换行，【不手动改写题干中的变量名或省略边界注释】。模型依赖这些符号特征识别题型归属——把“nums[i] ≤ nums[i+1]”简写成“数组递增”会导致它忽略非严格单调这一关键约束。
第二步：声明你的当前能力锚点。不能只说“我是初学者”，要具体到：“刚学完双指针，没接触过树状数组”或“能读懂DP状态转移，但写不出初始化逻辑”。模型据此决定是否展开基础概念推导，避免在你已掌握的环节堆砌解释。
第三步：指出你卡在哪个原子环节。是读不懂题意里的“子序列异或最大值”定义？还是想不出如何把O(n²)暴力剪枝到O(n log n)？【避免说‘完全不会’或‘看不懂’这种无效反馈】。模型需要故障定位点才能定向补全认知断层，而非重讲整个动态规划范式。
第四步：限定输出交付物形态。明确要求“用中文分三步写推导链，每步附一行对应代码”或“先画状态转移图，再给Go语言实现，禁止用递归”。不指定格式时，模型默认按通用教学模板输出，可能混入你不需要的数学证明或冷门优化技巧。
高价值但易被忽略的补充信息
方法一：标注你已尝试的失败路径。例如：“试过用哈希表存前缀和，但遇到负数时无法保证单调性”。这能让模型跳过已被证伪的思路，直接切入修正方案，比如提示你改用有序集合维护滑动窗口。
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
方法二：说明目标场景用途。是为面试突击准备？还是为ACM区域赛训练？前者需强调时间复杂度临界点（如“必须控制在O(n)内，因面试官会追问优化”），后者则要补充测试数据规模（“n≤10⁶，需考虑常数因子”）。
方法三：提供你正在使用的编程语言生态细节。例如：“用Rust写，但不熟悉unsafe块，所有解法必须仅用safe Rust”。若不声明，模型可能默认给出带指针操作的C++解法，导致你无法直接迁移。
三类典型错误背景写法
① 模糊泛化型：“这是一道中等难度的数组题”。模型无法从“中等”提取任何可执行线索，LeetCode的中等题覆盖双指针到线段树，跨度极大。
② 主观臆断型：“我觉得应该用DFS，但写不出来”。这会让模型陷入验证你猜想的歧途，而你真正需要的可能是BFS更优的证明过程。
③ 信息割裂型：题干粘贴在第一行，你的困惑写在最后一句，中间没有任何连接词。模型缺乏上下文缝合能力，大概率将困惑理解为独立新问题而非题干分析环节的延伸。
