AI 替你写了代码，但你学到了什么？

"""
deliberate_practice.py
用 AI 生成练习题，手动完成后再让 AI 评审

使用方式：
1. 运行脚本，拿到一道练习题
2. 在 exercises/ 目录下手动写你的解答
3. 再次运行脚本，AI 会对比你的解答与参考实现，给出反馈

依赖：pip install openai
"""

import os
import json
import openai

client = openai.OpenAI()  # 默认从环境变量读取 OPENAI_API_KEY

EXERCISES_DIR = "exercises"

def generate_exercise(topic: str, difficulty: str = "intermediate") -> dict:
    """让 AI 生成一道练习题，包含题目描述和参考实现"""
    prompt = f"""
    生成一道关于 {topic} 的编程练习题，难度为 {difficulty}。

    要求：
    - 题目描述要具体，有明确的输入输出要求
    - 参考实现要简洁但完整，用 Python
    - 题目应该涉及常见的边界情况或陷阱
    - 不要太简单（纯语法），也不要太复杂（需要外部依赖）

    以 JSON 格式返回，结构为：
    {{
        "title": "题目标题",
        "description": "题目描述，包含输入输出示例",
        "reference_solution": "参考实现的 Python 代码",
        "key_learning_points": ["这道题要练习的核心知识点列表"]
    }}
    """
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)


def review_my_solution(exercise: dict, my_solution: str) -> str:
    """让 AI 评审你的手动解答，对比参考实现给出反馈"""
    prompt = f"""
    你是一位严格的代码评审教练。

    题目：{exercise['title']}
    描述：{exercise['description']}

    参考实现：
    ```python
    {exercise['reference_solution']}
    ```

    学员的解答：
    ```python
    {my_solution}
    ```

    请对比两个实现，从以下角度给出反馈：
    1. 正确性：是否满足题目要求？有没有遗漏边界情况？
    2. 效率：时间/空间复杂度与参考实现的差异？
    3. 可读性：命名、结构是否清晰？
    4. 关键学习点：学员是否抓住了这道题要练习的核心知识点？

    不要直接给出改进后的完整代码。指出具体问题，让学员自己修改。
    """
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content


def main():
    topic = input("输入你想练习的主题（如 concurrency, caching, tree traversal）: ")

    # Step 1: 生成练习
    exercise = generate_exercise(topic)
    print(f"\n{'='*60}")
    print(f"题目：{exercise['title']}")
    print(f"{'='*60}")
    print(exercise['description'])
    print(f"\n核心学习点：{', '.join(exercise['key_learning_points'])}")

    # 保存题目信息供后续评审用
    os.makedirs(EXERCISES_DIR, exist_ok=True)
    exercise_file = os.path.join(EXERCISES_DIR, f"{exercise['title'].replace(' ', '_')}.json")
    with open(exercise_file, 'w') as f:
        json.dump(exercise, f, indent=2)

    print(f"\n题目信息已保存到 {exercise_file}")
    print(f"请在 {EXERCISES_DIR}/ 目录下创建你的解答文件，然后再次运行此脚本进行评审。")

    # Step 2: 评审（如果已有解答文件）
    solution_file = os.path.join(EXERCISES_DIR, f"{exercise['title'].replace(' ', '_')}_my.py")
    if os.path.exists(solution_file):
        with open(solution_file, 'r') as f:
            my_solution = f.read()
        print(f"\n{'='*60}")
        print("AI 评审反馈：")
        print(f"{'='*60}")
        feedback = review_my_solution(exercise, my_solution)
        print(feedback)
    else:
        print(f"\n请将你的解答写入 {solution_file}，然后重新运行脚本获取评审。")


if __name__ == "__main__":
    main()

# 安装依赖
pip install openai

# 确保设置了 API Key
export OPENAI_API_KEY="sk-..."

# 第一次运行：生成练习题
python deliberate_practice.py
# 输入主题，如 "concurrency"

# 手动写解答
# 在 exercises/ 目录下创建对应的 _my.py 文件

# 第二次运行：获取评审
python deliberate_practice.py
# 输入相同主题，脚本会检测到你的解答文件并给出反馈

# 核心模块：手动开发，完整提交历史
git log --oneline src/core/cache_strategy.py
# e3a1f 修复并发竞态条件
# 7b2c0 添加 TTL 逐出逻辑
# 4d9a1 初始实现
# 每个提交都是一个学习节点

# 工具脚本：AI 生成，只做审查
ai-generate "写一个脚本，把 CSV 日志转成 JSON 格式，保留时间戳和错误级别字段"
# 生成后只做功能验证和代码审查，不逐行手写

# 测试：AI 生成骨架，你补边界
ai-generate "为 cache_strategy.py 生成 pytest 测试骨架"
# 你手动补充：并发写入测试、内存溢出测试、TTL 边界测试