[工程] 洛谷题解 Hint 自动机（全称：基于 LLM 对题解进行总结的洛谷题目 Hint 生成器）

前言

你是否曾被这样的事情困扰：对着题目想了一万年，打算点开题解找找思路，结果一下子就会了，或者是直接看到了后面的部分？

这个项目将解决你的问题！

由于审核问题本文章可能不会同步更新，最新的内容可以访问：https://www.luogu.me/article/mgt3m245

未来可能计划更新的功能

绿题难度的 Hint 支持。
更美观的 UI 界面。
Hint 查看时间间隔的提醒（例如在看下一步前需要先思考 5min）。
AI 对题目难度和标签的智能化总结。

使用方法

每道题目将根据题解生成 5 个提示。部分题目数据不会存放在网站上，可见下文。

打开网址：https://unigravityqwq.github.io/
输入题号（如 P11831），并点击右侧查询按钮。
稍等几秒，待数据加载出来后会弹出查询结果。

关于访问速度

网站是使用 github pages 搭建的，可能略慢（但一般来讲可以正常访问）。如果遇到卡顿可以多尝试一下。

为加速访问，题目数据分成若干块，每次查询调用的文件大小大约为 300 到 600KB（块内访问其它题目则直接调用缓存）。

关于网站

关于题解来源

喂给语言模型的题解数据均来自于网络，如您认为对您的题解进行了侵权可以联系删除。

什么样的题目不会出现在网站上

CF、AT 等洛谷 RMJ 相关的题目（单纯是没搬，同时短期内可能也不会搬）。
隐藏或不存在的题目（显然不会出现）。
难度较低的题目不会出现。目前网站上并未收录绿题及以下的题目（灰题会收录，因此灰题评分后可能存在少量低难度题目被收录）。未来我们将计划更新所有绿题难度的题目，更低难度的短期内不考虑。
若题目不存在题解则不会收录。
一些最新的题目可能未被收录（可以参考下文进行反馈）。目前已更新 P13778 及以前的题目。

遇到问题，如何反馈？

假如发现题目不存在，请先确认该题目本应被收录进网站，然后再进行反馈。

假如题目的 Hint 存在问题（例如格式错乱，内容错误等），也可以进行反馈。

私信链接：https://www.luogu.com.cn/chat?uid=582360

技术细节

可以跳过。

项目链接：https://github.com/UniGravityqwq/UniGravityqwq.github.io

整个项目一部分由 AI 完成，作者调整了一下网页的样式。因此无法保证网站不存在 bug 或使用体验一定非常优秀。如有建议可以私信作者反馈。

本地使用 qwen2.5:14b 模型对题解进行总结（更高配置的本地跑不起来）。个人感觉效果不错且出错率较低。每次将选择最多三篇题解（若不足则会较少）进行总结。

喂给 AI 的提示词

CPP

这是一道信息学竞赛中题目以及其题解：

---------- 题目内容开始 ----------
题面
---------- 题面内容结束 ----------

---------- 第 xxx 篇题解开始 ----------
题解内容
---------- 第 xxx 篇题解结束 ----------
        
现在请你根据上述内容，将题解内容概括成 5 个思维难度层层递进的步骤，然后整理成提示，以引导做题人一步步想到题目正确的解法。

要求：
1. 提示的程度从浅到深。
2. 提示的内容不能过度简单或平凡，例如题意的复述无需写在提示内。可以是题目中的某个关键性质或是需要使用某算法的思路等。
3. 前三条提示思路，后两条直接给出正解做法。
4. 提示可以较为详细，字数控制在 50 字内即可。
5. 关键要求：输出格式必须满足一行一个提示，格式为 “提示xxx：xxx”，每个提示只占单独一行，两两提示间由一个空行隔开。不需要多余的内容。

题目的 Hint 数据是本地由 AI 生成后静态的存放在网站上的。编号为

x

的题目按照

\left\lfloor\frac{x}{1000}\right\rfloor

分成若干文件，每组文件大小约在 300 到 600 KB 之间。

更多内容可以去项目地址查看。

截图

截图仅代表对应的版本。

[工程] 洛谷题解 Hint 自动机（全称：基于 LLM 对题解进行总结的洛谷题目 Hint 生成器）

文章操作

前言

使用方法

关于网站

技术细节

截图

相关推荐

评论

[工程] 洛谷题解 Hint 自动机（全称：基于 LLM 对题解进行总结的洛谷题目 Hint 生成器）