大学时写的 Python 作业，能跑出预期结果就交差，从没回头想过有没有更好的写法。最近小编翻出三份旧脚本交给 AI 编程智能体：二分查找、基于栈的表达式转换、牛顿迭代法。结论先说：它不仅修好了小编当年没发现的错误，还一步步讲清楚原因，小编从中学到的比当年上课还多。
二分查找：几个测试通过，远远不够
第一份是数据结构与算法课的二分查找：对有序列表取中间元素比较，不断缩小范围。小编的实现用了常见的 low、high、mid 三个变量，印象里一直运行正常。
智能体先运行程序，用各种输入测试，到边界情况时就出问题了：查找位于列表开头或结尾的元素、查找不存在的元素、空列表，原代码都有隐患。这些主要是差一错误（off-by-one）和边界更新不当，比如 low 或 high 更新错了，会让程序直接跳过某个元素。智能体讲清了循环条件为什么重要，修正后又跑一遍同样的测试来验证。
小编当年的做法是随便跑几组输入，输出对上就算完成；而智能体是专门去找能把程序搞崩的输入，还补上了自动化测试，这是小编当年写作业时从没做过的。
栈的作业：我当年只是背下了逻辑
第二份是中缀转后缀表达式：把 A+B*C 转成 ABC*+，运算符放在操作数后面，过程中用栈记录运算符及其优先级。小编还记得当时花在“回忆逻辑”上的时间比理解多，代码对简单表达式能用，就以为实现对了。
智能体一测，发现嵌套括号和同优先级运算符的情况有问题；还有乘方的结合性：A^B^C 应当按 A^(B^C) 处理，小编的实现没处理对。小编又让它对 A*(B+(C-D)) 逐步讲解每一次栈操作，什么时候入栈、什么时候出栈、括号为什么会改变运算顺序。这个讲解让小编真正理解了以前主要靠背下来的算法。智能体还整理了实现，加了对非法表达式的检查。
牛顿迭代：只有公式还不够
第三份是数值方法课的平方根计算器，用牛顿-拉夫森迭代法，每次迭代逼近一点，直到达到指定精度。对 25 或 2 这样的数字没问题，但遇到很小或很大的数就不对了，部分原因是停止条件定义得不好：根据输入，程序可能还没达到足够精度就停了，也可能白白多跑很多轮。
智能体还指出脚本没有妥善处理零和负数，于是加了输入校验、改进了停止条件，并增加最大迭代次数，避免无限运行。它还把结果和 Python 内置的 math.sqrt() 做对比，解释精度差异。小编以前只把牛顿法当成要实现的公式，没想过初始猜测值、浮点精度和停止条件，即使公式没错，也会影响结果。
小结：真希望当年就这么做
追问智能体为什么这么改，比小编预想的学到更多。要是大学时就能这样，就能把时间花在理解自己写的代码上，而不是做完作业就走。想自己试试，可以看 Python 官方 math 模块文档 和 unittest 测试文档。
常见问题（FAQ）
什么叫差一错误？
就是循环边界或下标多算或少算了一个，二分查找里很常见。
拿旧作业给 AI 练手有什么好处？
您熟悉原来的思路，更容易看懂它指出的问题和改法，学得快。
应该让 AI 直接改还是先问原因？
先问原因，再看改动，这样才是学，直接照单全收就浪费了机会。
写测试真的有必要吗？
有，边界输入往往最容易暴露问题，自动化测试能让改动后重复验证。