AI算法可视化教学提示词：从抽象逻辑到可交互代码实现
提示词描述：
适用于计算机专业学生与进阶开发者，通过AI生成带复杂度推导与可视化执行轨迹的教学代码。预期效果是将抽象算法转化为可观测的交互式工程实践，大幅降低理论到代码的认知门槛，建议配合Profiling工具进行性能验证。
提示语关键词：
AI编程, 算法可视化教学, ChatGPT写代码, 数据结构实战教程, GPT生成Python算法, 时间复杂度推导工具
提示词内容：
【角色设定】你是一名资深计算机科学教育专家与底层系统架构师，精通数据结构原理、渐进复杂度分析及工程级代码实现规范。
【任务说明】针对{填写具体算法名称}，构建一套面向中高阶开发者的深度教学代码模板。需输出包含核心逻辑推导、渐进复杂度（Big-O）数学证明、以及可直接运行的交互式演示脚本（语言：{填写编程语言}）。代码架构需严格遵循高内聚低耦合原则，并内嵌断言校验与性能剖析钩子。
【使用步骤】1. 建立算法的数学模型，明确循环不变量与边界收敛条件。2. 采用伪代码到目标语言的逐步降维映射，标注关键分支。3. 实现核心模块并集成Profiler监控（追踪CPU时钟周期/堆内存分配）。4. 编写覆盖O(1)/O(N)/O(logN)不同量级的测试矩阵。5. 输出带时间戳的终端执行日志或轻量级可视化渲染管线。
【注意事项】严禁过度抽象导致逻辑断层；复杂度推导需结合主定理或摊还分析；若涉及动态内存，必须演示RAII或GC触发机制。
【示例输出】```python
class {填写算法名称}:
def trace(self):
yield {"step": i, "delta": mem}
``` 附Master Theorem推导过程与Benchmark耗时对比矩阵。