AutoCode 是面向竞赛编程出题人的 AI 出题工作台，支持 Claude Code 和 Codex。
从一个想法开始，AutoCode 会协助你完成题面、解法、测试数据、验证和题包整理，把创作过程变成一条清晰、可靠、可复用的工作流。
AI 可以快速给出题目想法和代码，但竞赛题真正难的是让每个细节都经得起验证：
- 题面描述含糊，输入输出协议不完整，样例和题意对不上。
- 样例输出算错，或者题面样例没有经过标准解实际验证。
- 标准解看起来合理，但边界条件有 bug。
- 时间复杂度判断过于乐观，
O(n^2)被误当成能过大数据。 - 暴力解需要与标准解形成独立的交叉验证。
- 测试数据需要覆盖边界、构造、极限和性能场景。
- 错解需要在最终数据上得到充分检验。
- 题面、题解、样例和最终数据需要保持一致。
AutoCode 的目标是把这些风险前置暴露，而不是等到出题完成后人工返工。
AutoCode 会把出题过程拆成相互衔接的质量环节：
| 环节 | AutoCode 提供的帮助 |
|---|---|
| 题意设计 | 检查题目是否清晰、可判定，约束和样例是否完整。 |
| 解法验证 | 复核正确性、复杂度和边界条件，并安排独立解法交叉验证。 |
| 数据构造 | 生成覆盖随机、边界、极限和性能场景的测试数据。 |
| 自动检验 | 检查输入合法性、答案一致性，并用测试数据检验错解。 |
| 题包整理 | 将题面、代码、数据和说明整理成可继续编辑或提交的结构。 |
核心原则：AI 负责生成候选内容，AutoCode 负责让每一步必须被验证。
AutoCode 适合：
- 想用 AI 加速出题，但担心题面、样例、数据和复杂度不可靠的出题人。
- 需要把题目从 idea 推到可打包 Polygon 结构的竞赛组织者。
- 希望 AI 遵循完整验证流程的团队。
- 想在 Claude Code 或 Codex 中获得完整、可验证出题工作流的用户。
- Python 3.10+
uv- 支持 C++20 的
g++，推荐 GCC 10+ - Claude Code 或 Codex CLI（至少安装一个）
常用的竞赛编程工具库已经随 AutoCode 一起提供。
推荐通过 Claude Code marketplace 安装：
claude plugin marketplace add https://github.com/SummerOneTwo/autocode-marketplace.git
claude plugin install autocode@autocode-marketplace安装完成后即可获得完整的出题工作流，以及题面、解法、测试数据和题包的自动质量检查。
在 Codex 中安装 AutoCode：
codex plugin marketplace add https://github.com/SummerOneTwo/autocode-marketplace.git
codex plugin add autocode@autocode-marketplace安装完成后，可以直接描述你的出题目标：
用 AutoCode 创建一道竞赛编程题：给定数组，要求支持若干次区间查询。请先审计题意可行性，再按完整工作流生成题包。
AutoCode 会根据你的目标推进完整工作流，并在每个关键阶段进行质量检查。
AutoCode 会按以下顺序协助完成一题：
题意与约束审查
-> 标准解与独立验证解
-> 校验器、数据生成器和判题组件
-> 随机对拍与边界测试
-> 最终数据质量检查
-> 题面、代码、数据整理成题包
普通题、特殊判题题和交互题都可以沿用这套流程。对于交互题，AutoCode 会额外关注交互协议、查询限制、错误行为和程序结束条件，帮助你把协议写得清楚、测得充分。
每道题都会整理成清晰的目录，方便继续编辑、复核和提交：
<problem>/
├── solutions/
│ ├── sol.cpp
│ └── brute.cpp
├── files/
│ ├── gen.cpp
│ ├── val.cpp
│ └── checker.cpp
├── statements/
│ ├── README.md
│ └── tutorial.md
└── tests/
├── 01.in
└── 01.ans / 01.out
特殊判题题会加入判题程序，交互题会加入交互程序，其余结构保持一致。
一份完整的题面通常包含：
- 题目
- 时间/空间限制
- 题目背景（可选）
- 题目描述
- 输入格式（必须包含所有变量范围与总规模约束）
- 输出格式
- 样例（多组样例按编号递增）
- 说明（样例解释统一放在此处；只解释有代表性的样例即可）
AutoCode 会在关键阶段自动复核：
- 题面、输入输出格式和样例是否互相一致。
- 标准解的正确性、复杂度和边界条件。
- 校验器是否覆盖题目约束，生成的数据是否有效。
- 标准解与独立验证解在多种场景下的结果是否一致。
- 随机、构造、边界、极限和性能数据是否形成有效覆盖。
- 代表性错解是否被最终测试识别。
- 题面、代码、答案和目录结构是否可以直接整理成题包。
仓库包含三个不同题型的样例：
examples/exact-sample：标准精确输出题。examples/checker-sample：特殊判题题。examples/interactive-sample：交互题。
这些样例可以作为不同题型的目录和文件组织参考。
查看 CONTRIBUTING.md 了解贡献指南。
查看 TROUBLESHOOTING.md 了解常见问题和解决方案。
MIT License - 详见 LICENSE。