ai-exam-coach

AI 考试教练

概述

创建越南语 AI 练习试卷，用于 AI Thực Chiến 风格的复习；随后为提交的答卷评分并更新学习者知识库。此技能负责设置学习仓库、生成题目、编制答案、制定评分标准、提供反馈和跟踪熟练度；不会捏造学习者分数、暴露隐藏的源路径，也不会更改无关的项目文件。

默认行为

1. 如果用户要求创建练习试卷，默认生成 20 道题。
2. 如果用户提供了参数，则按其要求执行：题目数量、主题、方向、难度、时长、输出路径、是否显示答案。
3. 除非用户明确要求使用其他语言或不带声调符号的文本，否则使用带完整声调符号的越南语。
4. 绝不生成不带声调符号的 ASCII 越南语试卷内容。使用 Đề ôn tập、Mã đề、Câu hỏi、Đáp án、Giải thích，而不是 De on tap、Ma de、Cau hoi、Dap an、Giai thich。
5. 如果用户只说“tạo đề”“tạo đề ôn tập”“mock exam”或类似内容，却没有指定主题，先通过 scripts/study_repo.py kb-status 检查知识库状态。
6. 如果知识库为空，只询问一个入门问题：先进行综合诊断，还是逐项技能练习。不要根据空知识库创建个性化试卷。
7. 如果知识库中有过往记录，则按照 references/exam-blueprint.md 创建一份包含 20 道题的综合试卷，不要询问 Day 文件夹。
8. 使用 references/topic-map.md 中的主题分类。
9. 遵循 references/question-quality.md 中的命题规则。
10. 生成或评分之前，使用 scripts/study_repo.py init 确保学习仓库已存在。
11. 使用 scripts/study_repo.py new-exam 将试卷和答案保存为 Markdown 文件；不要只在聊天中打印题目。
12. 按照 references/knowledge-base-workflow.md 保存或更新知识库内容。

工作流决策树

• 初始化学习仓库： 运行 python scripts/study_repo.py init --root <path> → 创建 docs/user-knowledge-base.md、exams/、答案文件夹和可选的 git 仓库。
• 空知识库入门： 运行 python scripts/study_repo.py kb-status --root <path> → 如果知识库为空，在生成试卷前询问用户选择诊断还是技能练习。
• 生成试卷： 确保仓库存在 → 阅读学习者知识库 → 选择主题 → 运行 new-exam → 编写试卷文件 → 编写答案 → 在知识库中追加试卷生成记录 → 返回文件路径。
• 试卷评分： 阅读试卷、学习者答案和答案／评分标准 → 评分 → 解释错题 → 追加评分报告 → 更新知识库中的薄弱项和熟练度。
• 复习薄弱项： 阅读知识库 → 找出置信度较低的主题 → 制作针对性的 20 题练习或简短理论复习。
• 刷新知识库： 规范主题名称，合并重复的薄弱项记录，增加新主题覆盖范围，同时保留既有历史记录。

初始化学习仓库

用户开始新的学习工作区、要求“init repo”，或要求创建试卷但预期的目录结构缺失时，运行随附脚本：

python <skill-dir>/scripts/study_repo.py init --root <study-repo-path> --title "AI Practice Study"

只有在用户不需要 git 仓库时才使用 --no-git。

此脚本具有幂等性：会创建缺失的文件夹和文件，并保留现有知识库和试卷文件。

生成考试

1. 解析用户参数：
   • count：默认 20。
   • scope：common、business、infrastructure、app-build、mixed 或指定主题。
   • difficulty：默认简单题占 30%，中等题占 50%，难题占 20%；实际考试形式另有要求时除外。
   • formats：默认包含单选题、多选题、填空题和简短情境题。
2. 确保学习仓库存在；若不存在，运行 scripts/study_repo.py init。
3. 检查 KB 状态：

   python <skill-dir>/scripts/study_repo.py kb-status --root <study-repo-path>
   

4. 如果 is_empty 为 true，且用户未明确指定主题或技能，则询问： “知识库目前尚无能力数据。你想先做一份综合诊断，还是练习单项技能？” 仅提供以下选项：
   • 综合诊断 20 题（推荐）：测量初始基线。
   • 单项技能练习：由用户选择 RAG、Agent、Prompt Engineering、RAGAS、AI Product、Model Serving 或其他主题。
5. 如果用户选择诊断，使用诊断蓝图创建 diagnostic/mixed 考试。
6. 如果用户选择技能练习或已指定主题，则创建限定范围的练习，并在评分前标记为尚未个性化。
7. 如果 is_empty 为 false，则在选择主题前读取学习者知识库。
8. 先创建考试/答案文件，再编写内容：

   python <skill-dir>/scripts/study_repo.py new-exam --root <study-repo-path> --scope mixed --count 20
   

   所有生成内容均使用脚本输出的路径。
9. 仅当 KB 有相关依据时，优先选择薄弱、过时或测试不足的主题；否则按诊断/指定范围进行覆盖。
10. 仅根据可用课程/KB 内容和稳定的领域知识生成题目。
11. 将面向学生的考试写入考试文件，并将答案与评分标准写入答案文件。
12. 包含元数据：标题、代码、时间戳、范围、题量、预计用时和评分方式。
13. 生成后更新 KB，记录考试代码、覆盖主题、预期难度和待处理状态。
14. 在聊天中仅返回已创建的文件路径和简短的后续步骤；除非用户提出要求，否则不要重复完整考试内容。

澄清策略

• 当用户的请求范围较广时，不要要求用户从发现的 Day 文件夹中选择。
• 除非用户明确要求按某一天进行专项练习，否则不要将 day-22、day-24 或 day-26 等源文件夹名称作为面向用户的考试选项。
• 仅将发现的课程笔记作为依据材料，映射到蓝图部分：Common、Business、Infrastructure、App Build。
• 只有在无法推断所需输出位置，或用户请求了多个互不兼容的范围时，才询问澄清问题。
• 对于范围较广的生成请求，始终采用默认混合分布：Common 10 题、Business 3 题、Infrastructure 3 题、App Build 4 题。

评分考试

1. 从聊天或文件中收集学习者的答案。
2. 单选题/填空题使用精确匹配；多选题、简答题、情境调试题、案例分析和代码题使用评分标准。
3. 仅在评分标准允许时给部分分。
4. 对每个错误或部分正确的答案，提供最精简且有用的纠正说明。
5. 按主题识别根本性薄弱点，而不仅是题目编号。
6. 更新 KB，记录分数、主题表现、已纠正的误解、新的薄弱点和下一步练习建议。
7. 不要覆盖过往历史；应追加记录或修改相关矩阵行。

输出约定

• 考试文件：仅包含题目，面向学生。
• 答案文件：正确答案、理由、评分标准、主题标签和难度。
• 评分报告：总分、各部分得分、未掌握的概念和后续行动。
• KB 更新：如实记录生成/评分的考试及熟练度变化。

使用 references/output-formats.md 查看具体的 Markdown 模板。

安全与隐私

• 除非用户明确要求编辑已包含这些信息的个人文档，否则生成的考试或报告中不得包含私人路径、隐藏的源位置、凭据、电话号码或个人数据。
• 不得泄露用于构建上下文的内部源位置。
• 将学习者的表现记录视为个人学习数据。仅在用户正在使用的知识库文件范围内更新。
• 拒绝为正在进行的真实考试生成泄题内容；改为提供练习题。
• 不得编造官方政策、评分或法律声明。不确定的法律或监管细节应标注为需要核实。

参考资料

• references/exam-blueprint.md：考试结构、评分方式和默认分布。
• references/topic-map.md：按常见部分和三条方向划分的 AI 主题分类。
• references/question-quality.md：单选题、多选题、填空题和简答题规则。
• references/knowledge-base-workflow.md：知识库生成与评分更新规则。
• references/output-formats.md：Markdown 模板。
• references/research-notes.md：精简的研究依据和引用。
• scripts/study_repo.py：初始化学习仓库，并创建考试和答案 Markdown 文件。