出题专家 (Quiz Expert)
本技能将引导你完成从源文档生成专业题库的全过程。
路径约定
在开始执行任务前，先确定关键路径：
- $WORK_DIR：当前工作目录。执行
pwd(Linux/macOS) 或Get-Location(Windows) 获取，作为所有相对路径的基准。 - $SKILL_DIR：本 skill 所在目录。根据 skill 名称
Jutiku_Quiz_Expert定位：
- Windows: Get-ChildItem -Path. -Filter "SKILL.md" -Recurse | Where-Object {$_.FullName -like "*skills\Jutiku_Quiz_Expert*"} - macOS/Linux: find. -ipath "*/skills/Jutiku_Quiz_Expert/SKILL.md" - 获取到 SKILL.md 文件路径后，取其所在目录作为 $SKILL_DIR
- 源文件目录：
$WORK_DIR/（用户上传的文件直接放在工作目录根部） - 转换文件目录：
$WORK_DIR/source/（存放 markitdown 转换后的.md 文件） - 输出目录：
$WORK_DIR/quiz/（生成的题库文件，直接交付给用户） - 引用文件：使用相对于 $SKILL_DIR 的路径，如
$SKILL_DIR/references/QUIZ_JSON.md
路径结构示意：
$WORK_DIR/ # 当前工作目录
├── 2023年度报告.pdf # 用户源文件
├── source/ # 转换后的 markdown 文件
│ └── 2023年度报告.md
├── quiz/ # 输出目录（直接交付）
│ └── 2024-01-29_100000.json # 或 .md（根据用户指定）
└── temp/ # 存放其他临时处理文件
$SKILL_DIR/ # skill 所在目录
├── SKILL.md # skill 文件，即本文件
└── references/
├── QUIZ_JSON.md
└── QUIZ_MARKDOWN.md工作流程 (Workflow)
0. 初始化路径
- 确定工作目录：
- Linux/macOS: 执行 pwd 获取当前工作目录，设为 $WORK_DIR - Windows: 执行 Get-Location 或 cd 获取当前工作目录
- 定位 skill 目录：
- Linux/macOS: SKILL_PATH=$(find. -ipath "*/skills/Jutiku_Quiz_Expert/SKILL.md" 2>/dev/null | head -1) SKILL_DIR=$(dirname "$SKILL_PATH") - Windows PowerShell: $skillFile = Get-ChildItem -Path. -Filter "SKILL.md" -Recurse | Where-Object {$_.FullName -like "*skills\Jutiku_Quiz_Expert*"} | Select-Object -First 1 $SKILL_DIR = $skillFile.DirectoryName
- 创建必要的子目录：
- Linux/macOS: mkdir -p "$WORK_DIR/source" "$WORK_DIR/quiz" - Windows: New-Item -ItemType Directory -Force -Path "$WORK_DIR\source", "$WORK_DIR\quiz"
1. 文件定位与准备
- 定位源文件：在
$WORK_DIR/根目录下查找用户指定的文件。
- 使用 ls $WORK_DIR/ 列出可用文件。 - 如果用户提供的是模糊名称，查找最匹配的文件。
- 格式转换：
- 如果文件不是 .md 格式（例如.doc,.docx,.pdf）： - 环境检查：检查是否已安装 python (或 python3) 和 pip。 - 如果未安装 Python： - 主动询问安装：向用户说明缺少 Python 环境无法转换文件，询问：“是否允许我为您尝试自动安装 Python？” - 若用户同意： - Windows: 尝试运行 winget install -e --id Python.Python.3 (需管理员权限)。 - macOS: 尝试运行 brew install python (需已安装 Homebrew)。 - Linux: 尝试运行 sudo apt update && sudo apt install -y python3 python3-pip。 - 若用户拒绝或自动安装失败： - 暂停任务。 - 输出手动安装指南，建议用户访问 python.org 或使用系统包管理器安装，完成后再次触发。 - 工具检查与安装： - 运行 markitdown --version 检查是否已安装。 - 如果未安装： - Linux: pip install markitdown --break-system-packages - macOS/Windows: pip install markitdown - 转换： - 使用 markitdown 命令行工具将文件转换为 Markdown 格式。 - 命令格式： - Linux/macOS: markitdown "$WORK_DIR/{源文件名}" > "$WORK_DIR/source/{同文件名}.md" - Windows: markitdown "$WORK_DIR\{源文件名}" > "$WORK_DIR\source\{同文件名}.md" - 注意：使用双引号包裹文件名以处理空格。 - 如果已经是 .md 文件，复制到 $WORK_DIR/source/{文件名}.md 进行处理。
2. 内容预处理与分析
- 读取规则文档：
- 根据用户指定的输出格式，读取对应的规范文档： - JSON 格式：读取 $SKILL_DIR/references/QUIZ_JSON.md 了解 JSON Schema 规范 - Markdown 格式：读取 $SKILL_DIR/references/QUIZ_MARKDOWN.md 了解 Markdown 模板规范
- 读取与分块检查：
- 读取 $WORK_DIR/source/ 中转换后的 .md 文件内容。 - 智能分块 (Smart Chunking)：检查文本长度。 - 如果 字符数 > 15,000： - 切分策略：按 Markdown 二级标题 (##) 或三级标题 (###) 将文档切分为多个逻辑块 (Chunks)。确保切分点不破坏段落完整性。 - 配额分配：根据各块的篇幅比例或重要性，分配题目生成数量（如总共 20 题，A 章节占 20% 篇幅，则分配 4 题）。 - 执行模式：标记为 Batch_Mode，后续将对每个块独立生成，最终统一进入质量优化阶段进行合并去重。 - 否则：保持单一大文本，标记为 Single_Mode。
- 属性打分：分析文本结构和内容（若是分块模式，取前 30% 内容或摘要进行分析），判断其类型（分值 0.0 - 1.0）：
- 大纲型 (Outline-oriented)：具有结构化的标题、要点、简短摘要。 - 知识/资料型 (Knowledge/Data-oriented)：密集的段落、详细的解释、事实、数据。
- 策略选择：
- 如果 大纲型得分 > 0.7：使用 大纲扩展模式。 - 提取大纲结构。 - 针对每个关键点/标题，生成涵盖核心概念的题目。 - 如果 知识型得分 > 0.7：使用 全覆盖模式。 - 分析全文内容（或逐个处理块）。 - 生成覆盖整个内容范围的题目，确保没有遗漏重要信息。 - 否则：使用平衡方法。
3. 题目生成规则
根据选定的策略和输出格式生成题目，严格遵守对应规范文档中定义的生成规则与约束。
主要约束包括：
- 题型：单选、多选、判断、填空、简答。
- 判断题：选项固定为"A. 正确"和"B. 错误"。
- 难度：按 3:5:2 比例分布简单、中等、困难题目。
- 结构：确保所有必填字段完整（qid, type, explanation 等）。
4. 质量验证与优化 (Quality Assurance & Optimization)
在生成题目之后（特别是 Batch_Mode 下合并所有分块题目后），执行以下优化流程：
- 全局去重 (Global Deduplication)：
- 语义比对：检查所有生成的题目。如果两道题考察相同的知识点且问法高度相似，保留描述更清晰或难度更符合当前分布要求的一道。 - 覆盖率检查：确认合并后的题库是否覆盖了文档的所有关键章节。如果某章节题目被大量去重导致缺失，需针对该章节补充生成。
- 分布再平衡 (Distribution Rebalancing)：
- 统计当前题库的难度比例。如果偏离 3:5:2 严重，优先删除过多的难度层级题目，或尝试修改题目难度。 - 统计题型分布。确保符合用户期望（如有）。
- 准确性核查 (Fact Check)：
- 针对每一道题，回溯原文。 - 验证：正确答案是否能从原文中找到明确依据？ - 修正：如果发现幻觉或推断过度，根据原文修正答案或删除该题。
- 逻辑性核查 (Logic Check)：
- 检查选项：是否存在歧义？干扰项是否过于明显错误？ - 检查解析：explanation 是否清晰解释了为什么选 A 而不选 B？
- 格式核查 (Format Check)：
- 验证输出结构是否符合对应的 Schema 或模板规范。 - 确保所有必需字段 (qid, lev, point 等) 均已填充且类型正确。
5. 输出与交付
根据用户指定的格式（默认 JSON）在 $WORK_DIR/quiz/ 目录下生成文件。
JSON 格式（默认）
- 路径：
$WORK_DIR/quiz/{YYYY-MM-DD_HHMMSS}.json - 格式：遵循严格的 JSON 语法。
- Schema：参见
$SKILL_DIR/references/QUIZ_JSON.md
Markdown 格式（可选）
- 路径：
$WORK_DIR/quiz/{YYYY-MM-DD_HHMMSS}.md - 格式：用户友好的可读格式。
- 模板：参见
$SKILL_DIR/references/QUIZ_MARKDOWN.md
交付方式
文件保存到 $WORK_DIR/quiz/ 后，用户可直接前往查看。
6. 响应模板 (Response Template)
任务成功完成后,请参照以下模板格式向用户汇报结果:
已根据文件 {源文件名} 的内容生成了 {题目数量} 道题目。
{处理说明}(例如:由于源文件为二进制.doc 格式,已通过智能提取算法获取关键文本信息,并据此生成了包含{题型列表}的完整试卷。)
生成文件信息:
- 文件路径:
{输出文件绝对路径} - 题目数量:
{题目数量}道 - 包含内容:
- {内容概览点1}(例如:常识判断、核心概念等) - {内容概览点2} - {内容概览点3} - 最多列出10个
您可以直接使用该 {文件格式} 文件,或告知如果需要 Markdown 可读格式。
工具与命令
- 使用
pwd/Get-Location获取路径。 - 使用
view/ls/dir查看目录或文件。 - 使用
bash_tool或 PowerShell 执行命令。 - 使用
create_file保存最终输出文件。
用户请求示例
示例 1：默认 JSON 格式
"根据 2023年度报告.pdf 生成 20 道题目"执行流程：
- 初始化：获取 $WORK_DIR 和 $SKILL_DIR，创建子目录，识别输出格式为 JSON（默认）
- 读取规范：
view $SKILL_DIR/references/QUIZ_JSON.md - 查找：在
$WORK_DIR/找到2023年度报告.pdf - 转换：
markitdown "$WORK_DIR/2023年度报告.pdf" > "$WORK_DIR/source/2023年度报告.md" - 分析：数据密集 → 知识型模式
- 生成：创建 20 道题目（财务统计、战略目标等）
- 输出：保存到
$WORK_DIR/quiz/2024-01-29_100000.json - 响应:按照响应模板向用户汇报结果
响应示例:
已根据文件 2023年度报告.pdf 的内容生成了 20 道题目。
由于源文件为 PDF 格式,已通过 markitdown 工具提取文本内容,并据此生成了包含单选题、多选题、判断题的完整试卷。
生成文件信息:
- 文件路径:
$WORK_DIR/quiz/2024-01-29_100000.json - 题目数量:20 道
- 包含内容:
- 财务数据分析(营收、利润、增长率等) - 战略目标与业务规划 - 风险管理与合规要求
您可以直接使用该 JSON 文件,或告知如果需要 Markdown 可读格式。
示例 2：指定 Markdown 格式
"根据 Python入门.docx 生成 15 道题目，输出为 markdown 格式"执行流程：
- 初始化：获取路径，创建子目录，识别输出格式为 Markdown
- 读取规范：
view $SKILL_DIR/references/QUIZ_MARKDOWN.md - 查找与转换：处理
Python入门.docx - 分析：大纲结构 → 大纲扩展模式
- 生成：创建 15 道题目
- 输出：保存到
$WORK_DIR/quiz/2024-01-29_100000.md - 响应:按照响应模板向用户汇报结果
响应示例:
已根据文件 Python入门.docx 的内容生成了 15 道题目。
源文件采用大纲式结构,已针对各章节关键知识点生成了包含单选题、填空题、简答题的试卷。
生成文件信息:
- 文件路径:
$WORK_DIR/quiz/2024-01-29_100000.md - 题目数量:15 道
- 包含内容:
- 基础语法(变量、数据类型、运算符) - 控制流程(条件判断、循环结构) - 函数与模块(定义、调用、导入)
您可以直接使用该 Markdown 文件,或告知如果需要 JSON 结构化格式。