欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

基于知识库与 RAG 的自动出题:难度可控、可自校验的练习题生成

上邦 AI 工程团队2026-09-22阅读 约 6 分钟
教师备课时出题、组卷、对答案占用大量时间,且题目质量参差不齐、难以覆盖全部知识点。本文给出一套基于本地知识库与 RAG 的自动出题流程:先检索对应知识点原文,再按难度模板生成选择题并附解析,最后让模型独立作答做自校验,保证题目有依据、答案可复核、存疑项交教师判。附可运行代码。
自动出题的目标不是替代教师,而是把重复劳动交给模型,让教师专注于题目设计与学情判断。关键是题目必须锚定知识点、答案必须可校验,避免凭空编造。

三阶段流程:检索、生成、校验

① 检索:从本地知识库按教学进度召回对应知识点原文;
② 生成:按难度标签(易、中、难)套用不同 prompt,产出选择题与解析;
③ 校验:让模型独立作答并比对,标记存疑题目交教师复核。

可运行代码

用本地 Ollama 模型串联三个阶段,知识点与题目均不出域:
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model='qwen2.5:7b')

knowledge = '勾股定理:直角三角形两直角边平方和等于斜边平方。'

gen_prompt = '基于以下知识点出一道中等难度选择题,选项4个并标注正确答案与解析:\n{knowledge}'
check_prompt = '请独立回答下列题目并给出正确选项:\n{q}'

q = llm.invoke(gen_prompt.format(knowledge=knowledge))
a = llm.invoke('给出上面题目的答案:' + q)
verdict = llm.invoke(check_prompt.format(q=q))
print('题目:', q)
print('参考答案:', a)
print('自校验:', verdict)
说明:生成与校验应使用相互独立的调用,降低自我印证偏差;题目入库前由教师抽检,逐步沉淀本校专属题库。

难度与覆盖控制

把难度、知识点、题型写成结构化标签,配合知识图谱可以按章节与认知层级批量排布,避免重复考查同一知识点。错题回流还能反推知识点掌握度,与学习分析打通。

参考来源

LangChain 文档 - LangChain 官方文档 Ollama 本地模型运行文档 - Ollama 官方文档 Hugging Face Transformers 文档 - Hugging Face 官方文档
相关标签:教育科技自动出题RAG本地大模型智能备课

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案