rag/docs/出题系统逻辑.md

出题系统生成逻辑

源码：exam_pkg/ 主入口：manager.py → generate_questions_from_file() 核心生成器：generator.py → generate_questions_structured_v2()

---

1. 整体架构

                        ┌─────────────────────┐
                        │   API 入口 (api.py)  │
                        │  /exam/generate      │
                        │  /exam/generate-smart│
                        └──────────┬──────────┘
                                   │ 异步任务 (task_id)
                        ┌──────────▼──────────┐
                        │  manager.py          │
                        │  generate_questions  │
                        │  _from_file()        │
                        └──────────┬──────────┘
                                   │
              ┌────────────────────▼────────────────────┐
              │        retrieve_file_chunks()            │
              │  构建语义 query → 向量检索 → 文件切片列表 │
              └────────────────────┬────────────────────┘
                                   │
              ┌────────────────────▼────────────────────┐
              │   generator.py: generate_questions_     │
              │           structured_v2()                │
              │                                          │
              │  Phase 1  文档结构分析（按章节分组）       │
              │  Phase 2  知识点规划（LLM 提取 + 去重）   │
              │  Phase 3  精准出题（AI分配 + 逐点检索）   │
              │  Phase 4  质量校验（去重 + 平衡 + 补题）  │
              └────────────────────┬────────────────────┘
                                   │
                        ┌──────────▼──────────┐
                        │  返回题目列表 + 溯源  │
                        └─────────────────────┘

2. API 入口

2.1 标准出题 /exam/generate

请求体：

{
  "file_path": "public_kb/产品手册.pdf",
  "collection": "public_kb",
  "question_types": {
    "single_choice": 3,
    "multiple_choice": 2,
    "true_false": 2,
    "fill_blank": 2,
    "subjective": 1
  },
  "difficulty": 3,
  "exclude_stems": ["已有题干1", "已有题干2"],
  "options": { "max_source_chunks": 50 }
}

返回 task_id，通过 GET /tasks/{task_id} 轮询结果。

2.2 智能出题 /exam/generate-smart

不传 question_types，先调用 analyze_document_for_exam() 让 LLM 分析文档后自动推荐题型和数量，再走标准生成流程。

2.3 约束

约束项	值
总题数上限	20 道
难度范围	1-5
exclude_stems 上限	100 条
合法题型	single_choice, multiple_choice, true_false, fill_blank, subjective

---

3. 切片检索（Phase 0）

retrieve_file_chunks() 在出题前先检索文件的相关切片：

1. 构建语义 query：根据 question_types 自动拼装检索词。例如需要填空题会追加"术语 公式 数值"，需要主观题追加"流程 步骤 原则"。
2. 向量检索：调用 engine.search_knowledge()，按文件名过滤（source_filter），支持文件名和完整路径两种格式，支持多 collection 按优先级检索。
3. 动态 top_k：min(50, 总题数 × 3)，确保切片数量足够覆盖所有题目。

---

4. 四阶段生成流水线

Phase 1：文档结构分析

group_chunks_by_section(chunks) — 将所有切片按 section 字段分组为 Dict[章节名, List[切片]]。

清理章节名中的 ** 等标记，空章节归入"未分类"。

Phase 2：知识点规划

对每个章节调用 _extract_knowledge_points(section, chunks, max_points=3)：

• 长内容（≥100 字）：调用 LLM 提取 3 个关键知识点（短短语，5-15 字），prompt 要求"适合出考试题、不重复不重叠"。
• 短内容（<100 字）：直接清理后作为知识点名称，不调 LLM。

全局去重：所有知识点按 name 去重（seen_kp_names 集合），确保跨章节不重复。

每个知识点标记来源章节（kp['section']），供后续精准检索使用。

降级路径：如果所有章节都提取不出知识点，走 _generate_questions_fallback() — 把全部 chunks 拼成一个大 prompt 直接让 LLM 出题。

Phase 3：精准出题

3a. AI 分配题型

_ai_assign_question_types(knowledge_points, question_types) — 按章节轮询分配"哪个知识点出什么题型"：

• 每种题型独立分配，确保题型覆盖。
• 轮询章节，优先从不同章节选知识点。
• 每个知识点最多出 1 道同题型题目。

输出 assignments 列表：[{"knowledge_point": "请假流程", "question_type": "single_choice", "section": "第三章"}, ...]

3b. 逐知识点出题

对每个 assignment：

1. 精准检索：_retrieve_kp_chunks_v2(kp_name, section_chunks, top_k=5) — 用知识点名称做关键词匹配，在该章节的切片中评分排序，取 top 5 最相关的切片。评分规则：知识点全文匹配 +100 分，关键词匹配 +10 分，内容长度适中加分。
2. 构建上下文：build_source_context(kp_chunks) — 拼接切片内容，每个切片带 [chunk_id:xxx | 第N页 章节] 溯源标记。
3. 构造 Prompt：_build_prompt_for_kp() — 指定核心知识点、难度、题型数量，要求"必须围绕该知识点出题、每道题不同角度、严禁非 JSON 内容"。附带 5 种题型的 JSON 格式示例。
4. 调用 LLM：_generate_with_retry() — 最多重试 2 次。每次调用后 safe_parse_questions() 解析 JSON（支持直接解析、提取代码块、提取数组三种方式），validate_questions_schema() 校验（必须有 type/stem/answer，选择题必须有 options）。
5. 补充溯源：_enrich_with_source_trace() — 给每道题附加 source_trace（文档名、chunk_id 列表、来源信息）。

Phase 4：质量校验

4a. 去重

_deduplicate_questions(questions, exclude_stems) — 三层去重：

1. 题干前缀去重：题干前 80 字相同 → 去掉。
2. 知识点+题型去重：题干前 30 字 + 题型相同 → 去掉。
3. 跨调用去重：exclude_stems 中已有题目的题干前 80 字预填入去重集合，新生成的题目如果与之冲突也会被过滤。

4b. 题型平衡

_balance_question_types(questions, target_types) — 按题型分组，每种题型按目标数量截取（多了截断）。

4c. 补题（仅 v1 结构化路径）

v1 的 generate_questions_structured() 有补题机制 _makeup_questions()：如果某题型数量不足，用前 5 个 chunks 重新出一轮补充。v2 路径依赖分配阶段的精确控制，不额外补题。

---

5. 各题型的 JSON 结构

单选题

{
  "type": "single_choice",
  "content": {
    "stem": "题干内容",
    "data": { "options": [{"key": "A", "content": "..."}, ...] },
    "answer": "B",
    "explanation": "解析..."
  },
  "referenced_chunk_ids": ["chunk_001"]
}

多选题

{
  "type": "multiple_choice",
  "content": {
    "stem": "题干",
    "data": { "options": [...] },
    "answer": ["A", "C"],
    "explanation": "解析..."
  }
}

判断题

{
  "type": "true_false",
  "content": {
    "stem": "判断：某陈述",
    "data": {},
    "answer": "对",
    "explanation": "解析..."
  }
}

填空题

{
  "type": "fill_blank",
  "content": {
    "stem": "RAG的全称是___，核心在于___。",
    "data": { "blank_count": 2 },
    "answer": [["检索增强生成"], ["外部知识库", "检索"]],
    "explanation": "解析..."
  }
}

answer 是二维数组：每个空一个数组，数组内元素为该空的可接受答案（第一个为标准答案，其余为同义词）。

主观题

{
  "type": "subjective",
  "content": {
    "stem": "请简述...",
    "data": {
      "scoring_points": [
        { "point": "要点1", "weight": 0.4 },
        { "point": "要点2", "weight": 0.3 },
        { "point": "要点3", "weight": 0.3 }
      ]
    },
    "answer": "参考范文...",
    "explanation": "解析..."
  }
}

---

6. 批题逻辑

批题入口：POST /exam/grade，同样是异步任务。

grader.py → grade_answers() 按题型分流：

题型	批阅方式	说明
single_choice / true_false	本地判分	直接比对答案，不调 LLM
multiple_choice	本地判分	set(student) == set(correct)，顺序无关
fill_blank	模糊匹配	逐空比对，支持同义词（answer 数组中的备选项），忽略空格和标点差异
subjective	LLM 评分	将题目 stem + scoring_points + 参考答案 + 学生答案一起送给 LLM，按要点权重评分

并发控制：最多 3 路并发批阅（threading.Semaphore(3)），带 2 次重试。

---

7. 关键函数索引

函数	文件	作用
generate_questions_from_file	manager.py	出题总入口
analyze_file_for_exam	manager.py	AI 智能分析（推荐题型）
retrieve_file_chunks	manager.py	切片检索
generate_questions_structured_v2	generator.py	v2 四阶段生成主流程
generate_questions_structured	generator.py	v1 生成主流程（含补题）
group_chunks_by_section	generator.py	按章节分组
_extract_knowledge_points	generator.py	LLM 知识点提取
_ai_assign_question_types	generator.py	AI 题型分配
_retrieve_kp_chunks_v2	generator.py	知识点精准检索
_build_prompt_for_kp	generator.py	构造出题 Prompt
_generate_with_retry	generator.py	带重试的 LLM 调用
safe_parse_questions	generator.py	JSON 安全解析
validate_questions_schema	generator.py	题目 Schema 校验
_enrich_with_source_trace	generator.py	补充溯源信息
_deduplicate_questions	generator.py	三层去重
_balance_question_types	generator.py	题型数量平衡
_generate_questions_fallback	generator.py	降级路径（无知识点时）
_makeup_questions	generator.py	v1 补题机制
grade_answers	grader.py	批题总入口
grade_objective	grader.py	客观题本地批阅
grade_fill_blank	grader.py	填空题模糊匹配

---

8. LLM 调用统计

一次标准出题（10 题、5 章节）的 LLM 调用次数估算：

阶段	调用次数	说明
知识点提取	~5 次	每章节 1 次
题型分配	0 次	本地算法分配
出题	~10 次	每知识点 1 次（含重试）
Schema 校验	0 次	本地逻辑
去重 / 平衡	0 次	本地逻辑
合计	~15 次

智能出题额外增加 1 次 LLM 调用（analyze_document_for_exam）。