Concept Quiz Skill

触发条件

当用户需要：

复习某个知识点
准备考试或测验
检验学习效果
生成个性化练习题

示例表达：

"帮我出几道关于机器学习的题"
"生成一个关于线性代数的测验"
"我想测试一下对深度学习的理解"
"出几道判断题，关于气候变化"

调用方式（Qoder）

在项目根目录执行（必须使用项目 venv 的 Python）：

# Windows
venv\Scripts\python.exe scripts\client.py -topic <学习主题> -difficulty <1|2|3> -model <0.5|1.5> [-notes <笔记文件路径>]

# Linux / macOS
./scripts/run.sh -topic <学习主题> -difficulty <1|2|3> -model <0.5|1.5> [-notes <笔记文件路径>]

默认使用 OpenVINO INT8 后端（推荐）
-notes 可选：提供个人笔记/文本，抽取式出题（降低幻觉，桥接个人知识库）
设置环境变量 LOCAL_MODEL_BACKEND=torch 可切换到 PyTorch FP32 后端（对比测试用）

参数

| 参数 | 类型 | 必填 | 说明 | |------|------|------|------| | topic | string | ✅ 是 | 学习主题，如"机器学习" | | difficulty | integer | 否 | 1=判断题, 2=选择题(默认), 3=混合题型 | | model | string | 否 | 0.5=快速(默认,约1分钟) / 1.5=高质量(约3分钟) | | notes | string | 否 | 笔记/文本文件路径，抽取式出题 |

使用示例

用户：帮我出几道关于深度学习的题，难度中等

Skill 工作流：

📋 规划：生成 3 个核心考点（有笔记时从笔记抽取）
📝 生成：根据考点生成测验题（小模型常只出 1 题时自动补题）
✅ 校验：检查 JSON 结构和答案合法性
🎯 校准：根据难度调整题型 + 选项乱序
🔍 自洽校验：解析-答案一致性改判 + 模型自答标记待复核

返回：Markdown 格式的测验草稿 + 答案 + 解析 + 来源与整理者注 + benchmark

技术特性

✅ 定位：AI 辅助的自我评估与知识校验工作流，输出供人工审核的测验草稿
✅ OpenVINO INT8 量化加速（实测生成速度约为 PyTorch FP32 的 2.25 倍）
✅ 双模型可配置：0.5B（默认，快）/ 1.5B（质量更高），纯本地推理，OpenVINO 缺失时自动回退 PyTorch
✅ 可选个人笔记抽取式出题，桥接个人知识库、降低幻觉
✅ 双层逻辑自洽校验：确定性改判（零成本）+ 模型自答标记待复核
✅ 无需独显，8GB 内存即可运行
✅ 完整工作流 Trace，可解释性强
✅ 本地缓存（5分钟有效，按模型尺寸+笔记隔离）
✅ 多级降级：解析失败→重试→规则生成

安装与运行

# 1. 安装依赖（含 OpenVINO）
pip install -r requirements.txt

# 2. 运行 Gradio 界面
python scripts/app.py

# 3. 或在 Qoder 中直接调用（见上方"调用方式"）