企业官网建设流程全解析

你有没有过这种经历：书看完了、PDF 刷完了，一闭眼却什么都答不上来？开源项目learn-from-materials将 PDF、书籍和论文转化为可追溯、可测验的学习网页，它的动态自检配合原题优先机制，让 AI 逐题考你——材料里自带习题就先考原题，没有才动态生成新题，且每道题的判分和解析都标注材料出处。

本文带你完整拆解这套机制：它为什么不在页面上放固定题库、AI 如何决定出哪道题、错题又如何变成你的专属复测卷。

动态自检是什么：考点蓝图，而不是预生成题目

传统学习工具喜欢把题目一次性铺在页面上，但 learn-from-materials 的“学习自检”模块刻意不做这件事。页面只记录一份自检考点蓝图（assessment.focusAreas），每个考点包含四要素：

发起自检时，页面提供“综合全部 / 指定章节或单元 / 自定义要求”三种范围，还能选择题量、难度和能力重点。点击复制后，得到的是一条结构化口令，粘贴回 AI 对话即可开始逐题测验。

静态页面不预生成题目，还有一个实际好处：题库可以随材料里的习题自动更新，而页面保持干净。这一要求还被写进了质量门禁——自检考点蓝图缺失时，静态校验脚本会直接报错拦截，见 scripts/verify_static.py。

原题优先路由：AI如何决定出原题还是新题

这是整个机制最有意思的部分。AI 出题前会静默读取知识库里的question-bank.json，然后按四档路由决定出什么题：

注意“静默”二字：整个过程不会向你展示识别结论、置信度或“原题/混合/生成”模式名称，AI 开头就直接出第 1 题。规则完整定义在 references/question-bank-routing.md。

逐题交互同样有严格约束：

• 一次只出一题，等待你回答后才判分，绝不提前泄露答案；
• 判分依据分两类：材料明确给出答案的按官方答案判分（official）；仅能依据正文推导的按事实判分，且解析中必须如实写“依据正文推导”，不得冒充题库官方答案（material-derived）；
• 动态调难：根据你的回答实时调整后续题目难度。

路由细则还可对照 references/content-contract.md 中的学习自检规则。

看不见的题库：question-bank.json 里有什么

每次建立知识库，都会自动生成一份<主题>.learnkb/question-bank.json，作为出题路由的“弹药库”。它有几个反直觉的设计：

• detection只有三档：none（未检测到）、partial（零散/不完整）、complete（完整题库或成套练习）；
• confidence表示识别置信度，不是答案正确率——别拿它当正确率看；
• 识别很克制：只有出现可验证的题目结构（题干+选项、连续试题编号、答案表、解析区、明确的“练习/真题”标题）才算题库；正文的编号列表、目录、检查清单和普通思考提示都不行；
• 宁缺毋滥：题干残缺、答案无法核验的题目保留索引但标记usable: false，不会硬凑；无可靠题库证据时直接输出空数组，不强行识别；
• 不设题目数量上限，也不抽样——读到的题库要全量索引，只去除完全重复题。

仓库里这份 examples/rsi-methodology.learnkb/question-bank.json 就是“未检测到题库”时的真实记录：detection: "none"、空问题数组，干脆利落。

错题本与变式复测：AI如何记住你的错

测验不是考完就散场。结束时 AI 会输出三样东西：总评、薄弱知识点、标准错题 JSON（用<<<KLA_MISTAKES_JSON>>>标记包裹，方便页面提取）。把这段记录粘贴回学习页，错题就写入了本地错题本，结构定义见 references/content-contract.md。

错题本的复测设计很讲究：

• 支持搜索、按掌握状态筛选、修改状态、删除；
• 复制变式复测口令时只提供题目、知识点、单元与出处，不提前暴露正确答案；
• 复测默认生成变式题而不是照搬原题——避免背题式“假掌握”；只有你明确要求重做原题时才复用原题；
• 错题、笔记都只保存在当前浏览器的本地存储，无账号、无云同步，支持 JSON 备份/导入。

页面 UI 的完整实现可以在 templates/base.html 看到：范围切换、题量/难度/能力重点控件，以及口令拼装逻辑。

三步上手：让AI开始逐题考你

第 1 步：把 Skill 装进你的 Agent（需要 Agent 能读文件、跑本地 Python，并识别SKILL.md）：

git clone https://gitcode.com/gh_mirrors/le/learn-from-materials.git ~/.claude/skills/learn-from-materials

第 2 步：在对话中一句指令即可，例如“请用 learn-from-materials 系统学习这本 PDF，并生成可追溯知识库和学习网页”。产出是一个.learnkb/知识库加一份离线学习 HTML。

第 3 步：打开页面 → 切到“学习自检”模块 → 选范围、题量、难度 → 复制口令 → 粘贴回对话，AI 就开始逐题考你。

💡 模型选择建议（来自 SKILL.md）：基础记忆题和短材料，通用模型即可胜任；长书、多材料交叉、专业论文和复杂开放题，建议长上下文、高推理能力模型——模型弱时不放宽材料边界，而是缩小单次范围分批完成。

写在最后

learn-from-materials 的自检机制本质上回答了一个问题：“考你”这件事，凭什么可信？答案藏在三个细节里——原题优先保证考题来自材料本身、静默路由让过程不打扰你、错题变式复测防止背题式通过。它不替你总结“学会了”，而是让 AI 一题一题地验证。

想深入协议细节，推荐阅读 references/question-bank-routing.md（出题路由）、references/answer-protocol.md（小巴回答协议）与 references/content-contract.md（内容契约与错题 JSON 结构），以及 examples/features-zh.md 中的学习自检示例。