LobeChat考试题目生成器开发实例

LobeChat 考试题目生成器开发实践

在当前教育数字化转型加速的背景下，教师面临的备课压力日益增长——尤其是试题命制这一高重复性、高专业性的任务。传统方式下，一道高质量题目的设计往往需要反复推敲知识点覆盖、难度梯度与语言表达，耗时且难以规模化。而随着大语言模型（LLM）能力的跃升，AI 自动生成试题已从概念走向实用。

我们最近尝试用LobeChat搭建了一个面向教学场景的“考试题目生成器”，整个过程几乎没有编写前端代码，核心功能通过配置和轻量插件即可实现。更令人惊喜的是，从原型搭建到内部可用版本上线，仅用了不到五天时间。这背后究竟靠的是什么技术组合？它又如何真正帮老师“减负”？

LobeChat 本质上是一个现代化的 AI 对话门户框架，基于 Next.js 构建，支持接入多种大语言模型，包括 OpenAI、Anthropic、Ollama、通义千问等。它的优势不在于算法创新，而在于工程层面的高度集成：统一接口封装、角色预设、多模态交互、插件扩展……这些特性让它成为快速构建垂直 AI 助手的理想底座。

以“命题专家”为例，我们并不需要训练新模型，而是通过精心设计的提示词（prompt），将通用大模型“引导”成特定领域的助手。比如当老师输入：“生成5道关于牛顿第二定律的选择题，难度为高中水平”，系统并不会直接转发这条指令给模型，而是先注入上下文模板：

你是一位资深教育专家，擅长根据教学大纲生成高质量考试题目。请严格按照以下格式生成题目： 【题型】 【知识点】 【难度等级】 【题目正文】 A. ... B. ... C. ... D. ... 正确答案： 解析：

这个结构化输出模板是关键。没有它，模型可能返回随意排版的内容，不利于后续处理；有了它，每道题都像标准化数据记录一样规整，为自动化操作打下基础。

在 LobeChat 中，这类模板被封装为“角色预设”（Preset Role）。你可以把它理解为一个可复用的 AI 角色包，包含默认模型、温度参数、系统提示词等配置。教师登录后只需一键切换到“考试命题专家”，就能立即获得一致的交互体验。

{ "id": "exam_generator", "name": "考试命题专家", "description": "专精于各学科试题生成的AI助手，能按年级、知识点、题型生成标准化试题。", "prompt": "你是一位资深教育专家……", "model": "gpt-4-turbo", "temperature": 0.7, "max_tokens": 1024 }

这里temperature=0.7是个经验之选——太低会死板，太高则容易出错选项逻辑混乱。实际测试中我们发现，对于选择题这类结构严谨的任务，0.6~0.8 的范围最平衡。

当然，并非所有学校都能或愿意使用公有云 API。数据安全始终是教育行业的敏感点。为此，我们在部署时同时接入了本地运行的 Ollama 实例，加载 Qwen 或 Llama3 模型提供服务。LobeChat 的多模型代理机制让这一切变得透明：

OPENAI_API_KEY=sk-xxxxxxxxxxxxxx OLLAMA_PROXY_URL=http://localhost:11434 LOBE_MODEL_MAP='{"qwen":"ollama/qwen:latest","llama3":"ollama/llama3"}'

通过环境变量映射，前端可以直接选择“通义千问”作为后端模型，而无需关心它是跑在云端还是本地服务器。这种灵活性意味着同一个界面既能用于快速验证（调 GPT-4 Turbo），也能迁移到私有化部署环境（切回本地模型），避免厂商锁定。

但真正让这个工具“活起来”的，其实是它的插件系统。

设想一个典型场景：老师让 AI 生成了 20 道数学题，现在想把这些题目导入 Excel 表格进行进一步整理。如果只能手动复制粘贴，效率提升就大打折扣。于是我们写了一个简单的 TypeScript 插件，名为“导出为 CSV”。

// plugins/export-to-csv/index.ts import { Plugin } from 'lobe-chat-plugin'; const plugin: Plugin = { name: 'export-to-csv', displayName: '导出为CSV', description: '将当前对话中的题目导出为CSV文件', tools: [ { name: 'exportQuestionsToCSV', function: async ({ messages }) => { const questions = extractQuestions(messages); const csv = convertToCSV(questions); return { type: 'file', url: `/api/plugins/export-csv?data=${encodeURIComponent(csv)}`, filename: 'exam_questions.csv', }; }, description: '将最近生成的题目导出为CSV格式', parameters: { type: 'object', properties: {}, required: [], }, }, ], }; function extractQuestions(messages: any[]) { return messages .filter(m => m.role === 'assistant' && m.content.includes('【题型】')) .map(m => parseQuestion(m.content)); } function parseQuestion(content: string) { const lines = content.split('\n'); return { type: lines.find(l => l.startsWith('【题型】'))?.replace('【题型】', '').trim(), topic: lines.find(l => l.startsWith('【知识点】'))?.replace('【知识点】', '').trim(), difficulty: lines.find(l => l.startsWith('【难度等级】'))?.replace('【难度等级】', '').trim(), question: lines.find(l => l.startsWith('【题目正文】'))?.replace('【题目正文】', '').trim(), answer: lines.find(l => l.startsWith('正确答案：'))?.replace('正确答案：', '').trim(), }; } export default plugin;

这个插件注册了一个工具函数exportQuestionsToCSV，它监听模型响应消息，通过关键词匹配提取出结构化题目信息，然后转换为 CSV 格式并生成下载链接。部署完成后，用户只要说一句“把刚才的题目导出为 Excel”，AI 就能自动触发该功能。

这正是 LobeChat 插件系统的精髓所在：它允许我们将“意图识别 + 工具调用”的流程完全交给 AI 主动完成，而不是让用户去点按钮。这种自然语言驱动的操作范式，极大降低了使用门槛。

更进一步，我们还实现了知识点标签提取插件。通过对生成题目的文本做 NLP 分析（如正则匹配课程标准术语），可以自动生成知识点分布热力图，帮助教研组评估命题覆盖面是否均衡。这类功能虽然简单，但在集体备课和教学质量监控中极具价值。

整个系统的架构其实非常清晰：

+------------------+ +--------------------+ | 教师用户终端 |<----->| LobeChat Web 前端 | +------------------+ +--------------------+ ↓ HTTPS +--------------------+ | LobeChat Server | | (Next.js + Node.js) | +--------------------+ ↓ API / WebSocket +-------------------------------+ | 多源大语言模型服务平台 | | - OpenAI / GPT-4 | | - Ollama / Qwen, Llama3 | | - HuggingFace Text Generation | +-------------------------------+ +-------------------------------+ | 辅助服务模块 | | - 插件引擎 | | - 文件存储（题目归档） | | - 数据库（会话历史） | +-------------------------------+

前端由 React 组件构成，适配移动端和桌面端；中间层负责路由、认证、日志和插件调度；模型层可根据需求灵活替换；辅助服务支撑文件导出、会话持久化等功能。整个系统可通过 Docker 一键部署，运维成本极低。

在实际使用中，我们也总结了一些值得分享的经验：

• 提示词要持续迭代：初期版本的输出常出现“解析”部分过于简略的问题。后来我们在 prompt 中加入 few-shot 示例（即给出一两个完整样例），显著提升了生成质量。
• 批量任务优先本地模型：一次性生成上百道题时，调用 GPT-4 成本过高。此时切换到本地 Phi-3 或 TinyLlama 模型更经济，虽质量略有下降，但足以满足初筛需求。
• 隐私敏感内容务必隔离：涉及校本课程或内部考试资料时，强制启用内网部署 + 本地模型，杜绝数据外泄风险。
• 增强交互反馈：增加“重新生成”、“修改难度”、“更换题型”等快捷按钮，减少用户重复输入指令的负担。
• 保留版本快照：每次生成结果都应存档，便于后期追溯与质量审计，这对教学管理尤为重要。

有意思的是，这套系统上线后，老师们最先提出的不是技术问题，而是：“能不能加个‘趣味性’评分？”——他们希望 AI 不仅能出题，还能判断题目是否足够吸引学生。这提醒我们，真正的智能工具不应只是执行命令，更要理解教育的本质。

LobeChat 的价值正在于此：它不是一个封闭的聊天框，而是一个可塑性强的开发平台。你可以在上面快速验证各种教育智能化设想——无论是作业批改、智能答疑，还是个性化学习路径推荐。它的插件机制和开放生态，让开发者可以把关注点集中在业务逻辑本身，而非底层通信或界面渲染。

更重要的是，它让一线教师也能参与 AI 工具的设计过程。不需要懂代码，只要描述清楚需求，技术人员就能通过配置和插件将其变为现实。这种“低门槛共创”模式，或许才是教育科技落地最可持续的路径。

如今，这个小小的“考试题目生成器”已在三个试点学校的物理和数学教研组投入使用。虽然它还谈不上完美，但已经实实在在地帮老师们每周节省了数小时的备课时间。而我们知道，每一次点击“生成”，背后都是对“技术服务于人”这一理念的一次微小却坚定的践行。