AI家教开源项目实测：读教材自动出题，用间隔重复对抗遗忘

每天刷 GitHub 的时候我总会想一个问题目前市面上那么多 AI 学习助手本质上都是“学生问、AI 答”主动权完全在学生手里。可现实里大多数人的问题不是“不会提问”而是“不知道自己哪里不会”。看完了十几页教材感觉眼睛会了关上文档脑子里一片空白。这种“只看书不输出”的状态恰恰是知识掌握的大敌。所以这次看到港大团队开源的这个 AI 家教项目我第一时间就跑去部署实测了。它做的事很直接把你上传的教材通读一遍然后反过来出题考你答错了还会按遗忘曲线追着你复习。这期“每日开源”第一期我准备把它的功能逻辑、部署过程、实测结果和踩坑记录完整拆一遍想抄作业的直接往后翻。1. 不是多一个聊天框AI 家教“读教材再考你”到底解决了什么1.1 学习场景里的真实痛点缺少“被考”的反馈闭环市面上的 AI 学习工具绝大多数长成一个样子对话框 大模型。你问“什么是虚拟内存”它对答如流你追问“那页面置换算法呢”它也接得住。但你合上电脑之后知识到底进没进脑子它并不知道。因为这种模式默认了学生有能力发现问题、组织问题、判断自己哪里没懂可这恰恰是学习初期最稀缺的能力。在这个项目里“考你”不是附加功能而是核心循环的一部分。系统先读取你上传的教材然后主动生成选择题、判断题、简答题让你做一遍。你答对它认为这个知识块暂时掌握了你答错它就把这个知识块记入待复习队列按间隔反复考察。整个过程和请了一个真人助教在旁边抽背差不多区别是这个助教完全不嫌烦也不会因为重复问你同一知识点而不耐烦。这个反转让“AI 学习”的逻辑发生了本质变化AI 不再是一个被动的知识源而是一个主动的考核系统。学习者不再需要知道“自己该问什么”只需要诚实答题系统就能通过错误率准确定位薄弱点。对于内容量大、自学比例高的学习场景比如考研备考、职业资格复习、企业内部培训这种反馈闭环比单纯看课刷文档有效得多。1.2 这个项目产品层面的三个核心功能先不看代码单从使用者视角这个项目提供三件事。第一件事是“建立个人教材库”。你上传 PDF、Markdown、Word、TXT 等格式的学习资料系统会解析并切块做成一个“可检索的私人知识库”。这里的关键点是这个知识库完全围绕你手里的教材建立不是通用知识库。AI 回答问题时只能依据这些材料不能自由发挥。第二件事是“基于教材的答疑”。你可以就教材里的任意知识点提问回答会附带教材对应的原文片段定位。这就相当于 AI 回答的每一句话都有据可查不再是你问一个问题它凭印象给你编一段。第三件事是“主动出题考核”。在学完某个章节后你可以一键生成测验题目范围限定在当前教材内容里。提交后系统自动批改给出正确答案和解析并且同步更新这个知识点在你个人画像里的掌握状态。这个“个人画像”会直接影响后续复习队列的出题顺序和频率。这三件事连起来就形成一个从“输入教材”到“输出考分”的完整闭环。说白了这个项目不想取代老师它想做的是把“学习—检测—复习”这条链路自动化让自学的人也能获得近似线下教育的反馈强度。2. “读教材”与“出考题”背后这套系统的技术闭环2.1 教材切分从整本书变成可检索的知识块一个 PDF 可能有几百页直接丢给大模型是不现实的。模型上下文窗口有限而且让模型通读全书再回答具体问题成本极高也谈不上准确性。所以系统的第一步是把整本教材拆成大量“知识块”。这个项目在文档解析层做了几件细活。首先它会把 PDF 按标题层级章节、小节、子标题拆成树状结构而不是简单按字符长度硬切。因为硬切会在知识点中间下刀导致语义断裂。按标题切分的优势在于每一块文本在内容上是相对完整的单元比如“第三章 进程管理 3.2 调度算法”这一块儿大致只在讨论调度算法。但光靠标题切还不够因为有些小节内容太长上下文之间要保留衔接。所以切块时通常会配合一个“滑动窗口”策略也就是每两个相邻的知识块之间保留 50~100 字的重复区域避免知识点正好卡在切分边界导致检索不到。实际配置里中文场景把块大小控制在 500~800 字比较合适后面我会专门讲这个参数对出题效果的直接影响。每个知识块最终会被向量化存入向量数据库同时保留原始文本和标题路径。这一步相当于给教材做了一次“阅读理解编码”让后面的检索和出题都站在一个已经结构化过的知识库上。2.2 RAG 召回与知识点定位拆完知识块之后系统面对的常规任务是答疑。这一层用的是标准的 RAG 路线用户提问时系统先把问题向量化然后在向量库里检索最相关的若干个知识块最后把这些块连同用户的原始问题一起喂给大模型让模型基于这些材料作答。不过这个项目并没有完全依赖纯向量召回。它做了“向量 关键词”的混合召回再用重排逻辑把结果融合。纯向量召回的问题是遇到同义改写但措辞差异很大的问题可能召回精度下降纯关键词检索的问题则是无法理解语义比如“CPU 怎么决定下一个运行哪个程序”和“进程调度算法”就可能匹配不上。两者融合后召回效果会更稳健。真正让它区别于普通 RAG 应用的地方是答疑只是它的中间能力更上层还有一个“知识点定位”模块。也就是说系统不只是回答你的问题还会判断这个问题对应教材里的哪个知识块并把这个知识块标记为“正在学习”或“待复习”。这个定位结果是后面出题和复习调度的依据。2.3 题目生成的约束防幻觉校验让大模型出题这件事听起来简单做起来很容易翻车。最大的问题就是幻觉模型很可能出一道教材里根本没有的知识点或者给出一个错误答案却引用了一段“看起来很像”的原文。如果用户拿到这种题不但没帮助反而越学越歪。这个项目的处理方式值得参考它不只让模型直接生成题目而是加了一个强制约束链。出题时模型必须输出结构化字段包括题目类型、题干、选项、正确答案、解析、对应知识点标签、以及“原文依据片段”。系统拿到返回结果后会用原文依据片段和知识库里的真实文本做校验比对关键词和编辑距离确认这段原文确实存在而不是模型编的。这还没完。系统还会检查选项之间的逻辑并识别那些“明显错误”的情况。比如两个选项本质上表达同一个意思或者正确答案和题干存在冲突。对不合格的题目直接丢弃不进入用户题目池。我在实测中发现加上这几层校验之后题目的整体质量提升非常明显后面有详细数据。所以“AI 出题”不是一句简单 prompt 就能实现的它需要一套“生成—校验—淘汰—重生成”的工程链路。这个项目的做法其实可以复用到任何需要自动化出题的场景里。2.4 基于错误率的间隔重复SM-2 的简化实现有了题目结构还需要一套机制决定“什么时候考你什么”。这里用到的是间隔重复思想核心来自一个经典算法 SM-2很多记忆类 App 都在用。基本原理是同一知识点你在掌握程度高的时候少考、间隔长一点一旦答错就把它拽回队列前排密集重测。这个项目做了一个简化版实现。每个知识块都有一个“掌握状态”字段初始是“学习中”。第一次答对后系统给它设定一个初始间隔我看到的报文里默认是 1 天连续答对的次数越多间隔按比例拉长可能是 1 天、2 天、4 天、7 天、15 天这样递增。一旦某一天答错了间隔立刻重置回 1 天状态回到“学习中”同时把这个知识块加入“薄弱点池”。复习队列的调度逻辑就是每天把“到期的题”和“薄弱点池里的知识块”混合起来推一轮新测验。这个设计的好处是你不需要自己规划“今天该复习什么”系统全帮你安排好了。它保证同一个知识点被刷掉的概率和你的实际掌握程度挂钩跟真人助教凭记忆督促你的节奏非常接近。3. 本地部署跑通环境、依赖与操作记录3.1 整体架构与仓库目录理解我拿到仓库之后先大致扫了一遍目录结构整体分三块前端、后端、数据库与向量存储。前端是基于 React 的 Web 界面负责交互比如上传文件和答题后端是 FastAPI 应用承载知识库构建、RAG 检索、出题和复习调度这些核心逻辑向量数据库用的是 Chroma在中小规模知识库里启动快、依赖轻适合个人部署。大模型层面很关键的一点是它没有绑死某一个模型供应商。后端通过一个“OpenAI 兼容接口”来访问底层模型这意味着你既能接本地的推理服务也能接任何支持同样接口规范的模型服务。Embedding 模型和生成模型是分离配置的默认的 embedding 用的是中文效果不错的BAAI/bge-small-zh-v1.5可以本地跑不依赖外部接口。所以整体部署思路是前端和后端各跑一个容器Chroma 数据目录挂载到本地再配一个外部或本地的 LLM 接口。如果你本机显存不够跑大模型也可以让后端去调一个远程的 OpenAI 兼容接口接口地址写环境变量就行。3.2 Docker Compose 起服务我的实际环境是 Ubuntu 22.04机器带一张 24G 显存的显卡。部署步骤不复杂先把仓库 clone 下来查看根目录里的docker-compose.yml里面定义了前端、后端和 Chroma 三个服务。然后复制.env.example为.env填好关键配置项再启动。环境变量核心就这几项LLM_BASE_URLhttp://localhost:8000/v1 LLM_API_KEYsk-xxx LLM_MODELqwen2.5-14b-instruct EMBEDDING_MODELBAAI/bge-small-zh-v1.5 CHROMA_DIR/data/chroma其中LLM_BASE_URL指向你的模型服务地址。如果本地用 vLLM 或 Ollama 起了 Qwen 模型地址填对应的如果你有现成的 OpenAI 兼容接口填那个地址就行。填完后直接docker compose up -d首次启动会拉镜像等上几分钟后前端默认跑在http://localhost:5173后端在http://localhost:8000。我中途遇到过一次前端容器起不来原因是本机 5173 端口被别的进程占了改一下映射端口就解决了。这个不算项目本身的坑属于环境问题但如果是新手部署遇到端口占用先别怀疑代码检查一下端口。3.3 导入教材并配置模型接口在页面里进入管理后台把准备好的教材上传上去。这个项目支持 PDF、Markdown、Word、TXT 等格式。我传了一份几百页的公开讲义 PDF上传后系统会进入解析流程日志里能看到“切块完成”“向量化完成”之类的输出。如果教材比较多第一次向量化可能要跑几分钟属于正常现象。需要提醒的是在导入教材之前最好先确认模型接口连通。我在后端日志里看到过连接失败的情况原因是在.env里把LLM_API_KEY留空了而目标接口又要求校验。只要填一个非空的占位值并且模型服务的地址指对基本就没问题。如果是纯本地部署且显存有限建议把 embedding 模型和 LLM 分开理解。Embedding 模型很小几百 MBCPU 也能跑但 LLM 出题和答疑比较吃资源我后面实测对比过 7B 和 14B 的差距结论是能上大参数就上大参数否则题目质量会明显波动。4. 拿一份真实教材实测出题质量与答题体验4.1 测试素材与准备我用的测试素材是一份 300 多页的计算机系统基础讲义内容覆盖进程调度、内存管理、文件系统这些章节。选它的原因很简单这类内容概念密集、知识点边界清晰很适合检验“AI 出题”到底能不能抓住重点。整个导入过程中系统把它切成了 800 多个知识块花了几分钟完成向量化。生成测验前我特意在答疑功能里问了两个问题确认知识库构建是否正常比如“抢占式调度和非抢占式调度有什么区别”回答内容里正确引用了讲义原文还附上了“依据片段”。说明 RAG 检索链路是通的。然后我进入“章节测验”界面选择进程调度这一章让系统生成 10 道题。4.2 生成题目的实际效果评估第一轮生成的题目以选择题和判断题为主。我挑一道比较有代表性的选择题出来去掉敏感信息后大概是这个风格在抢占式进程调度中下列哪一项是进程从运行态转为就绪态的主要条件 A. 进程主动释放 CPU B. 更高优先级进程就绪 C. 进程等待 I/O D. 进程执行完毕答案B。解析里明确引用了讲义中关于抢占式调度的定义段落并标注了原文出处。客观说第一轮生成质量已经超出我的预期。10 道题里 8 道题干清晰、答案正确、干扰项有迷惑性不是送分题。问题主要出在另外 2 道上一道判断题的题干和讲义原文措辞过于接近几乎就是原句挖了个空没有太多思考量另一道多选题的选项之间出现了语义重叠两个选项描述的是一个意思会产生歧义。后面我看了一下项目文档发现这也正是它要引入校验模块的原因——模型生成后必须过滤不合格题目。我又试了一轮简答题生成效果让我比较意外。模型给出的参考答案逻辑完整并且附带原文依据批改时会做关键词匹配和语义相似度打分。但简答题的评分肯定没有选择题客观尤其当学生的表达方式和教材原文不太一样时系统会偏严。所以这个功能更适合做“自检”不适合直接用于正式考试。4.3 答错之后的复习追踪效果我故意在一道“虚拟内存页面置换算法”的选择题上选错然后观察系统的复习调度。提交后页面提示该知识块状态变为“学习中”并加入了薄弱点池。第二天我再打开复习队列时系统优先把“页面置换算法”相关的一道新题推到最前面而不是我昨天已经做对的那些题。这个反馈链路是真实生效的。持续用了大概一周之后我发现系统会反复回到那些我曾经答错的知识点间隔从 1 天拉长到 3 天、5 天但每次间隔变化都和我的答题结果绑定。偶尔我连续两次答对同一知识点相关的新题间隔才明显放宽。这种节奏在我看来是合理的它在用算法对抗遗忘而不是简单地把做过的题重新丢给你。5. 实测中容易翻车的几个细节5.1 分块参数块太大太小都会让题目变味切块参数是影响检索和出题质量最容易被忽略的因素。我开始图省事直接用默认的 2000 字块大小结果检索阶段出现一个典型问题系统找到的知识块太大包含太多不相干的信息模型回答问题时容易被无关内容干扰甚至出现回答里带出两个不同知识点、导致答案混淆的情况。后来我把块大小调到 600 字左右重叠区设为 80 字语义精度明显提升。但我也不建议把块切得太碎比如少于 300 字因为那样一个完整的知识点很可能被拦腰截断导致出题时上下文不够模型只能靠“猜”来补全内容幻觉概率随之上升。建议中文教材场景从 500~800 字区间开始试再根据你自己的教材排版微调。5.2 中文召回Embedding 模型的选型差异这个坑是我在跑通之后换测试教材时发现的。一开始我用的 embedding 模型是偏向英文的通用模型导入中文讲义后回答效果也还行但在某些专业性比较强的知识点上出现检索不到原文的情况。比如我问“LRU 算法在什么情况下会失效”系统返回的知识块里居然没有“局部性原理”相关内容而是抓了其他章节的无关段落。后来把 embedding 切成BAAI/bge-small-zh-v1.5同样的问题就正常了。原因是不同 embedding 模型对中文语义的理解能力差距很大英文训练为主的模型在中文专业词汇上容易“跑偏”。项目默认推荐这个中文模型是有道理的如果你打算用在自己领域的中文教材上别在这一步省事。5.3 出题幻觉不让模型自由发挥的硬约束我在前面提到过幻觉校验这里讲一个具体案例。第一次生成测试时我在一版没加校验开关的配置下跑了 50 道题结果里有 3 道题的“答案依据”指向的原文片段在教材里根本不存在是模型根据上下文“合理虚构”出来的。最可怕的是模型编的句子读起来很像教材原文如果人工不较真根本发现不了。这个项目的解法是模型出题返回里强制包含原文依据片段系统再做片段匹配校验。我发现开启校验后不合格题目的比例从最初的 16% 左右降到了 5% 上下。这说明“让模型自由发挥再人工审核”是非常冒险的路线正确做法是把校验规则写进流水线让系统自己拦截编造内容。这一点所有打算做自动出题的人都能直接用上。5.4 弱模型带不动7B 与 14B 的体验差距我第一次部署用的是本地 7B 参数的量化模型结果出题质量不稳定得很明显。最常见的问题是题干和答案之间逻辑断裂或者两个选项表达的意思完全相同。有一道题我读完选项就笑了A 和 B 只是换了个顺序描述同一个概念理论上不该同时存在。后来换到 14B 参数的模型同样配置、同样的教材题目质量稳定了不少。我个人的判断是出题是一个比答疑更要求“逻辑一致性”的任务需要模型同时理解教材内容、理解测试学基本常识还要控制选项之间的关系7B 参数在这种复合任务面前确实吃力。如果你手里只有小显存建议至少用 14B 的量化版或者把出题请求接到一个更强的 OpenAI 兼容接口上。6. 这个开源项目更适合谁和下一步可以怎么玩6.1 三类最适合的使用者按照这段时间的体验我觉得有三类用户最适合用它。第一类是自学者尤其是备考型自学者。这类人面对的教材厚、知识点多、没有老师抽查这个项目相当于给每个人配了一个不知疲倦的助教能按教材内容和遗忘规律安排测试。第二类是老师和培训机构。可以用它做教学辅助工具上课前给学员发一个知识库链接让学员提前自测课后布置“AI 生成的测评作业”系统自动批改、自动汇总薄弱点。它不一定能完全替代人工命题但能大幅压缩机械性工作的时间。第三类是企业里负责内部培训或合规考核的同学。企业一般积累了大量制度文档和操作手册把这些材料导入系统后员工不再只是“读完签字”而要完成一轮实际测试培训效果的可验证性一下就上来了。这也是我认为这个项目离商业化落地最近的方向。6.2 二开思路接入自己的题库与知识库如果你想在这个项目的基础上继续扩展有几个方向我认为性价比很高。一个是对接标准题库格式。比如把生成的题目导出为 GIFT 或 Aiken 格式直接导入 Moodle、Canvas 这类学习管理系统形成“开源 AI 出题 现有 LMS 考试”的组合。这样既保留了项目自动出题的能力又不需要把整个学习管理流程切换到新系统里。另一个方向是增加多模态出题能力。目前题目基本围绕文本内容但很多学科离不开图、表、公式。教材里的图表在解析阶段会丢失结构这是一块明显的短板。如果能把图片转成可索引的描述或者让模型基于图表生成题目应用范围会从文科、计算机类扩展到更多理工科。再就是结合学生模型的个性化推荐。现在系统的复习调度是按知识块状态做的属于“知识点级”的个性化。如果记录每个用户在不同难度题目上的表现建立一个用户能力画像就可以做到“人题匹配”给基础弱的学生出基础题给学霸出综合题。这是商业题库产品很常见的功能但在开源项目里还有不少可以自己折腾的空间。我自己在这两周里最大的体会其实是“主动考核”带来的心理压力比想象中大。以前用 AI 学习看完文档觉得自己懂了其实那是错觉这个系统把我拉回现实——合上书做对题才算真会。而且它考的题不是随便从题库里抽的是基于我自己上传的教材现出的针对性很强。如果你也经历过“学完就忘”的挫败不妨把这个项目跑起来用它来检验一下自己到底记住了多少。