这是一个基于大语言模型（LLM）的智能出题系统，旨在帮助用户从本地技术规范文档中自动生成不同类型的题目（单选题、判断题、主观题），并提供答题及错题分析功能。系统采用模块化设计，易于扩展和维护。
- 文档上传与管理：支持上传 JSON 格式的技术规范文档，并进行格式校验和预览。
- 智能题目生成：
- 根据上传的技术文档内容，自动生成单选题、判断题和主观题。
- 支持自定义生成题目数量。
- 生成过程中进行题目相似度检查，避免重复和高度相似的题目。
- 题库管理：
- 生成的题目会自动保存到本地题库，并支持与现有题库合并及去重。
- 可查看已生成的题库列表。
- 在线答题：
- 从现有题库中选择题目进行在线答题。
- 支持单选题、判断题和主观题的作答。
- 智能答案批改：
- 单选题和判断题进行精确匹配。
- 主观题利用大语言模型进行语义相似度判断，智能批改答案。
- 答题结果与分析：
- 提供答题总览，包括总题数、正确数和正确率。
- 生成学习建议。
- 详细的错题分析，包括问题、你的答案和正确答案（选择题包含选项内容）。
项目采用前后端分离的架构，并对后端逻辑进行了模块化解耦，提高了可维护性和可扩展性。
Intelligent_question_generator/
├── .env # 环境变量配置文件，用于存储API密钥等敏感信息
├── requirements.txt # Python 依赖库列表
├── backend/ # 后端核心逻辑
│ ├── init.py # Python 包标识
│ ├── main.py # 后端主入口，协调各模块
│ ├── agents/ # 代理层：封装业务逻辑
│ │ ├── init.py
│ │ ├── question_agent.py# 负责题目生成、相似度检查和题库保存逻辑
│ │ └── quiz_agent.py # 负责答题和答案检查逻辑
│ └── components/ # 组件层：提供基础服务
│ ├── init.py
│ ├── data_loader.py # 负责文件上传、保存、加载和获取题库等文件操作
│ └── llm_connector.py # 负责与大语言模型API的交互，包括文本生成和答案判断
├── data/ # 数据存储目录
│ ├── raw_files/ # 存放用户上传的原始技术规范 JSON 文档
│ └── question_dataset/ # 存放生成的题库 JSON 文件
├── frontend/ # 前端界面逻辑 (Streamlit 应用)
│ ├── init.py
│ └── app.py # Streamlit 应用主入口
└── test/ # 单元测试目录
├── init.py
└── backend/
├── init.py
├── agents/
│ ├── init.py
│ ├── test_question_agent.py # question_agent.py 的测试脚本
│ └── test_quiz_agent.py # quiz_agent.py 的测试脚本
└── components/
├── init.py
├── test_data_loader.py # data_loader.py 的测试脚本
└── test_llm_connector.py # llm_connector.py 的测试脚本
确保您的系统已安装 Python 3.8+(建议使用3.11)。
运行如下命令以克隆项目到本地：
git clone <https://github.com/ivyinautumn/Intelligent_question_generator.git>
cd Intelligent_assistant- 首先创建虚拟环境
python -m venv venv- 在Windows环境下激活虚拟环境
.venv\Script\sactivate- macOS/Linux环境下激活虚拟环境
source venv/bin/activate# 确保激活虚拟环境之后安装依赖
pip install -r requirements.txt在项目根目录下创建.env(默认存在)文件，并填入您的大语言模型 API 密钥和模型名称。
# 阿里百炼大模型API配置
BAILIAN_API_KEY=YOUR_ACTUAL_API_KEY_HERE # 替换为你的API密钥
BAILIAN_API_URL=https://dashscope.aliyuncs.com/compatible-mode/v1 # 替换为你的API URL (通常无需修改)
BAILIAN_MODEL_NAME=qwen-plus # 替换为你使用的模型名称 (例如：qwen-turbo, qwen-plus)请务必将 YOUR_ACTUAL_API_KEY_HERE 替换为您的实际 API 密钥。
注意！！！务必在终端运行以下命令(根据自己的终端类型选择)再启动 Streamlit 应用，主要是为了避免出现"'latin-1' codec can't encode characters in position 45-49: ordinal not in range(256)" 的编码报错
- Windows Dos
set PYTHONIOENCODING=utf-8- Windows PowerShell
$env:PYTHONIOENCODING="utf-8"- macOS/Linux
export PYTHONIOENCODING=utf-8然后在项目根目录下运行以下命令启动 Streamlit 应用：
cd Intelligent_question_generator # 进入项目根目录
streamlit run frontend/app.py # 启动 Streamlit 应用应用程序将在您的默认浏览器中打开。
为了验证后端模块的功能，您可以运行位于 test/ 目录下的测试脚本。
在激活虚拟环境并位于项目根目录的情况下，运行以下命令：
- 运行 DataLoader 的测试
python test/backend/components/test_data_loader.py- 运行 LLMConnector 的测试
python test/backend/components/test_llm_connector.py- 运行 QuestionAgent 的测试
python test/backend/agents/test_question_agent.py- 运行 QuizAgent 的测试
python test/backend/agents/test_quiz_agent.py这些测试脚本将通过模拟外部依赖（如文件系统和大模型 API 调用）来演示每个模块的输入和输出。
[
{
"idx": "4.3.2.2",
"title": "条形码结构和尺寸要求",
"text": "条形码结构、尺寸及相关要求应符合Q/GDW 205—2008 的规定。射频电子条码安放在翻盖铭牌背面中心位置。"
},
{
"idx": "4.3.3.1",
"title": "采样元件",
"text": "a） 采样元件如采用精密互感器，应保证精密互感器具有足够的准确度，并用硬连接可靠地固定在端子上，或采用焊接方式固定在线路板上，不应使用胶类物质或捆扎方式固定。b） 采样元件如采用锰铜分流器，锰铜片与铜支架应焊接良好、可靠，不应采用铆接工艺；锰铜分流器与其采样连接端子之间应采用电子束或钎焊。"
}
]
[
{
"type": "subjective",
"question": "请阐述在进行'停电抄表及显示'时，电能表应具备哪些特性或操作流程？",
"answer": "电能表在停电情况下，可通过按键唤醒显示，显示内容应包含重要结算数据，并且所有数据应能在断电情况下至少保存10年。",
"idx": 1,
"source_file": "单相静止式多费率电能表技术规范.json"
},
{
"type": "single_choice",
"question": "根据《单相静止式多费率电能表技术规范》的规定，对于时钟模块的设计要求中需要具有哪些功能？",
"options": [
"A. 应具有日历、计时、闰年自动转换功能",
"B. 无需具备日历功能，只需计时",
"C. 仅需具备计时和闰年自动转换功能"
],
"answer": "A",
"idx": 2,
"source_file": "单相静止式多费率电能表技术规范.json"
},
{
"type": "judge",
"question": "根据技术规范，瞬时冻结要求保存最近3次的数据，而定时冻结要求每个冻结量至少保存60次。",
"answer": "正确",
"idx": 3,
"source_file": "单相智能电能表技术规范.json"
}
]
- 更多题型支持：考虑增加多选题、填空题等更多题型。
- 用户认证与数据持久化：为多用户场景增加用户登录、注册功能，并将用户数据和题库存储到数据库中。
- 更智能的题目生成：优化 LLM 提示词，提高题目生成质量和多样性，支持从复杂文档中提取更深层次的知识点。
- 答案解析与反馈：为错题提供详细的答案解析，帮助用户更好地理解知识点。
- 前端交互优化：提升用户界面和用户体验，例如增加加载动画、更友好的错误提示等。
- 支持更多文档格式：除了 JSON，考虑支持 PDF、Word 文档等。