wubing2023 命令路由
检查 args：
"update"→ 技能更新。"final"或"final "开头 → 出题，详见exampass-final.md。"graph"或"graph "开头 → 知识图谱，详见exampass-graph.md。"grade"或"批改"开头 → AI批改（下面）。- 其他 → 默认流程（下面）。
你需要阅读的文件：
agents/skeleton-agent.md、agents/notes-agent.md、agents/item-agent.md（每个的 Part 4 是实际 prompt）。写作规范在exampass-writing.md（需要时读）。
默认流程
每章产出一个合并页 HTML：顶部 tab「📖 知识清单 | 📝 章节测试」。知识清单含右侧 PPT 对照栏（整页渲染图+原文）、目录、四色标签、易错 blockquote、折叠自测答案。章节测试交互答题+一键批改。
Phase 0 · 提取
cd <skill目录>
python scripts/run_exampass.py <课程目录>
产 .epa_work/chapter_manifest.json + 每章 chapters/<章名>/_extraction_bundle.json。manifest 的每个条目有 source_files（该章源 PDF 绝对路径）。
Phase 1 · 骨架
读 agents/skeleton-agent.md Part 4。核心规则：
- 读 manifest + 每章 bundle 的 merged_text 了解内容
- 输出
knowledge_skeleton.json：{title, chapters:[{id:"ch1",label:"章名",kcs:[{id,label,type:"fact|concept|procedure|principle",importance:"must|key|freq|info",deps:[],is_hub:bool,source_refs:["PDF名/页码范围"]}]}]} - source_refs 页码必须真实（不能超过 PDF 实际页数；先确认 PDF 页数再写页码）
- 再写切片：
slices/<章id>_skeleton.json+slices/<章id>_extract.json
Phase 2 · 笔记 + 题目（每章并行）
笔记 Agent prompt（精简）：
你是讲解设计师。读 [骨架切片路径] 和 [提取切片路径]。
为每个知识组件写一段讲解，输出到 [.epa_work/notes/<章id>.html]。
规则：
1. 叙事弧：Hook（一句话场景/谜题）→ TL;DR（<div class="tldr">粗体一句话结论</div>）→ Why → What → How → Checkpoint自测（<div class="checkpoint">问题<details class="cp-answer"><summary>参考答案</summary>答案</details></div>）
2. 核心概念包 <span class="kp">…</span>，解释包 <span class="exp">…</span>
3. 每个H3末尾标四色标签（中文："必考""重点""高频""了解"），class用 tag-must/tag-key/tag-freq/tag-info
4. 易错用 <blockquote>易错：…</blockquote>
5. 公式 $$…$$ 或 $…$，引号用「」，箭头 -->
6. 每个H2/H3末尾加 <span data-slides="页码"></span>（从 source_refs 取该KC的起始页码）
7. 只写H2/H3，不写H1。不要输出 <!DOCTYPE>/<html>/<head>/<style>/<body> 标签——只输出 body 内部片段
8. 每个概念必答"是什么/为什么需要它/怎么用"
题目 Agent prompt（精简）：
你是命题专家。读 [骨架切片路径] 和 [提取切片路径]。
为该章出一套题目，输出到 [.epa_work/questions/<章id>.json]。
规则：
1. 题型按学科选——算法课必须包含 calc 和 code，文科不出 calc/code
2. 题量：每个KC至少1题，枢纽概念至少2题。整章≥8题
3. choice：4个选项，正确答案 A/B/C/D 均匀分布（各字母次数差≤1），干扰项对应真实误解
4. 文本里不等号用 < 和 > 或 $...$，禁止裸 <
5. JSON字符串内引号用「」，禁止裸 "
6. 每题含 kc_id/cognitive_level(remember|understand|apply|analyze)/difficulty(basic|medium|hard)
7. 写完用 json.loads() 自检
JSON结构：{"chapter_id":"chX","questions":[{"type":"choice|tf|fill|calc|code|short","points":N,"kc_id":"kcX.Y","question":"...","options":["A","B","C","D"],"answer":0,"explanation":"...","cognitive":"...","difficulty":"...","pitfall":"..."}]}
对于 tf（判断）题：answer: true 表示命题正确（正确），answer: false 表示命题错误（错误）。禁止对 tf 题使用数字 0/1 —— 只用布尔值 true/false。
以上 prompt 中的文件路径：骨架切片在
.epa_work/slices/<章id>_skeleton.json，提取切片在.epa_work/slices/<章id>_extract.json。笔记写入.epa_work/notes/<章id>.html，题目写入.epa_work/questions/<章id>.json。如果你自己能逐章写完（不调子Agent），直接写就行——质量优先，不要为了并行而并行。如果起子Agent，确保每个子Agent只拿自已那章的切片，不要读整个 bundle。
Phase 3 · 评审+修订（可选）
如果时间允许，可以起 reviewer-agent + solver-agent 逐章审查。但不是必须的——如果 Phase 2 的笔记和题目已经认真写了，跳过评审直接渲染也没问题。
Phase 4 · 渲染
python scripts/render_chapters.py <课程目录> full
这会把每章的 PDF 全部页渲染成图贴进右栏（full 密度 = PPT 对照栏放全部原页）。如果文件太大想只放重点页，把 full 改成 key。渲染输出在 <课程目录>/EPA/，每个章一个 HTML 合并页。
浏览器打开 EPA/ 下任意 HTML 即可使用。
AI批改流程
args 形如 "grade <JSON路径>" 或 "批改 <JSON路径>"。
读取 answers JSON（由交互式测试页的「AI一键批改」按钮生成，默认下载到下载文件夹）：
{
"chapter": "数据结构 - 第3章",
"saved_at": "2026-06-25T14:30:00",
"questions": [
{
"index": 0, "type": "tf", "question": "...",
"options": null, "correct_answer": true,
"user_answer": 0, "points": 2,
"explanation": "...", "kc_id": "kc3.1", "images": []
}
]
}
Step 1 · 客观题自动批改（choice / multi / tf / fill）：
- 按与
test_js_template.js相同的逻辑（tfAnswerIndex/choiceAnswerIndex/normText）比对答案 - 得分：全对=满分，多选部分正确=按比例，填空按空批
Step 2 · 主观题 AI 批改（short / calc / code / essay / comprehensive）：
- 每题：读题目 + 用户作答 + 分析
images（如有） - 给出 0～满分的得分和简短批改评语
- 参考
explanation字段提供标准解析
Step 3 · 统计：
- 计算 total_score / objective_score / subjective_score
- 按 kc_id 分组求每个知识点的掌握度（得分/满分）
Step 4 · 生成报告：
from scripts.template_engine import save_grade_report_html
import os, json
from datetime import datetime
# 构造 grade_data（见 save_grade_report_html 文档）
grade_data = {
"chapter": answers["chapter"],
"submitted_at": answers["saved_at"],
"graded_at": datetime.now().isoformat(),
"grade_count": 1, # 根据已有批改报告数量+1
"total_score": ...,
"max_score": ...,
"objective_score": ..., "objective_max": ...,
"subjective_score": ..., "subjective_max": ...,
"results": [...], # 每题: index/type/question/options/user_answer/correct_answer/score/max_points/verdict/comment/explanation/kc_id/images
"kc_mastery": {...}, # kc_id → {label, score, max, pct}
"wrong_questions": [...] # wrong/partial 题的 index 列表
}
# 输出到 answers JSON 所在目录
json_dir = os.path.dirname(json_path)
ts = datetime.now().strftime("%Y%m%d_%H%M%S")
ch = answers["chapter"].replace(" ", "_").replace("/", "_")[:30]
out_path = os.path.join(json_dir, f"{ch}_批改_{ts}.html")
save_grade_report_html(grade_data, out_path)
print(f"报告已生成：{out_path}")
判断 grade_count：扫描同目录下 *_批改_*.html 文件数量 + 1。
注意：某些 tf 题的 correct_answer 字段可能存在数据问题（答案填反了），批改时如果确认 correct_answer 与 explanation 矛盾，以 explanation 为准，并在 comment 中注明"数据可能有误，请复核"。
技能更新
运行 /exampass update 时执行：
$SkillDir = "$env:USERPROFILE\.claude\skills\exampass"
Push-Location $SkillDir
git fetch origin master 2>&1
$Behind = [int](git rev-list --count HEAD..origin/master 2>&1)
Write-Host "落后 origin/master：$Behind 个提交"
if ($Behind -eq 0) { Write-Host "已是最新！"; Pop-Location; return }
$Status = git status --porcelain
if ($Status) { git stash push --include-untracked -m "exampass-update-$(Get-Date -Format yyyyMMdd-HHmmss)" }
git pull origin master
git stash pop 2>$null
pip install -r requirements.txt
Write-Host "更新完成"; git log --oneline -5
Pop-Location