Menu
将课程资料（PPT/Word/PDF）按章节生成知识清单+原始PPT对照+自测答案+交互式章节测试，帮助高效期末复习。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | exampass |
| description | 将课程资料（PPT/Word/PDF）按章节生成知识清单+原始PPT对照+自测答案+交互式章节测试，帮助高效期末复习。 |
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）。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）。
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。
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）。
读 agents/skeleton-agent.md Part 4。核心规则：
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"]}]}]}slices/<章id>_skeleton.json + slices/<章id>_extract.json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。
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。
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。
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）：
test_js_template.js 相同的逻辑（tfAnswerIndex/choiceAnswerIndex/normText）比对答案Step 2 · 主观题 AI 批改（short / calc / code / essay / comprehensive）：
images（如有）explanation 字段提供标准解析Step 3 · 统计：
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"。
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