exampass
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。
DeepseekModel
キュレーション済みスキル
品質 優秀 · 90
v1.0.0
取得
https://deepseekmodel.com/api/download.php?id=wubing2023-exampass-assistant-skill-md&format=skill
ダウンロード .skill
標準形式。system_prompt と model_config を収録し、任意の Agent で利用可能
.skill ファイルの system_prompt フィールドの実際の内容。
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。 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
このスキルを起動するキーワード。クリックでコピーできます。
このスキルにはトリガーワードがありません。
ダウンロードした .skill に含まれるフィールド。
| フィールド | 説明 |
|---|---|
| format | フォーマット識別子（skill/v1） |
| skill_id | スキル固有 ID |
| name | スキル名 |
| version | バージョン |
| description | 説明 |
| category | カテゴリ（配列） |
| trigger_words | トリガーワード |
| tags | タグ |
| source | ソース |
| source_url | ソース URL（本ページ） |
| exported_at | エクスポート日時（ダウンロード毎） |
| system_prompt | システムプロンプト本文 |
| model_config | モデル設定：provider / model / temperature / max_tokens / top_p |
| examples | サンプル |
| install_guide | 各プラットフォームの導入説明（Coze / Dify / Claude / カスタム） |
