职业教育场景下的
LLM 自动出题 · 场景方案展示

设想一家覆盖 14 个考证科目的职业教育机构。这类机构常见的痛点是「题不够用，但人也加不动了」。拆开看是三件事：每个季度近 6,000 道命题需求全靠 9 名教研老师手工出，加班高峰期人均日产不到 20 道；题库里同一个知识点反复出几乎一样的题，学员刷两套就背答案；考纲更新后没人能快速判断哪些知识点缺题、哪些超纲，出卷质量完全依赖少数资深老师的经验直觉。题不够、又重复、还有盲区——三个问题互相缠在一起。

这类场景的落地路径，第一步不是写命题逻辑。合理的做法是和教研负责人一起把各科目的考纲逐条拆成结构化知识点，给每个知识点标注题型、难度区间与考频权重；再抽样数千道历史题做去重聚类，量化出真实重复率。结论通常很清楚：能 LLM 化的是「按知识点批量产候选题」，不能 LLM 化的是「判断题目是否符合考纲尺度与行业实务」——后者必须留给教研老师。

这类场景的落地路径，可以按科目分批上线，每批和教研负责人对齐一次。第一段是 知识点图谱——各科目的考纲全部结构化，每个知识点带题型、难度、考频标签，缺题盲区自动高亮；第二段是 LLM 命题引擎——按知识点与难度批量产候选题，命题时检索题库做语义去重，从源头避免出重复题；第三段是 教研审核工作台——候选题统一进审核队列，老师按「直接采用 / 改后采用 / 退回」三档处理，所有改动回流成模型参考样本；第四段是 题库对接与覆盖看板——通过采用的题自动写回既有题库系统，覆盖看板按科目展示知识点缺口。

• 模块 1 · 知识点图谱（14 科目考纲结构化 / 题型 × 难度 × 考频标签 / 盲区高亮）
• 模块 2 · LLM 命题引擎（按知识点批量产题 / 命题即语义去重）
• 模块 3 · 教研审核工作台（三档处理 / 改动回流为参考样本）
• 模块 4 · 题库对接 + 覆盖看板（写回客户既有题库系统 / 知识点缺口可视化）

这类场景值得守住三条「不做」的边界：不做自动入库，所有 LLM 候选题必须经教研老师审核才进题库，避免错题、超纲题流到考场；不碰主观题判分，案例分析、论述这类题只辅助命题，不替代阅卷，判分尺度涉及行业实务争议；不做无边界生成，命题引擎严格锚定结构化知识点范围，绝不让模型「自由发挥」出考纲外的题。这三个边界，是这一方案能稳定运行、不出命题事故的根本原因。