基于AI与自由标签的智能错题管理系统设计与实践

1. 项目概述一个为备考者量身定制的智能错题管家如果你正在准备GRE、雅思、考研或者任何需要大量刷题、反复总结的考试那你一定对“错题本”这个概念不陌生。从学生时代起老师就告诉我们整理错题的重要性但真正坚持下来的人寥寥无几。问题出在哪过程太繁琐了。你需要手动抄题或剪贴、分析错误原因、归类知识点、还要定期回顾——这本身就是一项浩大的工程消耗的精力甚至超过了学习本身。今天要聊的这个项目拾遗·通用考试备考追踪就是为了彻底解决这个痛点而生的。它不是一个简单的笔记软件而是一个深度集成在OpenClaw平台上的“AI学习伙伴”。它的核心逻辑很简单你只管学习、做题、犯错剩下的归档、分析、提醒、复习全部交给它自动化处理。无论是你随手拍下的一道数学错题截图还是对一道阅读题错误选项的几句语音吐槽它都能理解你的意图自动提取关键信息并为你构建一个持续进化的、专属于你的知识薄弱点图谱。我最初接触这个项目是因为自己备考时深受错题整理之苦。试过各种笔记软件要么分类太死板要么回顾功能太弱。而“拾遗”最吸引我的是它的“无感化”学习和“自由标签”体系。你不用事先设定复杂的文件夹结构AI会根据你备考的考试类型自动理解并生成恰到好处的标签粒度。对于GRE考生它能精确到“Text Completion双空逻辑”或“Argument Essay因果假设攻击”对于考研数学它能识别出“换元积分法”或“特征值求解”对于期末考它甚至能关联到具体的课程章节。这种动态的、基于语义的理解能力让错题管理从一项负担变成了一个自然而然的学习副产品。2. 核心设计思路如何让错题管理“无感”且“智能”2.1 从“朱批录”到“拾遗”专用与通用的哲学演变要理解“拾遗”最好先看看它的前身—— 朱批录 。朱批录是一个专门为公务员考试行测、申论设计的错题追踪工具。它的设计非常“专”科目固定为言语理解、数量关系、判断推理、资料分析和申论识别逻辑也深度优化了行测题干的特征和选项规律。这对于考公用户来说非常高效因为场景高度聚焦。但这也带来了局限性一个考研党或者留学生用朱批录来管理GRE错题就显得格格不入。难道要为每一种考试都开发一个专用工具吗这显然不现实。“拾遗”正是在这个背景下诞生的通用解决方案。它的核心设计哲学是剥离固定的科目结构将识别和分类的能力交给一个可配置、可学习的AI引擎同时提供一个极度自由、可积累的标签系统。核心差异点就在于“自由标签”。朱批录的标签是预设的、结构化的树状目录。而拾遗的标签是动态生成的、扁平化的关键词集合。当你第一次告诉拾遗你在备考“GRE”时它会加载针对GRE考试的背景知识提示词Prompt这些提示词会指导AI在分析你的错题时应该关注哪些维度比如对于Verbal要区分是Text Completion还是Reading Comprehension对于Quant要区分是Algebra还是Geometry。AI根据这些指导从你的输入中提取出最相关的标签如“Text Completion-双空逻辑-词汇量不足”。这个标签会被存入一个专属于“GRE”考试的标签词库。下一次当你再录入一道GRE的错题时AI不仅会参考背景知识还会优先从已有的标签词库里寻找相似或相关的标签进行推荐或直接复用。这意味着随着你使用时间的增长这个标签体系会越来越贴合你的个人知识盲区形成一个越用越聪明的“个性化错题分类法”。不同考试之间的标签库是完全隔离的互不干扰保证了系统的纯净性。2.2 工作流设计闭环的“输入-处理-输出-回顾”一个优秀工具的生命力在于其能否无缝嵌入用户现有的工作流。拾遗的设计紧紧围绕备考者的自然学习过程构建了一个完整的闭环。输入阶段极简用户无需打开特定App或进行复杂操作。在OpenClaw的对话界面如飞书、微信机器人你可以发送错题截图这是最常用的方式。拍下练习册、iPad笔记或模拟软件上的错题直接发送。发送文字描述比如“今天做了一套阅读第三篇关于生物多样性的主旨题错了错因是细节定位偏差”。快捷录入甚至可以直接发送“微积分-极限计算-洛必达法则使用条件不清”这样的结构化文本系统会直接解析并归档。处理阶段智能考试上下文识别系统首先确认你当前处于哪种考试的备考模式下例如GRE。这个上下文至关重要它决定了AI调用哪一套分析逻辑。多模态理解如果是图片会通过OCR提取文字并结合视觉信息理解题目结构如选择题选项、数学公式等。AI解析与打标核心步骤。AI根据当前考试的背景提示词分析题目内容、你的错误答案或你描述的错误原因自动生成或匹配出“题型”、“知识点”、“错误原因”等多个维度的标签。结构化存储将题目原文或图片链接、你的笔记、AI生成的标签、以及时间戳以结构化的JSON格式存入本地数据库。输出阶段可操作即时反馈处理完成后AI会回复一条消息总结它识别到的关键信息并询问你是否需要补充或修正。这既是一种确认也是一次微调的机会。定期总结通过配置的定时任务如每晚21点系统会自动生成当日的学习报告例如“今日新增错题5道其中‘长难句分析’相关3道建议重点回顾”。按需导出你可以随时通过“导出GRE的错题”这样的指令触发系统生成一个Excel文件。这个文件会按时间、标签等多个维度整理所有错题方便打印或进一步分析。回顾阶段自动化间隔重复提醒这是将工具价值最大化的关键。系统会根据艾宾浩斯遗忘曲线的原理虽然实现上做了简化定期如每隔一天通过机器人向你推送“二刷提醒”随机或按标签抽取之前记录的错误题目。自评反馈循环你只需要对提醒中的题目回复“记得”或“不记得”。如果连续两次对同一道题回复“记得”系统会自动将其标记为“已掌握”后续减少或停止推送。如果回复“不记得”则该题目会重新进入高频复习队列。这个闭环的设计使得错题管理从“需要主动维护的任务”变成了“被动接收服务的过程”极大地降低了用户的坚持成本。2.3 技术架构选型轻量、本地优先与可扩展性作为一个运行在OpenClaw技能框架下的项目拾遗在技术选型上充分考虑了轻量、隐私和可扩展性。运行环境基于Node.js (≥18)这使得它能够轻松运行在个人电脑、服务器甚至一些容器环境中。选择Node.js生态也便于利用丰富的NPM包来处理文件、生成Excel等。数据存储采用纯粹的本地文件系统存储JSON文件。所有你的错题数据、标签库、配置都保存在你本地机器的~/.openclaw/skills/shiyi/data/目录下。这意味着你的所有学习数据完全私有不会上传到任何第三方服务器对于注重隐私的用户来说至关重要。同时项目设计了简单的自动备份机制保留最近10份数据快照防止误操作。AI能力集成其智能核心依赖于OpenClaw平台背后连接的AI大模型能力如GPT、Claude等。项目本身不包含模型而是通过精心设计的提示词Prompt来引导大模型完成解析和打标任务。这种设计将复杂的模型训练和维护成本转移到了平台层让技能开发者可以专注于业务逻辑和交互设计。技能化架构作为OpenClaw的一个Skill它天然具备了与各种消息平台飞书、钉钉、微信等集成的能力以及定时任务Cron Job调度能力。这使得“每日总结”和“二刷提醒”这样的自动化功能可以非常优雅地实现。这种架构使得拾遗既保持了核心功能的强大和智能又具备了极低的部署和使用门槛用户无需关心复杂的AI模型部署只需一个能运行OpenClaw的环境即可。3. 核心功能模块深度解析3.1 智能解析引擎如何让AI“读懂”你的错题这是拾遗最核心的“黑科技”部分。它如何从一张模糊的截图或一段随意的文字中提取出结构化的信息关键在于assets/exam_prompts.js这个文件和背后的提示工程技术。1. 考试背景提示词Exam Prompt这个文件里预置了各种考试的“背景知识”。它本质上是一段给AI模型的“说明书”。例如GRE的提示词可能会这样写你是一个GRE备考专家。用户会发送GRE考试中做错的题目可能是Verbal语文或Quant数学部分。 请分析题目并提取以下信息 1. 题目原文如果图片模糊描述核心内容。 2. 题型如 Text Completion, Sentence Equivalence, Reading Comprehension (主旨/细节/推断), Quantitative Comparison, Problem Solving 等。 3. 知识点尽可能具体如“词汇-形近词辨析”、“代数-一元二次方程求根”、“逻辑-因果假设漏洞”。 4. 错误原因如“词汇量不足”、“长难句理解偏差”、“计算粗心”、“公式记忆错误”、“解题思路错误”。 请用中文输出并以JSON格式组织。当用户设定备考GRE后系统在分析任何输入时都会将这段提示词作为系统指令的一部分发送给AI从而将AI的“角色”和“分析框架”锁定在GRE的语境下。这确保了分析的专业性和准确性。2. 多模态输入处理图片处理通过OpenClaw平台或集成OCR服务先将图片转为文字。这里有一个关键细节单纯的OCR可能丢失格式信息。对于数学公式、化学式或特定排版的选择题需要提示AI结合图片的上下文进行理解。例如提示词中会加入“题目可能包含数学公式请予以关注并正确解读”。文字处理相对直接。但对于“快捷录入”模式用户直接输入“题型-知识点-错因”系统有专门的解析逻辑会尝试按分隔符拆分并直接使用用户提供的标签而非再次调用AI分析。这给了高级用户完全的控制权。3. 标签的生成与匹配解析完成后系统会得到一组初步的标签如[“Text Completion”, “双空逻辑”, “词汇量不足”]。接下来它会查询本地tag_library.json中当前考试下的历史标签库。模糊匹配系统会计算新标签与历史标签的相似度例如通过词向量或简单的分词交集。如果发现高度相似的标签如“词汇量不足”和“词汇量不够”则会优先使用已有的标签以保证数据的一致性。新标签入库如果没有匹配到新标签会被加入到标签库中。这样标签库就像一个不断生长的“知识图谱”种子越来越丰富。实操心得AI解析的准确性高度依赖于提示词的质量。在项目初期我发现对于某些专业领域如法律条文、医学术语通用提示词效果不佳。后来在exam_prompts.js中为“司法考试”增加了更具体的指令如“请关注法条编号和司法解释的具体适用情形”解析精度大幅提升。给你的建议是如果你备考的领域非常垂直不妨参考现有格式为你自己的考试定制一段更详细的提示词这能极大提升使用体验。3.2 自由标签系统动态生长的个人知识图谱与传统的固定分类法如“数学/代数/函数”不同拾遗的标签系统是扁平、动态且可积累的。这是它“通用性”的基石。扁平化存储所有标签都以字符串形式存储在一个数组中没有层级关系。例如[“考研英语”, “阅读理解”, “细节题”, “同义替换”, “2024-真题”]。这种结构虽然牺牲了严格的层级但带来了极大的灵活性允许任意维度的交叉组合。自动积累如前所述每一个被AI识别或用户手动添加的新标签都会进入词库。词库文件 (tag_library.json) 的结构大致如下{ GRE: [Text Completion, 双空逻辑, 词汇量不足, 长难句分析, Quantitative Comparison, 几何-三角形性质], 考研数学: [高等数学, 极限, 洛必达法则, 一元函数微分学, 泰勒公式应用, 2023年真题], 驾照科目一: [交通信号灯, 违章扣分, 高速公路规定] }智能推荐与复用当你输入新错题时系统不仅从提示词中获取分析方向还会将这个标签库作为上下文提供给AI暗示它“在过去用户常用这些标签来描述类似问题。”这能引导AI生成更一致、更符合用户个人习惯的标签。隔离性不同考试的标签库完全独立。这避免了“GRE词汇”和“考研英语词汇”标签混在一起造成的混乱保持了每个备考领域的纯净性。这种设计的优势在于它完美适配了“从混乱到有序”的个人学习过程。初期标签可能比较散乱但随着记录增多高频出现的标签会自然浮现勾勒出你个人的薄弱环节分布图。你可以通过导出数据轻松统计出“词汇量不足”这个标签出现了多少次从而量化你的进步。3.3 间隔重复与二刷机制对抗遗忘的科学设计记录错题不是目的通过复习掌握它才是。拾遗内置了一个简化但实用的间隔重复系统。机制系统为每道错题记录了两个关键状态last_reviewed上次复习时间和mastered是否已掌握。未掌握的题目会进入复习池。触发通过配置的Cron Job如0 20 1-31/2 * *代表每隔一天晚上8点scripts/review_reminder.js脚本会被触发。这个脚本会筛选出所有mastered: false的题目。根据一定的策略如按错误次数排序、按标签分组随机抽取等选择若干道题目。通过OpenClaw的消息通道如飞书向你发送这些题目并附上简单的上下文如原标签。交互你只需要回复“记得”或“不记得”甚至可以用表情符号如✅/❌。脚本update_daily.js会处理你的回复“记得”更新该题的last_reviewed日期。如果系统检测到这是对该题连续第二次回复“记得”则自动将mastered标记为true后续不再提醒。“不记得”重置“连续记得”计数器并将该题目的“错误次数”加一使其在后续抽样中被选中的概率更高。注意事项这个二刷机制是“通知驱动”的而非“应用内打卡”。这意味着复习动作发生在你常用的聊天工具里无需打开额外应用阻力极小。但这也要求你最好保持通知畅通并及时处理这些提醒。如果积压太多复习效果会打折扣。我的经验是将提醒时间设定在每天固定的、比较放松的时段比如晚饭后养成习惯。3.4 数据导出与可视化从数据到洞察所有的本地存储最终都是为了能够被灵活地使用。拾遗提供了便捷的数据导出功能。运行scripts/export_xlsx.js脚本或通过发送“导出”指令触发系统会读取wrong_questions.json并利用xlsx这类库生成一个结构清晰的Excel文件。通常这个表格会包含以下列日期错题记录日期。题目摘要/图片链接题目原文或存储图片的本地路径/链接。我的笔记用户当时输入的备注。题型、知识点、错误原因AI解析出的多个标签维度。掌握状态是否已标记为掌握。最后复习日期。有了这个Excel文件你可以打印复习筛选出某一知识点的所有错题打印出来集中攻克。统计分析使用Excel的数据透视表功能快速分析哪个“错误原因”出现最多哪个“知识点”是你的重灾区。这种量化的反馈比模糊的感觉要直观得多。长期追踪对比不同时间段的错题分布清晰看到自己的进步轨迹哪些弱点已经被攻克哪些依然顽固。4. 完整部署与配置实操指南4.1 环境准备与基础部署假设你已经有一个正常运行的OpenClaw环境如果没有需要先参考OpenClaw官方文档进行安装部署“拾遗”技能只需几步。1. 获取技能代码打开终端进入OpenClaw的技能目录。通常技能都安装在~/.openclaw/skills/下。# 进入技能目录 cd ~/.openclaw/skills # 克隆拾遗项目仓库 git clone https://github.com/KaguraNanaga/shiyi-study-tracker # 进入项目目录 cd shiyi-study-tracker # 安装项目依赖主要是处理Excel等需要的npm包 npm installnpm install这一步很关键它会根据package.json文件安装所有必要的第三方库如xlsx用于生成Exceldayjs用于处理时间等。如果网络环境不佳可以考虑配置国内镜像源。2. 启用技能技能克隆下来后需要在OpenClaw的主配置文件workspace.yaml中声明启用它。用文本编辑器打开这个文件通常位于~/.openclaw/目录下。# 在 skills 部分添加 shiyi-study-tracker skills: - shiyi-study-tracker # 确保这里的名字和目录名一致 # 在 cron_jobs 部分添加定时任务这是实现自动总结和提醒的关键 cron_jobs: - name: 每日学习总结 schedule: 0 21 * * * # 每天21:00执行 action: type: run_script script: skills/shiyi-study-tracker/scripts/daily_summary.js channel: feishu # 指定发送到飞书可以是 feishu, dingtalk, wechat等 - name: 错题二刷提醒 schedule: 0 20 1-31/2 * * # 每隔一天20:00执行 (每月1,3,5,...日) action: type: run_script script: skills/shiyi-study-tracker/scripts/review_reminder.js channel: feishu注意script路径一定要写对指向你克隆目录下的具体js文件。channel根据你实际使用的机器人通道修改。3. 重启OpenClaw服务修改完配置后需要重启OpenClaw服务使配置生效。具体重启命令取决于你的部署方式如果是通过PM2管理的通常是pm2 restart openclaw或者如果你是在开发模式下直接运行则可能需要终止进程后重新启动。4.2 首次使用与考试配置部署完成后在你的机器人对话窗口如飞书群中机器人或直接发送任意消息拾遗技能就会被触发。1. 初始化引导由于你是第一次使用系统在data/config.json中没有找到你的考试配置因此会触发scripts/onboarding.js脚本。它会向你发送一条引导消息例如“欢迎使用拾遗备考追踪看起来你还没有设置备考的考试类型。请告诉我你正在准备什么考试例如GRE、考研数学、司法考试等”2. 设置考试类型你只需要回复考试名称如“GRE”。系统会做两件事在config.json中记录{“exam_key”: “GRE”, “exam_name”: “GRE”}。去assets/exam_prompts.js中查找“GRE”对应的背景提示词。如果找到就加载它作为后续AI分析的上下文如果没找到比如你输入了一个未预置的考试系统会使用“通用”提示词并提示AI根据题目内容自行判断标签粒度。一句话配置完成。从此以后在这个对话上下文里所有你的输入都会被默认为是在备考GRE。3. 开始记录错题现在你可以直接扔一道错题给它了。发送一张截图最好是题目和你的错误答案都清晰可见。稍等片刻AI会回复解析结果例如“已识别为一道GRE Verbal Text Completion题目。知识点双空逻辑与词汇辨析。错误原因对‘ambivalent’和‘ambiguous’这对形近词的词义区分不清。已为你归档。需要补充笔记吗”发送文字描述你也可以用文字描述错题比如“今天做数学一道关于概率的条件概率题错了公式用错了。” AI同样会解析并打标。快捷录入如果你自己已经分析清楚了可以直接发送结构化文本“概率论-条件概率-贝叶斯公式应用错误”。系统会直接按这个信息归档不再调用AI分析。4.3 高级功能配置与自定义1. 自定义考试类型如果你备考的考试不在预置列表中比如“CFA一级”、“事业单位考试”完全可以自己添加。打开assets/exam_prompts.js文件。在EXAM_PROMPTS对象里新增一条例如CFA一级: CFA一级考试涵盖道德、量化方法、经济学、财务报表分析、公司金融、权益投资、固定收益、衍生品、另类投资和投资组合管理。 请重点关注财务比率计算、经济学模型假设、道德条款的具体应用。 标 knowledge_point 时请具体到科目和知识点如“财务报表分析-存货计价方法LIFO vs FIFO”。 ,同时在EXAM_ALIASES对象里可以添加别名方便识别例如‘cfa’: ‘CFA一级’, ‘特许金融分析师’: ‘CFA一级’。保存文件。下次当你设置考试为“CFA一级”或“cfa”时系统就会调用你自定义的提示词了。2. 调整定时任务在workspace.yaml中你可以修改cron_jobs的schedule字段来调整提醒时间。“0 21 * * *”: 每天21点。“0 8,20 * * *”: 每天早晚8点。“0 20 1-31/2 * *”: 每隔一天20点。如果你想改成每天提醒可以设为“0 20 * * *”。修改后记得重启OpenClaw服务。3. 数据备份与迁移所有数据都在~/.openclaw/skills/shiyi-study-tracker/data/目录下。定期备份这个目录即可。如果你想换电脑只需将整个shiyi-study-tracker文件夹复制到新机器的相同位置并确保workspace.yaml配置正确你的所有学习记录就能无缝恢复。5. 常见问题与排查技巧实录在实际使用中你可能会遇到一些问题。以下是我在长期使用和社区交流中总结的一些常见情况及解决方法。5.1 AI解析不准确或标签混乱这是最常见的问题根本原因通常是提示词Prompt与具体题目不匹配或者AI的“理解”出现了偏差。症状1题型识别错误。比如把“阅读理解细节题”识别成“主旨题”。排查检查exam_prompts.js中对应考试的提示词。是否明确定义了该考试有哪些题型描述是否清晰例如对于考研英语可以细化“阅读理解题型包括主旨题、细节题、推断题、词义题、态度题”。解决优化提示词。在提示词中更详细地描述各类题型的特征。或者对于识别错误的题目使用“快捷录入”功能手动输入正确标签系统会学习你的纠正。症状2知识点标签过于宽泛。比如总是标“高等数学”而不是具体的“微分中值定理”。排查提示词中是否要求了“尽可能具体”对于数学类考试可以举例说明“知识点请具体到定理、方法或概念例如‘拉格朗日中值定理’、‘换元积分法’、‘矩阵的秩’”。解决强化提示词中的具体要求。同时前几次使用时可以主动用更具体的语言描述错题AI会参考你的表述风格。症状3针对图片中的数学公式或特殊符号识别差。排查OCR对于印刷体公式识别尚可但对于手写体或复杂排版容易出错。解决这是多模态理解的通用难题。可以采取两种策略一是尽量发送清晰、印刷体的题目截图二是在发送图片后补充一句文字说明点明核心公式或难点如“主要错在第二步的这个积分变换∫ e^(x^2) dx”。AI会结合图片OCR结果和你的文字提示进行综合判断。实操心得把AI当作一个需要训练的助手。初期它的表现可能不尽如人意但通过你不断的“快捷录入”即手动输入精确标签和偶尔的纠正它会逐渐学习到你习惯的标签体系表现会越来越好。标签库的积累过程也是AI为你个人服务“调优”的过程。5.2 定时任务每日总结/二刷提醒未执行自动化功能失效通常问题出在Cron Job配置或OpenClaw服务状态上。症状到了设定时间没有收到飞书/微信的提醒消息。排查步骤检查配置文件确认workspace.yaml中cron_jobs的script路径绝对正确且channel是你正在使用的机器人通道。检查服务状态运行pm2 list如果使用PM2或查看OpenClaw进程是否正常运行。可能服务意外停止了。检查日志查看OpenClaw的运行日志通常能找到Cron Job执行时的错误信息。日志位置取决于你的部署方式可能在~/.pm2/logs/下或OpenClaw的输出中。检查机器人权限确认OpenClaw的机器人已经在对应的群聊中并且有发送消息的权限。手动测试脚本在终端中切换到技能目录手动运行一下脚本看是否报错。例如cd ~/.openclaw/skills/shiyi-study-tracker node scripts/review_reminder.js观察控制台输出是否有明显的错误如找不到模块、文件读写权限问题等。5.3 数据相关问题症状1历史错题不见了。排查首先检查data/wrong_questions.json文件是否存在且内容正常。可能是文件损坏或误删。解决查看data/backups/目录里面有最近10次的自动备份可以复制一份最新的备份文件替换损坏的当前文件。症状2导出Excel失败或文件内容为空。排查首先确认wrong_questions.json中有数据。然后检查是否安装了xlsx依赖运行npm list xlsx。解决如果依赖缺失在技能目录下重新运行npm install。如果数据量很大检查脚本是否有内存或处理上的限制。症状3想清空某个考试的标签库重新开始。操作直接编辑data/tag_library.json找到对应的考试键名如“GRE”将其值设置为空数组[]即可。注意此操作不可逆建议先备份。5.4 性能与使用技巧图片识别慢如果发送图片后响应很慢可能是OCR服务或AI大模型响应延迟。可以尝试发送清晰度更高、裁剪掉无关部分的图片减少需要处理的文本量。批量录入如果一天积累了多道错题可以一次性发送多条消息。系统会按顺序处理。但建议不要一次性超过10条以免消息队列堵塞。标签整理定期通过“导出Excel”功能在电脑上浏览你的错题和标签。你可能会发现一些同义不同名的标签如“粗心”和“计算失误”可以在Excel中统一修改后考虑未来录入时使用更一致的表述让标签库更整洁。多考试同时备考拾遗一次只支持一个考试上下文。如果你同时在备考GRE和考研数学建议在物理上分开——例如为两个考试创建不同的飞书群在每个群里分别部署一个拾遗技能实例并配置不同的考试类型。这样数据完全隔离互不干扰。这个项目本质上是一个将AI能力与个人知识管理相结合的实践性工具。它不追求大而全的功能而是聚焦于“错题管理”这一个垂直场景通过巧妙的自动化设计实实在在地降低了一个高频、刚需、但极其繁琐的学习动作的阻力。从我的使用体验来看它的价值不在于用了多炫酷的技术而在于它真的能被用起来并且坚持用下去。当你备考结束时导出的那份错题集不仅是你奋斗的见证更是一份由AI辅助生成的、高度个性化的“弱点地图”其价值远超一个简单的题目合集。