你知我知，在日常的教學與教材編寫，哪至於出月考題目，如何有效率地產出相對高品質的題目一直是一大挑戰。
老師本身要具備足夠多的題目，還要時不時重新閱讀與計算，才能有效整合舊有題目產生新題，這樣一來很多時間就耗在這樣的循環中。
最近嘗試利用
OpenWebUI 結合本機端的 Ollama 模型，搭配 Claude 與 Gemini 提供的程式碼與架構建議，成功摸索出一套「AI 輔助出題」的半自動化流程。Ollama,OpenWEBUI安裝教學，可以參考網路資源，我這邊不多提
首先 將人為的出題流程 拆解七個步驟(Step 6,7是AI建議)
- Step 1 | RAG (檢索增強生成)： 首先從建立好的知識庫（包含既有題庫、教材檔案）中，撈取與這次出題範圍相關的 Chunk，作為 AI 的參考基準。
- Step 2 ~ Step 5 | 漸進式題型生成「鷹架式引導（Step-by-step Scaffolding）」： 依序餵給模型不同難度與目標的出題提示詞，讓題目產出更有層次：基礎單選題、進階題、計算題、挑戰題
- Step 6 | AI 自我驗證與除錯： 這是確保題目品質的關鍵。要求模型遮蔽原答案「自我重新解題」一次，接著進行答案比對，並嚴格執行單位與格式檢查。
- Step 7 | 成果輸出： 確認邏輯與格式無誤後，最終輸出成乾淨的 Markdown (MD) 檔案，方便後續排版與匯入系統。
 |
| Claude生成 流程圖 |
上述手動成果能產生 堪用的題目之後，又開始思索能不能讓電腦以自動化方式出題(Agent Mode)。恰巧 OpenWebUI 的 Function 功能，就具備這樣的能力，只是透過AI建議的程式代碼卻容易觸發 效能問題，導致OpenWebUI崩潰。
雖然 Agent 模式還在卡關，但這套流程的本質很明確：由 AI 負責產出題目初稿，人工進行最終審閱。畢竟 LLM 在語意生成與數值計算上本質脫鉤，幻覺不可避免，有時還會出現幾何條件缺失的物理幻覺，或基礎算術崩潰的數學幻覺。
因此，AI 生成的題目，依舊需要專業教師的把關，才能真正放心地拿到考場上讓學生作答。
 |
| 以上由Claude 生成 |