1. 项目概述当笔记遇上智能测验如果你和我一样是个 Obsidian 的重度用户那你一定体会过那种“笔记越记越多知识却越来越散”的焦虑。我们花大量时间整理读书笔记、会议纪要、学习心得构建了一个看似宏伟的知识库但关上软件后真正能记住、能调用的有多少传统的复习方式比如重读笔记效率低下且枯燥。有没有一种方法能让我们像玩游戏一样主动、高效地巩固笔记里的知识把被动输入变成主动提取这就是obsidian-quiz-generator插件试图解决的问题。它不是一个简单的工具而是一种全新的笔记工作流理念将静态的笔记动态地转化为可交互的测验题目。想象一下你刚读完一篇关于“机器学习基础”的文章并在 Obsidian 里做了详尽的笔记。几分钟后插件就能基于你的笔记自动生成一系列选择题、填空题甚至简答题。你可以随时进行自测系统会记录你的答题情况并智能推荐你需要重点复习的薄弱环节。这本质上是在你的个人知识库上构建了一个专属的、持续进化的“记忆强化引擎”。这个项目由开发者 ECuiDev 创建其核心价值在于利用大语言模型LLM的语义理解能力实现从自然语言笔记到结构化测验的智能转换。它解决的不仅是“复习”问题更是“知识内化”和“间隔重复”的科学学习问题。对于学生、研究者、终身学习者以及任何依赖知识管理进行深度思考和工作的人来说这无疑是一个能将笔记价值放大数倍的利器。2. 核心功能与设计思路拆解2.1 核心功能全景图obsidian-quiz-generator的核心功能可以概括为“一键生成智能管理”。它不是简单地进行文本匹配和挖空而是深度理解笔记内容后生成符合教育学原理的题目。智能题目生成这是插件的基石。它支持多种题型选择题Multiple Choice自动生成题干和多个选项通常包括一个正确答案和若干干扰项。干扰项并非随机拼凑而是基于上下文生成的、具有迷惑性的相关概念。填空题Cloze自动识别笔记中的关键概念、术语或数据将其隐藏形成填空。这强迫你主动回忆具体信息。简答题Short Answer针对解释性、过程性或观点性的内容生成需要你用自己语言回答的开放式问题。灵活的生成范围控制你可以针对整个笔记、选中的文本块、甚至指定的标题Heading区域生成题目。这让你能聚焦于当前正在学习的核心片段避免无关内容的干扰。答题与复习系统生成的题目会以特定格式如 Callout 块嵌入到原笔记中或存放在独立文件中。你可以直接在 Obsidian 内作答插件会判断对错对于客观题并记录你的答题历史。间隔重复Spaced Repetition集成这是其作为“记忆引擎”的关键。插件可以与 Obsidian 社区中强大的间隔重复插件如Spaced Repetition联动。答错的题目或标记为“困难”的题目会依据艾宾浩斯遗忘曲线在未来的最佳时间点再次推送给你复习实现高效、科学的长期记忆。高度可定制化你可以配置生成题目的难度、数量、题型偏好以及最关键的一点——选择背后驱动一切的“大脑”AI 模型提供商如 OpenAI 的 GPT 系列、Anthropic 的 Claude或本地部署的 Ollama 等。2.2 设计思路为什么是“生成”而非“模板”市面上早有一些支持手动创建问答卡片的插件那为什么还需要一个“生成器”呢这背后的设计思路体现了对用户真实痛点的深刻洞察。痛点一创造题目的“启动成本”太高。手动将一段知识转化为一个好问题需要深度理解和创造性思考这本身就是一个高认知负荷的任务。很多时候我们因为“懒得出题”而放弃了复习。痛点二手动题目容易陷入“抄写”陷阱。自己出题时很容易不自觉地复述原文导致题目缺乏挑战性无法真正检验理解深度。obsidian-quiz-generator的设计思路是“将认知负荷转移”。它将“创造题目”这个高负荷任务交给 AI而用户只需承担“判断题目质量”和“回答问题”这两个相对低负荷、但同样关键的任务。AI 基于其庞大的知识图谱能够生成你意想不到的关联和干扰项从而暴露出你知识体系中的模糊地带。你不再是知识的被动整理者而是变成了一个“质检员”和“挑战者”在与 AI 生成的题目互动中完成对知识的深度加工和巩固。这种“人机协作”模式使得坚持“间隔重复”这种反人性但高效的学习方法变得可持续。你不需要强大的意志力去“坚持复习”只需要一点好奇心去“玩一下 AI 给我出了什么新题”。3. 环境准备与插件安装配置3.1 基础环境与插件安装首先你需要一个正在运行的 Obsidian 仓库。插件的安装可以通过 Obsidian 社区插件市场完成这是最推荐的方式。打开 Obsidian进入设置-社区插件。确保限制模式已关闭。点击浏览在搜索框中输入 “Quiz Generator”。找到Obsidian Quiz Generator插件点击安装。安装完成后返回插件列表找到它并点击旁边的启用按钮。此时你应该能在左侧功能区看到一个大脑形状的插件图标或者通过命令面板CtrlP或CmdP输入 “Quiz” 也能看到相关命令。3.2 核心配置连接你的 AI 模型安装只是第一步让插件“活”起来的关键是配置 AI 模型。这是整个插件的动力源。插件支持多种后端这里以最常用的 OpenAI API 为例进行详解。获取 API Key前往 OpenAI 平台注册并获取 API Key。请妥善保管此密钥它就像你模型的密码。插件配置打开插件设置设置-社区插件-Obsidian Quiz Generator-设置。找到API Provider选择OpenAI。在OpenAI API Key字段中粘贴你的 API Key。模型选择Model选项至关重要。对于生成题目推荐使用gpt-4或gpt-4-turbo-preview。虽然gpt-3.5-turbo成本更低、速度更快但在生成逻辑严谨、干扰项合理的题目方面GPT-4 系列的表现通常更稳定、更聪明能更好地理解上下文和生成高质量干扰项。对于知识巩固这种追求质量的任务多花一点成本是值得的。其他参数Temperature温度控制输出的随机性。对于题目生成建议设置在0.7左右。太低如0.2会导致题目过于保守和相似太高如1.0可能生成过于奇怪或无关的选项。Max Tokens单次生成的最大长度。生成几道题目通常不需要很大保持默认或设置为500-1000即可。本地模型配置可选如果你注重隐私或希望零成本使用可以配置本地模型例如通过Ollama。在API Provider中选择Ollama。在Ollama API URL中填写你的本地服务地址通常是http://localhost:11434。在Model中填写你本地拉取的模型名如llama3:8b、mistral等。注意本地模型的生成质量、速度和上下文长度取决于你的硬件和模型本身。对于复杂的笔记小参数模型可能无法很好地理解长上下文或生成高质量题目需要你根据实际效果调整提示词或接受更简单的题目形式。3.3 基础工作流建立配置完成后建议先建立一个测试笔记来熟悉工作流。创建一个名为测试-机器学习基础.md的新笔记。粘贴或写入一段结构清晰的笔记内容例如# 机器学习基础 ## 监督学习 监督学习是指从**已标注的训练数据**中学习一个模型用于预测新数据的输出。它需要输入数据和对应的标签。 - **例子**根据房屋面积、位置预测房价回归问题根据邮件内容判断是否为垃圾邮件分类问题。 - **常用算法**线性回归、逻辑回归、支持向量机、决策树。 ## 无监督学习 无监督学习是指从**未标注的数据**中寻找内在结构或模式。没有预先给定的输出标签。 - **例子**客户分群、异常检测、降维。 - **常用算法**K-Means聚类、主成分分析PCA、自编码器。选中“## 监督学习”这个章节下的所有内容。点击插件图标或使用命令面板调用Quiz Generator: Generate quiz from selection。在弹出的配置框中选择题型如混合Mixed、题目数量如3道点击生成。稍等片刻AI 就会在你光标所在位置或新笔记中插入生成的题目。你会看到类似这样的结果【测验监督学习】【选择题】监督学习的核心特征是什么 A. 从无标签数据中寻找模式 B. 使用已标注的数据进行训练 C. 不需要任何训练数据 D. 仅用于数据可视化答案B【填空题】根据邮件内容判断是否为垃圾邮件属于监督学习中的 _____ 问题。答案分类【简答题】请简述监督学习和无监督学习在训练数据要求上的根本区别。参考答案监督学习需要使用带有标签的数据进行训练而无监督学习则使用未标注的数据。这个简单的测试能让你立刻感受到插件的能力它不仅能识别关键概念还能构建上下文相关的干扰项并生成需要概括总结的简答题。4. 高级用法与场景化实战4.1 针对不同笔记类型的生成策略不是所有笔记都适合用一种方式生成题目。根据笔记类型调整策略能获得最佳效果。概念定义型笔记特点包含大量术语、定义、特征描述。策略优先生成填空题和选择题。填空题能精准检验对关键术语的记忆选择题则能通过干扰项辨析相似概念。实操在插件设置中可以为特定文件夹或笔记类型创建“生成模板”默认使用题型: Cloze Multiple Choice难度: Medium。过程步骤型笔记特点描述一个流程、算法步骤、操作指南。策略适合生成简答题如“请简述XX过程的五个步骤”或排序题虽然插件不直接支持但可以通过生成简答题来要求“按顺序列出”。也可以将关键步骤中的名词或参数生成填空题。实操生成后可以手动将一道简答题改编成更结构化的列表形式方便复习。对比分析型笔记特点比较两个或多个事物的异同点如“TCP vs UDP”、“React vs Vue”。策略这是生成高质量选择题的绝佳材料。AI 很容易基于对比项生成混淆选项。实操选中整个对比表格或列表进行生成题目往往会自动聚焦于核心差异点。读书笔记与文献摘要特点包含核心观点、作者论据、个人心得。策略适合生成简答题以检验对核心观点的理解和概括能力。例如“作者用哪三个论据支持了他的主要观点”、“你如何评价书中提出的XX方法”实操对于个人心得部分AI 可能无法生成有效题目。这时可以手动补充一些自省式问题如“这个观点如何与我已有的知识关联”4.2 与间隔重复插件深度集成单独使用 Quiz Generator你收获的是一堆静态题目。与间隔重复插件结合你获得的是一个动态的、自适应的记忆系统。这里以社区流行的Spaced Repetition插件为例。基础联动确保两个插件都已安装启用。当 Quiz Generator 生成题目时它会使用特定的 Callout 语法如 quiz。Spaced Repetition插件可以识别这种格式并将其转换为一张张复习卡片。每次你复习时Spaced Repetition会弹出题目你回答后需要根据记忆难度选择“简单”、“良好”、“困难”。插件会根据你的选择计算下一次复习该题的最佳时间。高级技巧利用标签进行复习管理在生成题目时插件允许你添加标签。你可以利用这一点进行精细化管理。场景你有一本名为“深度学习”的笔记里面包含了“卷积神经网络”、“循环神经网络”等多个章节。操作在每个章节生成题目时在高级设置中添加章节标签如#cnn-quiz、#rnn-quiz。好处在Spaced Repetition的复习界面你可以通过筛选标签专门复习某个薄弱章节的题目实现针对性突破。复习数据沉淀你的每一次答题记录对错、选择的难度都会被Spaced Repetition插件记录在笔记的元数据Frontmatter或单独的数据文件中。长期积累后你可以通过 Dataview 插件查询你的“最常错题”、“复习投入时间最多的领域”将复习过程也数据化、可视化从而更科学地指导你的学习重心。4.3 提示词工程引导AI生成更优质的题目插件内置了生成提示词但你可以在设置中找到Custom Prompt选项进行微调以引导 AI 生成更符合你心意的题目。这是高手进阶的必经之路。默认提示词可能存在的问题生成的题目有时过于简单直接照抄定义或者干扰项过于离谱。自定义策略示例假设你希望生成的选择题干扰项不仅仅是“错误答案”而是“常见的理解误区”你可以这样修改或补充自定义提示词你是一个严谨的教育专家负责根据提供的文本生成测验题目。 请遵循以下规则 1. 对于选择题题干应测试对概念的理解和应用而非死记硬背。 2. 生成的错误选项干扰项必须是学习者在该主题下**容易产生的真实误解或常见错误**而不是明显无关或荒谬的选项。 3. 对于简答题问题应鼓励总结、比较或应用知识而非直接复述原文。 4. 答案必须准确无误且基于且仅基于提供的文本内容。另一个场景如果你只想生成高质量填空题来记忆关键数字、日期、专有名词可以指定请仅生成填空题完形填空。请从提供的文本中找出最关键、最需要记忆的5个术语、数字或具体名称将它们替换为下划线。确保挖空后句子的其余部分能提供足够的上下文线索。通过不断调整和试验提示词你可以让obsidian-quiz-generator的输出越来越贴合你的个人学习风格和具体需求。5. 常见问题、排查技巧与避坑指南在实际使用中你可能会遇到一些问题。以下是一些常见情况的实录与解决方案。5.1 生成失败或报错问题现象可能原因排查与解决点击生成后无反应或提示“Generation failed”1.API 密钥错误或失效2.网络问题特别是使用境外API时3.模型配额用尽如 OpenAI 免费额度用完4.提示词或内容过长超出模型上下文窗口1.检查API配置确认设置中的 API Key 正确且所属平台如OpenAI账户状态正常、有余额。最简单的方法去对应平台的Playground或API测试页面用同一个Key试一下最简单的请求。2.检查网络尝试在浏览器中直接访问API服务商官网看是否通畅。考虑网络环境问题。3.检查用量登录API提供商后台查看用量和余额。4.精简输入尝试只选择一小段文本如200-300字进行生成看是否成功。如果成功说明是上下文过长问题。可以分批次为长笔记的不同章节生成题目。错误信息包含“Rate limit”或“429”API调用频率超限1. 免费 tier 的 API 通常有较低的速率限制。解决方法是等待一会儿再试或者升级到付费计划。2. 在插件设置中可以尝试增加“请求延迟”时间。生成的内容完全无关或混乱1.模型“温度”设置过高2.提供的笔记文本本身过于零散、模糊或无主题3. 使用了能力较弱的本地小模型1. 将Temperature参数调低例如从 0.8 降至 0.3让输出更确定。2. 确保你选择的文本是语义连贯、主题明确的段落。避免选择只有列表项、代码块或大量链接的碎片化内容。3. 如果使用本地模型尝试换用更大参数的模型或接受其能力边界仅对结构极好的文本生成题目。5.2 生成题目质量不佳质量问题原因分析优化策略题目过于简单直接复述原文AI 可能倾向于生成最安全的、最不易出错的题目这导致了考察记忆而非理解。1.在自定义提示词中强调“请生成需要推理和应用的问题而非直接引用原文。”2.提供更复杂的源材料如果笔记本身只是罗列定义AI 也难以深化。尝试在笔记中加入一些对比、举例或因果分析为AI提供生成深度题目的素材。选择题干扰项明显错误或无关默认提示词可能未对干扰项质量做严格要求。使用前面提到的“常见误解”型提示词明确要求干扰项必须是“合理的错误”。简答题空泛或难以回答源文本可能是描述性、叙事性而非观点性、分析性的。1.引导AI聚焦在自定义提示词中要求“请针对文中的具体观点、方法步骤或比较结论生成简答题。”2.手动编辑将生成的空泛问题如“请谈谈你对XX的理解”修改为更具体的问题如“根据文章XX方法的三个主要优势是什么”。填空题挖空位置不合理AI 对“关键信息”的判断与你的预期不符。1.事后手动调整这是最直接的方法。生成后你可以轻松地编辑挖空位置把下划线___拖到你认为更重要的词下面。2.事前指定在生成前用高亮或特殊符号如[[重要]]标记出你希望被挖空的关键词并在提示词中告诉AI“请优先针对被双括号标记的内容生成填空题。”5.3 性能与成本优化使用云端 AI API 会产生费用如何平衡效果与成本批量生成定期复习不要每写一段笔记就立刻生成题目。可以积累到一定量如完成一个完整章节后集中生成一批题目。这样减少了 API 调用次数也让你能在更完整的知识语境下复习。善用“选择生成”永远优先使用“从选择生成”功能而不是为整篇冗长的笔记生成题目。精准定位核心内容区域能显著减少 token 消耗并提高题目相关性。本地模型的取舍如果使用本地模型如通过 Ollama成本为零但需要接受更长的等待时间和可能稍逊的题目质量。对于记忆事实型知识如外语单词、历史事件日期本地小模型完全够用。对于需要深度理解、比较和应用的复杂内容云端大模型仍是更好的选择。题目缓存与复用生成的优质题目是你宝贵的资产。考虑将生成的题目移动或复制到一个专门的“题库”文件夹中按主题分类。这样即使原始笔记更新你的核心测验资产得以保留无需重复生成。5.4 我的几点实操心得生成是起点不是终点不要追求一次生成完美无缺的题目。把 AI 生成看作一个高效的“初稿创作工具”。生成后花几分钟时间快速浏览并编辑修正你认为不恰当的挖空、优化一下问题的表述、甚至删除质量不高的题目。这个人机协同的微调过程本身也是对知识的又一次加工。为“问题”添加“元信息”在题目旁边用简单的标签或注释记录下为什么觉得这道题好或者它考察的是哪个细分知识点。例如#核心概念、#易混点。长期下来这能帮你梳理出自己知识体系中的关键节点和薄弱环节。结合图谱复习Obsidian 的核心是双向链接和知识图谱。在复习题目时如果遇到涉及其他笔记的概念果断点开链接跳转过去回顾上下文。这种由问题驱动的、在知识网络中的主动漫游比线性复习效率高得多。接受不完美AI 并非全知全能尤其对于非常前沿、专业或包含大量个人化表述的笔记它可能会生成错误或奇怪的题目。把这当作一个发现笔记模糊之处的好机会——如果 AI 都理解错了是不是说明我的笔记表述本身就不够清晰进而促使你去完善原始笔记。obsidian-quiz-generator的价值远不止于一个“出题工具”。它更像是一个嵌入在你知识工作流中的“认知伙伴”通过强制你进行主动的检索练习将沉睡的笔记转化为活跃的记忆。它改变了我们与笔记的关系从“我拥有这些笔记”到“我正在掌握这些知识”。开始用它来挑战自己吧你会发现复习不再是负担而是一场探索知识深度的有趣游戏。
基于大语言模型的智能笔记测验生成：Obsidian插件实战指南
1. 项目概述当笔记遇上智能测验如果你和我一样是个 Obsidian 的重度用户那你一定体会过那种“笔记越记越多知识却越来越散”的焦虑。我们花大量时间整理读书笔记、会议纪要、学习心得构建了一个看似宏伟的知识库但关上软件后真正能记住、能调用的有多少传统的复习方式比如重读笔记效率低下且枯燥。有没有一种方法能让我们像玩游戏一样主动、高效地巩固笔记里的知识把被动输入变成主动提取这就是obsidian-quiz-generator插件试图解决的问题。它不是一个简单的工具而是一种全新的笔记工作流理念将静态的笔记动态地转化为可交互的测验题目。想象一下你刚读完一篇关于“机器学习基础”的文章并在 Obsidian 里做了详尽的笔记。几分钟后插件就能基于你的笔记自动生成一系列选择题、填空题甚至简答题。你可以随时进行自测系统会记录你的答题情况并智能推荐你需要重点复习的薄弱环节。这本质上是在你的个人知识库上构建了一个专属的、持续进化的“记忆强化引擎”。这个项目由开发者 ECuiDev 创建其核心价值在于利用大语言模型LLM的语义理解能力实现从自然语言笔记到结构化测验的智能转换。它解决的不仅是“复习”问题更是“知识内化”和“间隔重复”的科学学习问题。对于学生、研究者、终身学习者以及任何依赖知识管理进行深度思考和工作的人来说这无疑是一个能将笔记价值放大数倍的利器。2. 核心功能与设计思路拆解2.1 核心功能全景图obsidian-quiz-generator的核心功能可以概括为“一键生成智能管理”。它不是简单地进行文本匹配和挖空而是深度理解笔记内容后生成符合教育学原理的题目。智能题目生成这是插件的基石。它支持多种题型选择题Multiple Choice自动生成题干和多个选项通常包括一个正确答案和若干干扰项。干扰项并非随机拼凑而是基于上下文生成的、具有迷惑性的相关概念。填空题Cloze自动识别笔记中的关键概念、术语或数据将其隐藏形成填空。这强迫你主动回忆具体信息。简答题Short Answer针对解释性、过程性或观点性的内容生成需要你用自己语言回答的开放式问题。灵活的生成范围控制你可以针对整个笔记、选中的文本块、甚至指定的标题Heading区域生成题目。这让你能聚焦于当前正在学习的核心片段避免无关内容的干扰。答题与复习系统生成的题目会以特定格式如 Callout 块嵌入到原笔记中或存放在独立文件中。你可以直接在 Obsidian 内作答插件会判断对错对于客观题并记录你的答题历史。间隔重复Spaced Repetition集成这是其作为“记忆引擎”的关键。插件可以与 Obsidian 社区中强大的间隔重复插件如Spaced Repetition联动。答错的题目或标记为“困难”的题目会依据艾宾浩斯遗忘曲线在未来的最佳时间点再次推送给你复习实现高效、科学的长期记忆。高度可定制化你可以配置生成题目的难度、数量、题型偏好以及最关键的一点——选择背后驱动一切的“大脑”AI 模型提供商如 OpenAI 的 GPT 系列、Anthropic 的 Claude或本地部署的 Ollama 等。2.2 设计思路为什么是“生成”而非“模板”市面上早有一些支持手动创建问答卡片的插件那为什么还需要一个“生成器”呢这背后的设计思路体现了对用户真实痛点的深刻洞察。痛点一创造题目的“启动成本”太高。手动将一段知识转化为一个好问题需要深度理解和创造性思考这本身就是一个高认知负荷的任务。很多时候我们因为“懒得出题”而放弃了复习。痛点二手动题目容易陷入“抄写”陷阱。自己出题时很容易不自觉地复述原文导致题目缺乏挑战性无法真正检验理解深度。obsidian-quiz-generator的设计思路是“将认知负荷转移”。它将“创造题目”这个高负荷任务交给 AI而用户只需承担“判断题目质量”和“回答问题”这两个相对低负荷、但同样关键的任务。AI 基于其庞大的知识图谱能够生成你意想不到的关联和干扰项从而暴露出你知识体系中的模糊地带。你不再是知识的被动整理者而是变成了一个“质检员”和“挑战者”在与 AI 生成的题目互动中完成对知识的深度加工和巩固。这种“人机协作”模式使得坚持“间隔重复”这种反人性但高效的学习方法变得可持续。你不需要强大的意志力去“坚持复习”只需要一点好奇心去“玩一下 AI 给我出了什么新题”。3. 环境准备与插件安装配置3.1 基础环境与插件安装首先你需要一个正在运行的 Obsidian 仓库。插件的安装可以通过 Obsidian 社区插件市场完成这是最推荐的方式。打开 Obsidian进入设置-社区插件。确保限制模式已关闭。点击浏览在搜索框中输入 “Quiz Generator”。找到Obsidian Quiz Generator插件点击安装。安装完成后返回插件列表找到它并点击旁边的启用按钮。此时你应该能在左侧功能区看到一个大脑形状的插件图标或者通过命令面板CtrlP或CmdP输入 “Quiz” 也能看到相关命令。3.2 核心配置连接你的 AI 模型安装只是第一步让插件“活”起来的关键是配置 AI 模型。这是整个插件的动力源。插件支持多种后端这里以最常用的 OpenAI API 为例进行详解。获取 API Key前往 OpenAI 平台注册并获取 API Key。请妥善保管此密钥它就像你模型的密码。插件配置打开插件设置设置-社区插件-Obsidian Quiz Generator-设置。找到API Provider选择OpenAI。在OpenAI API Key字段中粘贴你的 API Key。模型选择Model选项至关重要。对于生成题目推荐使用gpt-4或gpt-4-turbo-preview。虽然gpt-3.5-turbo成本更低、速度更快但在生成逻辑严谨、干扰项合理的题目方面GPT-4 系列的表现通常更稳定、更聪明能更好地理解上下文和生成高质量干扰项。对于知识巩固这种追求质量的任务多花一点成本是值得的。其他参数Temperature温度控制输出的随机性。对于题目生成建议设置在0.7左右。太低如0.2会导致题目过于保守和相似太高如1.0可能生成过于奇怪或无关的选项。Max Tokens单次生成的最大长度。生成几道题目通常不需要很大保持默认或设置为500-1000即可。本地模型配置可选如果你注重隐私或希望零成本使用可以配置本地模型例如通过Ollama。在API Provider中选择Ollama。在Ollama API URL中填写你的本地服务地址通常是http://localhost:11434。在Model中填写你本地拉取的模型名如llama3:8b、mistral等。注意本地模型的生成质量、速度和上下文长度取决于你的硬件和模型本身。对于复杂的笔记小参数模型可能无法很好地理解长上下文或生成高质量题目需要你根据实际效果调整提示词或接受更简单的题目形式。3.3 基础工作流建立配置完成后建议先建立一个测试笔记来熟悉工作流。创建一个名为测试-机器学习基础.md的新笔记。粘贴或写入一段结构清晰的笔记内容例如# 机器学习基础 ## 监督学习 监督学习是指从**已标注的训练数据**中学习一个模型用于预测新数据的输出。它需要输入数据和对应的标签。 - **例子**根据房屋面积、位置预测房价回归问题根据邮件内容判断是否为垃圾邮件分类问题。 - **常用算法**线性回归、逻辑回归、支持向量机、决策树。 ## 无监督学习 无监督学习是指从**未标注的数据**中寻找内在结构或模式。没有预先给定的输出标签。 - **例子**客户分群、异常检测、降维。 - **常用算法**K-Means聚类、主成分分析PCA、自编码器。选中“## 监督学习”这个章节下的所有内容。点击插件图标或使用命令面板调用Quiz Generator: Generate quiz from selection。在弹出的配置框中选择题型如混合Mixed、题目数量如3道点击生成。稍等片刻AI 就会在你光标所在位置或新笔记中插入生成的题目。你会看到类似这样的结果【测验监督学习】【选择题】监督学习的核心特征是什么 A. 从无标签数据中寻找模式 B. 使用已标注的数据进行训练 C. 不需要任何训练数据 D. 仅用于数据可视化答案B【填空题】根据邮件内容判断是否为垃圾邮件属于监督学习中的 _____ 问题。答案分类【简答题】请简述监督学习和无监督学习在训练数据要求上的根本区别。参考答案监督学习需要使用带有标签的数据进行训练而无监督学习则使用未标注的数据。这个简单的测试能让你立刻感受到插件的能力它不仅能识别关键概念还能构建上下文相关的干扰项并生成需要概括总结的简答题。4. 高级用法与场景化实战4.1 针对不同笔记类型的生成策略不是所有笔记都适合用一种方式生成题目。根据笔记类型调整策略能获得最佳效果。概念定义型笔记特点包含大量术语、定义、特征描述。策略优先生成填空题和选择题。填空题能精准检验对关键术语的记忆选择题则能通过干扰项辨析相似概念。实操在插件设置中可以为特定文件夹或笔记类型创建“生成模板”默认使用题型: Cloze Multiple Choice难度: Medium。过程步骤型笔记特点描述一个流程、算法步骤、操作指南。策略适合生成简答题如“请简述XX过程的五个步骤”或排序题虽然插件不直接支持但可以通过生成简答题来要求“按顺序列出”。也可以将关键步骤中的名词或参数生成填空题。实操生成后可以手动将一道简答题改编成更结构化的列表形式方便复习。对比分析型笔记特点比较两个或多个事物的异同点如“TCP vs UDP”、“React vs Vue”。策略这是生成高质量选择题的绝佳材料。AI 很容易基于对比项生成混淆选项。实操选中整个对比表格或列表进行生成题目往往会自动聚焦于核心差异点。读书笔记与文献摘要特点包含核心观点、作者论据、个人心得。策略适合生成简答题以检验对核心观点的理解和概括能力。例如“作者用哪三个论据支持了他的主要观点”、“你如何评价书中提出的XX方法”实操对于个人心得部分AI 可能无法生成有效题目。这时可以手动补充一些自省式问题如“这个观点如何与我已有的知识关联”4.2 与间隔重复插件深度集成单独使用 Quiz Generator你收获的是一堆静态题目。与间隔重复插件结合你获得的是一个动态的、自适应的记忆系统。这里以社区流行的Spaced Repetition插件为例。基础联动确保两个插件都已安装启用。当 Quiz Generator 生成题目时它会使用特定的 Callout 语法如 quiz。Spaced Repetition插件可以识别这种格式并将其转换为一张张复习卡片。每次你复习时Spaced Repetition会弹出题目你回答后需要根据记忆难度选择“简单”、“良好”、“困难”。插件会根据你的选择计算下一次复习该题的最佳时间。高级技巧利用标签进行复习管理在生成题目时插件允许你添加标签。你可以利用这一点进行精细化管理。场景你有一本名为“深度学习”的笔记里面包含了“卷积神经网络”、“循环神经网络”等多个章节。操作在每个章节生成题目时在高级设置中添加章节标签如#cnn-quiz、#rnn-quiz。好处在Spaced Repetition的复习界面你可以通过筛选标签专门复习某个薄弱章节的题目实现针对性突破。复习数据沉淀你的每一次答题记录对错、选择的难度都会被Spaced Repetition插件记录在笔记的元数据Frontmatter或单独的数据文件中。长期积累后你可以通过 Dataview 插件查询你的“最常错题”、“复习投入时间最多的领域”将复习过程也数据化、可视化从而更科学地指导你的学习重心。4.3 提示词工程引导AI生成更优质的题目插件内置了生成提示词但你可以在设置中找到Custom Prompt选项进行微调以引导 AI 生成更符合你心意的题目。这是高手进阶的必经之路。默认提示词可能存在的问题生成的题目有时过于简单直接照抄定义或者干扰项过于离谱。自定义策略示例假设你希望生成的选择题干扰项不仅仅是“错误答案”而是“常见的理解误区”你可以这样修改或补充自定义提示词你是一个严谨的教育专家负责根据提供的文本生成测验题目。 请遵循以下规则 1. 对于选择题题干应测试对概念的理解和应用而非死记硬背。 2. 生成的错误选项干扰项必须是学习者在该主题下**容易产生的真实误解或常见错误**而不是明显无关或荒谬的选项。 3. 对于简答题问题应鼓励总结、比较或应用知识而非直接复述原文。 4. 答案必须准确无误且基于且仅基于提供的文本内容。另一个场景如果你只想生成高质量填空题来记忆关键数字、日期、专有名词可以指定请仅生成填空题完形填空。请从提供的文本中找出最关键、最需要记忆的5个术语、数字或具体名称将它们替换为下划线。确保挖空后句子的其余部分能提供足够的上下文线索。通过不断调整和试验提示词你可以让obsidian-quiz-generator的输出越来越贴合你的个人学习风格和具体需求。5. 常见问题、排查技巧与避坑指南在实际使用中你可能会遇到一些问题。以下是一些常见情况的实录与解决方案。5.1 生成失败或报错问题现象可能原因排查与解决点击生成后无反应或提示“Generation failed”1.API 密钥错误或失效2.网络问题特别是使用境外API时3.模型配额用尽如 OpenAI 免费额度用完4.提示词或内容过长超出模型上下文窗口1.检查API配置确认设置中的 API Key 正确且所属平台如OpenAI账户状态正常、有余额。最简单的方法去对应平台的Playground或API测试页面用同一个Key试一下最简单的请求。2.检查网络尝试在浏览器中直接访问API服务商官网看是否通畅。考虑网络环境问题。3.检查用量登录API提供商后台查看用量和余额。4.精简输入尝试只选择一小段文本如200-300字进行生成看是否成功。如果成功说明是上下文过长问题。可以分批次为长笔记的不同章节生成题目。错误信息包含“Rate limit”或“429”API调用频率超限1. 免费 tier 的 API 通常有较低的速率限制。解决方法是等待一会儿再试或者升级到付费计划。2. 在插件设置中可以尝试增加“请求延迟”时间。生成的内容完全无关或混乱1.模型“温度”设置过高2.提供的笔记文本本身过于零散、模糊或无主题3. 使用了能力较弱的本地小模型1. 将Temperature参数调低例如从 0.8 降至 0.3让输出更确定。2. 确保你选择的文本是语义连贯、主题明确的段落。避免选择只有列表项、代码块或大量链接的碎片化内容。3. 如果使用本地模型尝试换用更大参数的模型或接受其能力边界仅对结构极好的文本生成题目。5.2 生成题目质量不佳质量问题原因分析优化策略题目过于简单直接复述原文AI 可能倾向于生成最安全的、最不易出错的题目这导致了考察记忆而非理解。1.在自定义提示词中强调“请生成需要推理和应用的问题而非直接引用原文。”2.提供更复杂的源材料如果笔记本身只是罗列定义AI 也难以深化。尝试在笔记中加入一些对比、举例或因果分析为AI提供生成深度题目的素材。选择题干扰项明显错误或无关默认提示词可能未对干扰项质量做严格要求。使用前面提到的“常见误解”型提示词明确要求干扰项必须是“合理的错误”。简答题空泛或难以回答源文本可能是描述性、叙事性而非观点性、分析性的。1.引导AI聚焦在自定义提示词中要求“请针对文中的具体观点、方法步骤或比较结论生成简答题。”2.手动编辑将生成的空泛问题如“请谈谈你对XX的理解”修改为更具体的问题如“根据文章XX方法的三个主要优势是什么”。填空题挖空位置不合理AI 对“关键信息”的判断与你的预期不符。1.事后手动调整这是最直接的方法。生成后你可以轻松地编辑挖空位置把下划线___拖到你认为更重要的词下面。2.事前指定在生成前用高亮或特殊符号如[[重要]]标记出你希望被挖空的关键词并在提示词中告诉AI“请优先针对被双括号标记的内容生成填空题。”5.3 性能与成本优化使用云端 AI API 会产生费用如何平衡效果与成本批量生成定期复习不要每写一段笔记就立刻生成题目。可以积累到一定量如完成一个完整章节后集中生成一批题目。这样减少了 API 调用次数也让你能在更完整的知识语境下复习。善用“选择生成”永远优先使用“从选择生成”功能而不是为整篇冗长的笔记生成题目。精准定位核心内容区域能显著减少 token 消耗并提高题目相关性。本地模型的取舍如果使用本地模型如通过 Ollama成本为零但需要接受更长的等待时间和可能稍逊的题目质量。对于记忆事实型知识如外语单词、历史事件日期本地小模型完全够用。对于需要深度理解、比较和应用的复杂内容云端大模型仍是更好的选择。题目缓存与复用生成的优质题目是你宝贵的资产。考虑将生成的题目移动或复制到一个专门的“题库”文件夹中按主题分类。这样即使原始笔记更新你的核心测验资产得以保留无需重复生成。5.4 我的几点实操心得生成是起点不是终点不要追求一次生成完美无缺的题目。把 AI 生成看作一个高效的“初稿创作工具”。生成后花几分钟时间快速浏览并编辑修正你认为不恰当的挖空、优化一下问题的表述、甚至删除质量不高的题目。这个人机协同的微调过程本身也是对知识的又一次加工。为“问题”添加“元信息”在题目旁边用简单的标签或注释记录下为什么觉得这道题好或者它考察的是哪个细分知识点。例如#核心概念、#易混点。长期下来这能帮你梳理出自己知识体系中的关键节点和薄弱环节。结合图谱复习Obsidian 的核心是双向链接和知识图谱。在复习题目时如果遇到涉及其他笔记的概念果断点开链接跳转过去回顾上下文。这种由问题驱动的、在知识网络中的主动漫游比线性复习效率高得多。接受不完美AI 并非全知全能尤其对于非常前沿、专业或包含大量个人化表述的笔记它可能会生成错误或奇怪的题目。把这当作一个发现笔记模糊之处的好机会——如果 AI 都理解错了是不是说明我的笔记表述本身就不够清晰进而促使你去完善原始笔记。obsidian-quiz-generator的价值远不止于一个“出题工具”。它更像是一个嵌入在你知识工作流中的“认知伙伴”通过强制你进行主动的检索练习将沉睡的笔记转化为活跃的记忆。它改变了我们与笔记的关系从“我拥有这些笔记”到“我正在掌握这些知识”。开始用它来挑战自己吧你会发现复习不再是负担而是一场探索知识深度的有趣游戏。
