拍一张卷子，AI 帮你拆错题、出重做卷：我用 WorkBuddy + xParse 搭了个错题整理工作台- 惊觉

摘要

最近对AI+教育场景挺感兴趣，偶然发现直接用多模态大模型处理错题照片总是“看着像那么回事”，但数据没法沉淀、公式识别也不稳。于是自己折腾了一套基于WorkBuddy和xParse的错题整理工作台，没想到真把手写试卷变成了可统计、可重做的结构化资源。
这篇文章记录了从踩坑到跑通的全过程，包括用 WorkBuddy 搭「错题整理工作台」管数据，xParse 连接器做识别，手写/印刷分离、公式识别、版面还原这三件脏活全交给它。

核心结论一句话：拍照的试卷能直接变成结构化数据，错题本从此可积累、可统计、可重做。

一、效果展示

谁没对着满纸红叉的试卷发过愁？手抄错题太累，拍照存相册又乱成一锅粥。错题整理工作台就是为了解决这种“错题焦虑”而生。「错题整理工作台」基于 WorkBuddy × xParse ，其Agent负责的内容交给WorkBuddy ，识别的活交给 xParse 。职责一句话说完——手写试卷进去，错题分析、薄弱知识点看板、可打印重做的干净卷子出来；错题数据留在工作台里持续积累，越用越清楚薄弱在哪。

一页手写卷子的照片拖进去，产出区依次出现三样东西：

错题清单：题号、错因、涉及知识点逐条列出，可直接追问；
知识点薄弱看板：柱状图、错因饼图、掌握度趋势自动生成，错在哪块一眼看清；
干净 Word 重做卷：手写痕迹和涂改全部清除，印刷题目、公式、几何图原样保留，导出即打印。

几个让我意外的细节：

我在选择题之间随手打的草稿、划掉重写的演算，在解析结果里被单独归到了手写层，没有污染题目文本；
第 7 题的完整推导过程被逐行识别，顺着能回看我当时的思路；
四个几何图全部作为图片元素保留在原位，重做卷里图还在。

也有翻车现场：第 6 题的手写"BE=3DE"被识别成"BE=9AE"，第 5 题的题号"5.“被认成了"25.”。一张卷子里混着印刷体、手写体、公式、图形，它凭什么能分清、又为什么会认错？下面拆开看。

二、xParse 介绍：它是谁、用了什么技术

2.1 TextIn xParse 与"数据层"定位

xParse 是合合信息旗下TextIn推出的AI数据层基础设施，职责是把复杂文档变成干净、一致、可被 AI 使用的结构化数据。

学习助手能不能"看懂"卷子，取决于这一层做得好不好。

2.2 技术栈

手写体识别(OCR)：认出学生写的答案与涂改；
印刷体识别 + 版面还原：题目结构、题号层级原样保留；
数学公式识别：输出 LaTeX 而不是糊成一团的文本；
图片/图形处理：几何图、函数图像作为图片元素保留；
手写清除与文档重建：剔除手写层、重建干净题目文档，导出 Word；
WorkBuddy 连接器(基于 MCP)：把 xParse 能力接进智能体工作流。

三、拆开"看懂一张试卷"这件事

3.1 还是那条流水线，只是这次输入是"花"的

拍照/PDF 上传
   → xParse 解析(手写/印刷分离 + 公式结构化 + 版面还原)
   → 智能体分析(错题判定、知识点归类、统计)
   → 输出(薄弱看板 + 干净重做卷)

3.2 一张试卷里混着多少东西

印刷题目、手写答案、涂改痕迹、数学公式、几何图形、草稿，全挤在同一页纸上。普通 OCR 只能"识字"，分不清哪些是题目、哪些是学生写的，输出一锅粥。

xParse 的解法是分层：印刷层、手写层、公式、图形各自归位，再按版面关系拼回去。

左边是我使用 OCR 进行解析的效果，右边是 xParse 解析出来的效果：

3.3 手写清理与重做卷生成

剔除手写层，按原版面重建题目，导出 Word，打印即可重做。

这是错题本的终极形态：不是抄题，是原卷重现。

四、用 WorkBuddy + xParse 搭"错题工作台"

4.1 后台接入 xParse：连接器优先，API 备选

接入有两条路。连接器模式走 WorkBuddy 原生支持(基于 MCP)，配置即用、零代码；API 模式直接调 xParse 接口，参数级可控，适合批量流水线和深度定制。

我选的是连接器，理由很简单：**个人错题整理是单卷、交互式的场景，连接器的开箱即用比 API 的灵活更值钱。**后面真要做"每天自动处理一个班 40 份卷子"的批量场景，再切 API 不迟，这个取舍过程如实记录在这里。

配置本身两分钟：WorkBuddy 左侧「连接器」入口，找到 TextIn xParse，授权，终端里 xparse-cli version 能出版本号就成了。

配好之后，解析就是一个可调用的命令：

# 免费解析：图片 → 结构化 Markdown + JSON(--api auto 自动走每日免费额度)
xparse-cli --profile workbuddy parse 试题2.png --api auto --output 解析结果/

产出两份文件：1. 分层清晰的结构化文本。2. 带元素坐标和类型标注的完整数据，给 Agent 做错题分析用。

4.2 工作台形态：功能模块与架构设计

这次的工作台是一个全内联、零外链，数据存在浏览器 localStorage 里，工作台围绕"一道错题的生命周期"来设计：被发现、被归档、被复盘、被重做，对应四个模块

工作台分四个模块：

模块	功能
错题本	录入错题(科目/知识点/错因/掌握度/正确解法)，筛选、搜索、标记掌握
薄弱看板	知识点错误柱状图、错因饼图、掌握度趋势、刷题热力图
重做卷管理	归档每份干净重做卷，跟进重做进度
刷题打卡	每日刷题量 + 正确率打卡，追踪进步曲线

页面顶部还有个「今天要处理」区：逾期未掌握的错题、待重做的卷子自动置顶，红点标红，一键处理，昨天没做完的自动滚到今天。

当前版本里，识别入口在 Agent 侧(解析命令 + 错题分析)，工作台负责接收分析结果做归档和可视化，两者在"一键导入 JSON"这一步握手，“页面上一个上传按钮跑通全流程”。把数据层和可视化做扎实，加一个轻后端，把上传、解析、分析串成一键，就是完全体。

4.3 识别流程怎么接进工作台

关键设计：识别和清理的能力在 xParse，工作台管数据，Agent 在中间做分析。

三步走完闭环：

第一步，解析(上面那条命令)。第二步，导出重做卷：

# 导出干净 Word 重做卷(走付费接口，执行前会明确提示授权，不会静默扣费)
xparse-cli --profile workbuddy parse 试题2.png --api paid --export docx --output 重做卷/

第三步，Agent 基于解析 JSON 做错题判定和知识点打标，输出一份固定格式的分析结果：

{
  "wrongQuestions"： [
    {
      "qid"： "19(1)"，
      "knowledge"： "二次函数"，
      "content"： "已知二次函数 y=x²-4x+3，求图象的顶点坐标"，
      "reason"： "概念不清"，
      "master"： "weak"，
      "correctSolution"： "配方得 y=(x-2)²-1，顶点坐标为 (2，-1)"
    }
  ]
}

在工作台里点上次试卷/练习题，一键导入 Agent 解析结果，这份 JSON，错题本、薄弱看板、重做卷归档一次到位。

4.4 真实体会：AI 搭工作台好不好用

模块拆解、样式、数据持久化这些体力活，AI 一次就搞定，我几乎没改代码。需要手动介入的就两处：错题判定逻辑要先想清楚"对照标准答案还是让学生圈划"；识别精度对拍照质量敏感，这两点都放进踩坑章细说。

五、两条路线之争：直接问 AI vs 解析后再问

5.1 路线一：把试卷图直接丢给多模态大模型

把卷子截图直接发给能看图的大模型，也能聊两句，但做不了错题整理：题目和手写混在同一张图里，判定错题时它分不清"学生写的"和"题目印的"；每次都要重新上传重新问，错题无法积累；更拿不到清理手写后的重做卷。

可以看到，直接丢给多模态大模型后，不管是学生写的，和印刷的，都会被解析出来。并且丢给大模型解析还取决你选择的模型的能力强弱，而使用xParse解析后，得到统一的md/json文件，不再完全依靠于模型，即使参数比较小的模型，也能有很不错的效果。

只能分析题目，无法对学生手写的答案作错题分析：

5.2 路线二：xParse 解析后交给智能体

数据干净，错题判定有据；多卷持续积累，薄弱图谱越用越准；解析结果可再加工，直接产出 Word 重做卷。

5.3 怎么选

偶尔问一道题，直接读图也行；要系统整理错题、要重做卷，必须走解析层。

xParse 解析效率：

步骤	命令	耗时
免费解析	`xparse-cli --profile workbuddy parse 试题2.png --api auto --output 解析结果/ --task-context .xparse_task.json`	< 5s
付费导出 Word	`xparse-cli --profile workbuddy parse 试题2.png --api paid --export docx --output 重做卷/ --task-context .xparse_task.json`	< 10s

六、踩坑 / 建议

这次实测留下四个真实的坑，都比想象中具体：

坑 1：题号会被"污染"。 第 5 题的题号"5.“被识别成了"25.”，疑似上一题末尾的数字混了进来。多页卷或答案页有数字结尾时要留意，目前靠人工校正题号兜底。

坑 2：形近手写字会认错。 第 6 题手写的"BE=3DE"被识别成"BE=9AE"，3 和 9 的手写体太像了。手写过程的整体识别率目测在 85% 上下，答案字母这类短内容几乎全对，长推导需要对照原图扫一眼。

对于一二两点，工整或一般潦草的手写识别很好，但极度潦草、连笔重、涂改叠加的题可能认错或漏认。建议拍照时光线均匀、角度正对、分辨率够高，别用阴影和反光。

坑 3：跨行公式偶有截断。 第 7 题选项 D 的 LaTeX 输出少了 θ°，应该是公式跨行排版导致的。简单到中等公式(分式、根式、三角函数)全程稳定，复杂多层嵌套需要人工复核。

坑 4：没有标准答案，错题判定就是无根之木。 AI 判对错得先知道正确答案。我这次用的卷子没带答案页，7 道题全部只能标"待确认"。

AI 判"对错"得先知道标准答案，要么上传答案页，要么让学生在错题上圈划，这样更符合真实使用习惯。图片题在 Word 中的呈现：几何图、函数图能作为图片保留，但清晰度取决于原卷照片质量，极模糊的图可能需要补拍。

七、评价：识别有多准、适合谁

7.1 实测准确率

类型	结果	备注
印刷体题目	7/7 全对	题干、选项完整结构化
数学公式 → LaTeX	全对	含 $KaTeX parse error: Expected group after '_' at position 75: \dotslark.com/yuque/_̲_latex/b0a7731e\dots$
几何图形	4/4 保留	作为图片元素留在原位
手写答案字母	7/7 全对	D、C、A、B、B、C、C
手写推导过程	约 85%	长推导基本准确，形近字符偶错

xParse 对数学公式识别、几何图保留、印刷/手写分层这三项核心能力表现稳定；手写过程的精细识别（含涂改、相似字符）有少量误差，但已足够支撑「错题整理+重做卷」的实际应用。

7.2 不如意的地方

极潦草的手写偶尔要重拍；复杂公式不能完全撒手，导出后要扫一眼；错题判定依赖标准答案或人工圈划兜底。

7.3 适合谁

中小学生家长(帮孩子整错题、出重做卷)、大学生(真题复盘、薄弱点定位)、教师(班级错题统计的轻量版)。

八、总结

这次实践最真实的收获，是错题本从"手工抄题"进化成了"拍照、分析、重做"的闭环：拍一张卷子，AI 拆出错题、标出薄弱点、清出干净重做卷，全部归档进一个可积累、可统计的工作台。手写识别不是 100 分，但 85 分的手写识别加上 100 分的印刷和公式还原，已经足够把"抄错题"这个环节从流程里删掉了。

一句话回扣定位：智能体负责"教"，xParse 负责"看"。数据层基础设施，是所有学习类 AI 应用的地基。地基打得足够扎实，上面能盖的房子，远不止一个错题本。

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/user340/article/details/164740988

拍一张卷子，AI 帮你拆错题、出重做卷：我用 WorkBuddy + xParse 搭了个错题整理工作台

摘要