EveryDay Learning AI 学习应用

问题

文章被收藏下来只是起点。要让它真正变成学习内容，产品还需要把文章变成题目、选项和合适时机出现的复习提醒。

约束

• 问答生成必须把文章变成应用能直接消费的结构化题目，而不是停在自由文本。
• 错误选项既要和正确答案区分开，又不能脱离文章上下文乱生成。
• 复习调度要按用户和题目维度看历史，只安排首次复习或满 7 天的题目。
• 这是企业项目，没有公开仓库，也不在这里写内部指标或业务数据。

我做了什么

• 用 Hugging Face Transformers 和 T5 搭文章分块、问答生成和结构解析，把模型输出整理成 Android Quiz 能直接消费的“问题—正确答案”记录。
• 把文章上下文、问题和正确答案一起编码，接入专门的 Distractor Generation T5 模型生成错误选项，并处理特殊 token、分隔符、空白和大小写重复。
• 通过本地 Flask API 和 AWS Lambda 双通道读取待处理文章、回写 MySQL，把文章到题目的整条链路接进产品数据流。
• 做了 7 天间隔复习和学习进度回写：按用户—问题历史做 SQL 聚合，只调度该复习的题，并汇总每周复习量。

怎么做的

• 先把文章切成适合生成的片段，再用 T5 跑问答生成，并把输出规范成题目和正确答案。
• 错误选项生成时，把上下文、问题和正确答案一起送进模型，尽量减少答非所问或和答案撞车的情况。
• 通过 MySQL 把题目、复习资格和学习活动记录下来，直接供 Android 端 Quiz 和复习模块使用。

怎么验

• 把“文章入库—问题生成—选择题构建—复习调度—学习记录回写”当作一条完整链路来验，确保每一环都能接上。
• 在落库前检查特殊 token、分隔解析、空白输出和只差大小写的重复选项。
• 因为没有公开代码仓库或评测报告，这里不写准确率、留存或使用规模。

结果

• 最终交付的是一条真正接进产品的 AI 学习链路，把文章、题目、选项、复习和学习记录串成一套完整流程。
• 因为这是企业内部项目，作品集只写职责、方法和可确认的交付范围，不写无法公开核验的数据。

依据和链接

• 李智峰于 2023 年 11 月至 2024 年 4 月以 AI/NLP 开发工程师身份参与 Everyday Learning 项目。

  本人提供的实习与项目说明

• 该工作覆盖问答生成、干扰项生成、7 天复习调度、MySQL 回写，以及 Android Quiz 对结构化数据的消费。

  本人提供的实习与项目说明