ExamPass多Agent编排架构详解:骨架→并行创作→评审→定向修订的7阶段流水线
ExamPass多Agent编排架构详解:骨架→并行创作→评审→定向修订的7阶段流水线
ExamPass Assistant(EPA)是一个把 PPT、Word、PDF 课件一键转化为知识清单和交互式测试题的复习工具。它的核心工程亮点,是用多Agent编排架构替代"单Agent一把梭":由一个主编排器调度 5 类专职子 Agent,按「提取 → 骨架 → 并行创作 → 并行评审 → 汇总 → 定向修订 → 渲染」7 个阶段流水作业,让复习资料的生成质量可控、可调试、可断点续跑。
一句话理解:骨架 Agent 定结构,创作 Agent 分工干活,评审 Agent 挑毛病,编排器只调度不下场。
🎯 为什么需要多Agent编排?
单Agent"一把梭"生成整门课的笔记和题目,有三个典型痛点:
| 痛点 | 表现 |
|---|---|
| 上下文爆炸 | 全部课件塞进一个对话,token 成本高、注意力分散 |
| 质量无校验 | 写完即交付,事实错误、"水题"无人拦截 |
| 失败全重跑 | 某一章出错,整门课推倒重来 |
EPA 的解法是按章切分 + 角色分工:每章独立成流水线单元,失败只重试该章;创作和评审由不同 Agent 承担,形成"生产—质检—返工"闭环。完整方案见 2026-06-08-multiagent-orchestration.md。
🏗️ 7阶段流水线全景
| 阶段 | 名称 | 执行者 | 产物 |
|---|---|---|---|
| Phase 0 | 提取 | Python 脚本 | .epa_work/_extraction_bundle.json |
| Phase 1 | 骨架 | 1 个骨架 Agent | knowledge_skeleton.json + 各章切片 |
| Phase 2 | 并行创作 | 每章 2 个 Agent(笔记+题目) | notes/chN.html、questions/chN.json |
| Phase 3 | 并行评审 | 每章 2 个 Agent(审查+做题) | reviews/chN.json、诊断标签 |
| Phase 4 | 汇总反馈 | 编排器(无 Agent) | feedback/chN.json |
| Phase 5 | 一轮定向修订 | 重启原创作 Agent | 覆盖受影响的章 |
| Phase 6 | 渲染 | 模板引擎 | 每章一个合并页 HTML |
所有中间产物都落在目标目录下的 .epa_work/ 工作区,结构如下,方便断点续跑和人工检查:
.epa_work/
_extraction_bundle.json # Phase 0 提取结果
knowledge_skeleton.json # Phase 1 骨架(也是最终产物之一)
slices/chN_skeleton.json # 分给下游的知识组件切片
slices/chN_extract.json # 对应的提取内容切片
notes/chN.html # 创作/修订产物
questions/chN.json # 创作/修订产物
reviews/chN.json # 评审问题清单
diagnostics/chN_p1.json # 做题验证 Pass 1
diagnostics/chN_p2.json # 做题验证 Pass 2
feedback/chN.json # Phase 4 汇总,喂给 Phase 5
🦴 骨架阶段:唯一通读全局的"知识架构师"
骨架 Agent 是整条流水线里唯一拿到全部提取内容的 Agent,它把一门课拆成一张知识依赖图(DAG):
- 拆到"知识组件"粒度:一个节点 = 一个能单独学会、单独考查的东西;
- 四分类打标:事实 / 概念 / 过程 / 原理,决定下游笔记怎么讲、题目出什么型;
- 建依赖边:"学懂 B 必须先学懂 A"就连一条有向边,保证讲解顺序前置在前;
- 标枢纽概念:被最多组件依赖的核心单独标记,笔记讲得最透、题目考得最狠;
- 写 source_refs:每个组件指向 PPT 具体页码,编排器据此切片分发。
产出的骨架 JSON 是下游所有 Agent 的共享契约。方法论与硬规则(含正反例)详见 skeleton-agent.md。
💡 骨架定错了,下游全错——这就是为什么它是串行、唯一的"通读全局"角色。
⚡ 并行创作:按章拆分,2×N 个 Agent 同时干活
编排器按 source_refs 把课件切成每章一份"骨架切片 + 提取切片",然后对每一章并行起两个互不依赖的 Agent:
- 笔记 Agent(notes-agent.md):学习科学驱动的讲解设计师。按"Hook 钩子 → TL;DR 一句话结论 → Why → What → How → Checkpoint 自测"的叙事弧写作,每个概念必答"是什么 / 为什么需要它 / 怎么用",术语首次出现就地解释,易错点用 blockquote 标出。
- 题目 Agent(item-agent.md):循证命题专家。每题精准对齐一个
kc_id,认知层级覆盖"记忆→理解→应用→分析",干扰项必须对应真实的学生误解而非随机编造,且 A/B/C/D 正确答案必须均匀分布。
两个关键设计:
- prompt 里只传文件路径,不传内容。编排器把切片写成文件,子 Agent 自己读;输出也写文件,编排器只收文件。省 token、好调试。
- 章级隔离。每个子 Agent 只拿自己那章的切片,不读整个 bundle——某章失败只重试该章,不影响其它章。
5 章的课 ≈ 10 个创作 Agent 并行跑,这是"慢数倍"换"质量数倍"的核心投入。
🔍 并行评审:审查员挑笔记毛病,做题 Agent 反向验证题目
评审阶段每章同样并行两个 Agent:
1. 笔记审查 Agent(reviewer-agent.md)——站在零基础读者视角,用三个镜头逐段审:
| 镜头 | 审什么 | 严重度 |
|---|---|---|
| R1 事实性 | 与 PPT 矛盾、违背学科硬常识 | critical |
| R2 逻辑 | 推理跳跃、只讲"是什么"不讲"为什么" | important |
| R3 可懂性 | 逐段自我解释,找出读者需要"脑补"的门槛洞 | important |
只有 critical + important 进入修订,minor 只记录不返工——避免无限打磨。
2. 做题验证 Agent(solver-agent.md)——它不是学生模拟器(研究证明 LLM 无法可靠预测难度),而是题目验证器,对每章题目跑"两遍法":
- Pass 1 仅看题干:答对了 → 题目可猜、没区分度(
too_easy/leak);答不了 → 表述不清(ambiguous); - Pass 2 题干+笔记:答对 → 笔记覆盖到位(
ok);答错 → 区分是笔记没讲到(notes_gap)还是题目超纲(out_of_scope);算出的答案≠标准答案 →answer_suspect送复核。
这套客观诊断标签是修订环节的"施工图纸",比"感觉讲得不好"可执行得多。
🔄 定向修订与渲染:一轮封顶,按骨架顺序出成品
- Phase 4 汇总:编排器(不创作内容,只做调度)收集所有
critical + important问题和可执行诊断标签,按章写入feedback/chN.json。 - Phase 5 定向修订:只重启有问题的章的原创作 Agent(笔记问题重启 notes-agent,题目问题重启 item-agent),带上反馈重做并覆盖原产物。一轮封顶——修订产物不再二次验证,这是刻意用"一点不完美"换取成本可控。
- Phase 6 渲染:模板引擎按骨架顺序拼接
notes/*.html+questions/*.json,每章输出一个合并页 HTML(顶部 tab 切换「📖 知识清单 | 📝 章节测试」),并同步保存knowledge_skeleton.json。渲染逻辑见 template_engine.py。
📌 命令路由:直接运行
/exampass即走多 Agent 深度流程;追求速度可走 fast 快道。路由与流程说明见 SKILL.md,入口脚本为 run_exampass.py。
🧭 编排器只调度,不下场
把 5 类角色串成流水线的"总指挥"就是跑 /exampass 的主 Agent,职责清单非常克制:
- 跑 Phase 0 提取脚本;
- 起 1 个骨架 Agent,产出全局 DAG;
- 按
source_refs切片写盘; - 对每章并行起 notes/item 创作 Agent;
- 对每章并行起 reviewer/solver 评审 Agent,solver 分两次调用后对照标准答案打标签;
- 汇总反馈写
feedback/chN.json; - 只对有反馈的章重启创作 Agent;
- 拼接产物,调模板引擎渲染并打开。
配套的边界设计也值得借鉴:章节 >8 时分批调度(一批 ≤8 并行);子 Agent 失败按章重试;不做多轮迭代、不联网查证、不改提取与渲染两端——两头不动,只换中间"理解+生成"的内核。
📚 延伸阅读
| 资料 | 路径 |
|---|---|
| 多Agent编排方案(决策基线+流程图) | 2026-06-08-multiagent-orchestration.md |
| 骨架 Agent 方法论卡片 | agents/skeleton-agent.md |
| 笔记 Agent 方法论卡片 | agents/notes-agent.md |
| 题目 Agent 方法论卡片 | agents/item-agent.md |
| 审查 Agent 方法论卡片 | agents/reviewer-agent.md |
| 做题验证 Agent 方法论卡片 | agents/solver-agent.md |
| 命令路由与执行流程 | SKILL.md |
小结:ExamPass 的多Agent编排 = 一个共享契约(骨架 DAG)+ 章级并行隔离 + 生产/质检分离 + 一轮定向返工。它不是"堆 Agent 数量",而是用学习科学和循证命题规则把"AI 写复习资料"变成了可验证、可调试的工程流水线——这才是复习资料质量的真正护城河。