只要管过培训就知道，真正耗时间的地方根本不在讲课。
讲课一次讲完就完了，但出题、组卷、批改、统计、跟进这件事是每次培训都要重来一遍的循环。更麻烦的是，制度文件一改，题库里就有一批题悄悄过期了——而没人会主动去核对。
这正好是 Agent 擅长的那类活：输入是文档，输出是结构化结果，重复度高，还要带证据。这篇讲怎么用 OpenClaw 把「培训考核」这条线跑通。站内 搭企业内部知识库 那篇解决的是「问什么答什么」，本篇解决的是反过来的一侧——从同一批文档里生成考题、判分、再回头指导学习。两者共用同一套文档底座，但用途完全不同。
一、先想清楚哪几类培训适合交给 Agent
不是所有培训都能自动化，先分类，否则做出来的东西没人用。
适合的三类：
- 制度规章类。安全规程、合规要求、考勤与报销制度、保密要求。特点是条文明确、有标准答案、需要定期复训。
- 产品与业务知识类。产品参数、政策口径、常见异议应答。特点是更新频繁，题库必须跟着改。
- 操作流程类（SOP）。系统的操作顺序、异常处理步骤。适合出「先做什么后做什么」的顺序题和场景判断题。
不适合的：需要现场实操鉴定的（设备操作、急救演练）、需要真实情绪判断的（客户投诉面谈）、以及本来就没有标准答案的（方案设计、策略选择）。这些可以出「讨论题」，但不能自动判分。
二、出题的前提：材料先整理干净
这是整条流水线里最容易被跳过、也最决定成败的一步。不要指望模型凭空出题——它要么编，要么抄网上的通用题，跟你的制度对不上。
准备材料要满足三个条件：
- 来源是正式版本。比如「XX 管理办法（2026 年修订版）」这种带版本号和日期的文件，而不是某次培训的 PPT 截图。文件怎么进来、怎么切片，站内 读取文件那篇 讲得很细。
- 能定位到章节。每个要点要能回溯到「第几章第几条」。做不到这一点，后面就没法查错题、也没法在制度更新时定位哪些题要重做。
- 过期文档要清出去。同一件事有两个版本同时在库里，出题必然打架。周期性清理的做法见 知识库陈旧内容怎么巡检——这件事在培训场景比其他场景更要紧，因为考题会拿旧口径去考人。
三、四类题型，每一道都要带溯源
四种题型各有用途，别全出单选：
- 单选题：考「唯一正确项」，适合数值、时限、责任主体这类硬信息。
- 多选题：考「有多少种情况」，适合列举类条文（比如「以下哪些属于必须上报的情形」）。
- 判断题：考「容易混淆的边界」，最好把常见误解直接做成题干——错了就说明这个误解存在。
- 场景问答题：给一个具体情境（比如「客户要求先发货后补合同」），让员工写出该怎么处理。这类题最像真实工作，但必须靠评分标准判分，不能自动对错二分。
不管哪一类，每道题都必须带三个字段：来源文件、章节位置、考察要点。这三个字段不是给人看的装饰，它们承担三件事：一是防幻觉（模型编的题找不到来源，直接筛掉）；二是制度改版时能精确找出受影响题目；三是员工答错时能直接指到哪一条要重新看。具体留证思路和 证据包怎么留 是一个道理。
四、干扰项怎么造，才不是送分题
题目质量的高低，八成取决于干扰项。用「以上都对」「都不对」充数，或者把明显荒谬的选项摆上去，考出来的分数没有信息量。
三个实用的做法：
- 干扰项从同一章节的近似概念里取。比如考「上报时限是 2 小时」，干扰项就用同一份文件里其他的时限（4 小时、24 小时）。这样考的是真的记住了，而不是靠排除法猜。
- 把最常犯的错做成选项。这批错误从哪来？从上一轮考核的错题统计里来。这就形成了一个闭环：考完统计错题 → 错得多的点做成新的干扰项 → 下一轮继续考。
- 难度分层，别都出抠字题。建议按三档配比：记忆题（原文是什么）不超过一半，理解题（这条在什么情况下适用）占三成，应用题（给场景判断怎么做）占两成。全出记忆题，员工只会背，不会用。
组卷时的配比建议：按章节权重配题（重要章节多出题）、按题型配（客观题和主观题大概 8:2）、按难度配（上面那个三档）。再加上一条去重规则：同一批人考过的题目，短期不要再原样出现，否则考的是背题能力。这类「同义不同形」的去重判断，思路可以参考 知识库检索怎么才准确 里召回环节的处理方式。
五、批改：客观题靠规则，主观题靠评分标准
两种题型的批改逻辑完全不同，混在一起做一定出错。
客观题：答案唯一，用规则判分就行，千万不要让模型去「理解」标准答案，那样只会引入随机误差。
主观题：这才是模型的价值所在，但必须用评分标准（rubric），不能让它自由发挥。做法是先为每道题写好要点清单——比如「正确做法」4 个要点、「常见错误」3 个要点，然后让模型做三件事：逐条判断要点是否命中、指出漏掉的要点、给出分档（完全掌握 / 基本掌握 / 需要重学）。评分标准的写法、偏差校准和人工一致率怎么定，站内 自动打分怎么做 已经把方法论讲得很完整，直接复用即可。
再补两个必需动作：
- 给模型判分加一句「引用原文」的要求。判定扣分的理由必须能指回具体条文，不能只说「回答不完整」。这样员工才服，也方便你抽查。
- 争议题走人工复核。做法参考 人工复核抽检怎么做——不是每份都看，而是优先看三类：分数极低的、模型自己表示不确定的、以及有员工申诉的。
六、学习跟进：错题要变成下一步动作
考核的价值不在分数，在分数之后的动作。整条流水线最后一段要做三件事：
- 错题归因到章节，而不是到题。统计出「所有人里错得最多的三个条文」，这通常说明不是员工的问题，是制度本身讲得不清楚或者培训没讲到。
- 生成个人学习清单。每个人拿到「你要重看的 3 条 + 相关的 2 道同类题」，而不是一个总分。清单可以做成定时推送，用法参考 定时发日报周报 那一套。
- 定期复练。错题隔一段时间重新出一遍（换题干、换干扰项），验证是不是真掌握了。掌握情况做成汇总表，跟已有的汇报流程接上，见 自动做汇报材料。
七、数据与权限：成绩也是个人信息
这一段最容易被忽略。员工的考试成绩、错题记录、学习行为，都是能识别到个人的数据，属于个人信息范畴。
至少要做三件事：成绩数据的可见范围（谁能看全部门、谁只能看自己）、留存周期（考核数据要不要永久保留）、以及模型侧的处理方式（出题和批改时是否会把员工姓名、工号一起带进上下文——通常不需要）。这几点和 处理个人信息怎么合规 里那四道闸是同一套做法；题库本身的访问权限可以按 权限最小化 的思路来配——题库一旦泄露，整套考核就失去意义。
八、四个最容易踩的坑
- 让模型自由出题、不做溯源校验。最常见的后果是题文不符：题目看着合理，答案却和你们制度对不上。上线前必须做一轮人工抽检，逐题核对来源。
- 一次生成直接当正式题库。第一版永远要人工过一遍，之后每次制度更新，只用核对受影响的题目就行——这就是前面坚持要「带溯源」的回报。
- 只出记忆题。员工会背但不一定会用。真实的培训目标是「遇到情况知道怎么办」，所以场景题的配比不能是零。
- 只有考核，没有跟进。考完发个分数就结束，这轮培训基本等于没做。错题归因、学习清单、复练这条链路才是真正的价值所在。
优缺点和适合人群
优点：出题从「几天」压缩到「几小时」，而且每次制度更新只需重跑受影响的章节；每道题都带来源，题目质量和可追溯性比手写更稳；主观题按评分标准分档，比人批更一致；错题统计能反过来指出制度本身写得不清的地方，这是纯人工培训做不到的。
缺点：前期要把文档整理成「可定位到章节」的形态，这一步没法省；模型出的题仍然需要人工抽检，尤其是第一版；场景题的评分标准需要业务专家参与撰写，写得越细效果越好、成本也越高；题库和成绩都属于需要管权限的数据，多了一套运维负担。
适合：有明确的制度与流程文档、需要定期复训和考核的组织——安全与合规培训、新员工入职培训、销售产品知识考核、连锁门店的标准化操作培训。反过来说，如果连正式的制度文件都还没有，先别急着做自动出题，因为你能拿到的只有模型编出来的通用题，考不出任何有价值的东西。
总结
- 先分类：制度规章、产品知识、标准流程适合自动化；实操鉴定和没有标准答案的场景不适合。
- 材料先行：正式版本 + 能定位到章节 + 清掉过期文档，这三件事做完，题目质量就已经赢了一半。
- 每题带溯源：来源文件、章节位置、考察要点三个字段必须有，它同时解决了防幻觉、改版定位和错题指向三件事。
- 干扰项从相近条文和真实错题里来：难度按记忆、理解、应用三档配比，别全出抠字题。
- 批改分两条线：客观题走规则，主观题走评分标准并要求引用原文；争议题进人工复核。
- 考核的终点是学习：错题归因到章节、生成个人清单、定期复练，这一环不做，前面全白费。
最后一句：把培训考核自动化的本质，不是让 AI 替人出题，而是把「出题—考试—错题—重学」这个循环变成能自己转起来的东西。循环一旦转起来，制度更新、题目更新、培训重点更新会同时发生，这才是它比手写题库真正强的地方。
