大数跨境

应用:为什么说控制逻辑才是C语言自动判题系统的核心

应用:为什么说控制逻辑才是C语言自动判题系统的核心 知识代码AI
2026-11-17
0
导读:07|应用:为什么说控制逻辑才是C语言自动判题系统的核心——知识点整理一、课程简介核心观点:如果说提示词占 C

07|应用:为什么说控制逻辑才是C语言自动判题系统的核心——知识点整理

一、课程简介

核心观点:如果说提示词占 C 语言自动判题系统的 **50%**,那应用逻辑开发则是另外 **50%**。

为什么控制逻辑才是核心?

★

本质是由于大模型存在幻觉问题,在 C 语言自动判题系统场景下不能保证 100% 准确,只能靠控制逻辑来增强可靠性。

如果把上节课的提示词看做一个文科生,那这节课提到的各种程序控制逻辑则更像一个理科生。只有文科生和理科生精准配合,才能让系统达到商用级别。


二、用户交互设计:题库模块 + 判题模块

整个系统分为两个部分,每个环节都有人工确认,这是系统最大的设计亮点:

                    C 语言自动判题系统
┌──────────────────────────────────────────────┐
│              题库模块                          │
│  题干 → AI生成答案 → 人工确认                  │
│       → AI生成命令行答案 → 人工确认             │
│       → AI生成判例case → 人工确认               │
│       → gcc编译运行(传统程序) → 输出结果       │
├──────────────────────────────────────────────┤
│              判题模块                          │
│  学生作业 → AI拆解参数                          │
│          → 命令行编译运行                       │
│          → AI结果判分 → 老师确认 → 最终评分     │
└──────────────────────────────────────────────┘
★

核心设计思想:借助 AI 提高效率,但每一步都允许人工干预,实现效率和可用性的平衡。

▸ 题库模块设计

  1. 生成答案 — AI 根据题干生成 C 语言答案程序
  2. 生成命令行答案 — AI 将答案转为命令行(argv)版本
  3. 生成 case 用例 — AI 生成测试用例(⚠️ 教训:这部分最终改为参考 AI 生成的人工修正)
  4. 生成运行结果 — 传统程序直接 gcc 编译运行,不用 AI

每一个步骤都允许老师检查修改后再进入下一步。

▸ 判题模块设计

一次性判题:用当前规则对所有学生依次自动判题

人工兜底策略:

  1. 老师先对部分学生运行单个判题流程
  2. 根据结果调整某道题的判题规则
  3. 确认无误后再运行一次性全量判题
  4. 获得完整 Excel 结果后人工复核修改

三、5 个实战教训("Bug"合集)

⚠️ 教训 1:不稳定的输出格式

问题:大模型不按预定义格式输出,喜欢自己加额外说明或偷偷更换分隔符

案例:提示词要求输出 $$$start$$$ 和 $$$end$$$ 分隔符,但大模型实际输出用的是 ```c 和 ```

解决方案:用程序代码兜底

# 程序兼容多种分隔符
c_language_answer = extract_text_between_markers(
    c_language_answer, "```c", "```"
)
★

更常见的是 JSON 格式输出,同样需要先用代码检测 JSON 格式合法性,再进一步处理。

经验:AI 的输出永远不可 100% 信任,程序必须做好异常处理。


⚠️ 教训 2:Case 生成的边界问题

问题:大模型总是生成很多极端的 test case,比如分割长度超过总长度

用例1  用例1分值:10  5
用例2  用例2分值:10  15  ← 分割长度15超过了总长度10 ❌
用例3  用例3分值:10  20  ← 更离谱

尝试:反复调整 ANSWER_TO_TEST_CASE 提示词,但每道题不一样,老师的主观考察点也不同,始终无法完美解决。

最终方案:将 AI 输出作为参考,而非直接使用。

★

经验:在 AI 程序设计阶段评估 AI 的能力界限,设定边界,降低对 AI 的预期。


⚠️ 教训 3:命令行的优化与权衡

问题:让 AI 直接修改学生作业的 C 程序(加入命令行参数),虽然设置了"其他语句一个字都不要改"的限制,但 AI还是把学生原有的错误代码也顺手修了。

解决方案:拆解任务——只让 AI 做它擅长的部分

❌ 让 AI 直接修改整个程序(AI 会顺手修 Bug)
✅ 让 AI 只识别参数格式(DECOMPOSE_HOMEWORK)
    → 程序代码替换参数(replace_argv)

DECOMPOSE_HOMEWORK 提示词(只总结参数信息):

输出所有的参数名字和每个参数的argv,以及变量类型就行,
输出是一个json串即可,不要任何额外说明和代码。
★

核心经验:遇到复杂问题时,拆解为多个任务,让 AI 完成合适的子任务即可。


⚠️ 教训 4:结果比对——Core 问题

问题:EVALUATE_RESULT 提示词对数字完全相同但文字描述略有不同的输出总是误判。

反复修改提示词:始终无法彻底解决 😤

最终解决方案:程序控制逻辑兜底

① 引入二次判题

# 先用 diff2 判断核心数据是否一致
# 保证完全一致的不判错

② 引入可定制判题规则

# 提示词中加入"补充规则"部分
# 老师可以对每道题定制正向/负向规则
# 例如:"所有输出里包含字母abc的都判定为正确"
★

真正 "驯服"大模型的不是更复杂的提示词,而是程序控制逻辑!


⚠️ 教训 5:成本考量与缓存策略

问题:一个学生判题消耗几千 token,100 人一次就是 20 万 token,还需要考虑重复判题的情况。平台给的配额「跑起来很快就不够用」。

两个省钱技巧:

  1. 优化提示词 — DECOMPOSE_HOMEWORK 去掉题干和答案,节省 50% token 消耗
  2. 缓存策略 — 用户交互的每个步骤都对大模型结果做缓存,除非前置条件改变,否则不让大模型重复生成
★

系统设定每道题只能运行一次,先让判题规则的适用性更广泛,批量运行成功率反而提高了。


四、如何用 AI 写代码(但需要人兜底)

理想情况:把核心提示词和交互设计给 AI → AI 写出完整代码

现实情况:AI 写的代码很多 bug,需要人测试完善

案例——视频分割程序:

版本
需求
结果
V1
每 30s 分割一个视频
✅ AI 一次生成,效果很好
V2
按时间序列 "20,50,70,120…" 分割
❌ AI 多次修改仍有 bug
V2 修正
第 18 行的 break 程序员手动添加
✅ 解决问题
★

结论:用程序调整、控制大模型的逻辑并达到商用级别,是整个项目里的重中之重!


五、运营效果

效率提升:系统最终提交老师运营后,整体效率提升了 约 10 倍 🎉

最受好评的设计:系统给了足够多的人工干预接口,实现了 AI 流程和原有流程的无缝衔接——既可以使用 AI 结果,也支持人工修改。

★

在题库和判题规则逐渐人工参与完善后,后续系统效率还会有更多提升。


六、核心经验总结

1. 控制逻辑的四大能力

程序控制逻辑 ≈ 理科生,具体负责:
┌────────────────────────────┐
│ ① 输出异常的控制处理        │
│ ② 配合大模型分解复杂任务     │
│ ③ 对大模型的精准控制纠偏     │
│ ④ 成本控制(缓存/限流)      │
└────────────────────────────┘

2. "文科生 + 理科生"的配合

角色
负责
局限
提示词(文科生)
创造性任务、理解语义、内容生成
不精准、有幻觉、输出不稳定
控制逻辑(理科生)
格式校验、任务拆解、异常处理、成本控制
无法完成语义理解

3. AI 边界设计原则

  • 让 AI 做的事越少、越专一,幻觉就越少
  • 评估 AI 的能力界限,设定边界,降低对 AI 的预期
  • gcc 编译 → 传统程序 | 判题 → AI | 参数识别 → AI 只提取信息,程序替换

七、知识点总结(8 条)

  1. C 语言自动判题系统中,程序逻辑控制才是核心,仅靠提示词很难产生可靠的应用
  2. 用户交互设计的关键是全流程人工干预支持,实现 AI 流程和原有流程的无缝对接
  3. 遇到复杂问题时,可以拆解为多个子任务,让 AI 完成它擅长的部分,程序控制剩余工作
  4. 大模型输出格式不稳定,需要程序做异常处理,检测输出格式合法性
  5. Case 生成的边界问题难以通过提示词完全解决,可以将 AI 输出作为参考而非直接使用
  6. 成本考量是大模型应用的关键问题,通过优化提示词和缓存策略减少不必要的 token 消耗
  7. 在 AI 开发中,不要将问题全部交给 AI,可以拆解任务,让 AI 完成合适的子任务
  8. 系统最终效率提升约 10 倍,说明了 AI 嵌入工作流策略的成功

八、思考题

★

在真实 C 语言学生作业中,往往有一些类似拼写错误的常见错误,老师希望这类错误帮学生做一些修复,这个问题可以用 AI 应用解决吗?怎么解决?

💡 欢迎在评论区分享你的思路!


★

📌 上节回顾:打造 C 语言自动判题系统里的 6 个核心提示词 📌 下节预告:向量数据库 + 微调 + 规则引擎,定制营销文章内容生成

★

💬 如果觉得有收获,欢迎分享给更多朋友一起学习,也欢迎在评论区交流你的大模型实战经验!


【声明】内容源于网络
0
0
知识代码AI
技术基底 机器视觉全栈 × 光学成像 × 图像处理算法 编程栈 C++/C#工业开发 | Python智能建模 工具链 Halcon/VisionPro工业部署 | PyTorch/TensorFlow模型炼金术 | 模型压缩&嵌入式移植
内容 439
粉丝 0
知识代码AI 技术基底 机器视觉全栈 × 光学成像 × 图像处理算法 编程栈 C++/C#工业开发 | Python智能建模 工具链 Halcon/VisionPro工业部署 | PyTorch/TensorFlow模型炼金术 | 模型压缩&嵌入式移植
总阅读10.9k
粉丝0
内容439