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
-
生成答案 — AI 根据题干生成 C 语言答案程序 -
生成命令行答案 — AI 将答案转为命令行(argv)版本 -
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) -
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:
-
老师先对部分学生运行单个判题流程 -
根据结果调整某道题的判题规则 -
确认无误后再运行一次性全量判题 -
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:
-
优化提示词 — DECOMPOSE_HOMEWORK 去掉题干和答案,节省 50% token 消耗 -
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:
|
|
|
|
|---|---|---|
|
|
|
|
|
|
"20,50,70,120…" 分割
|
|
|
|
break 程序员手动添加
|
|
★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
|
|
|
|
|---|---|---|
| 提示词(文科生) |
|
|
| 控制逻辑(理科生) |
|
|
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)
-
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 -
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 -
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 -
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 -
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 -
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 -
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 -
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!

