一、题目生成不难，难在难度可控
让模型出题，一分钟能出上百道。但难度忽高忽低，成套之后没法用。
关键是把难度从"感觉"变成"可调的参数"。
题库生成的难点不在数量，在难度可控。同一道题，初一学生和初三学生做，难度感完全不同。
所以「难度」这个词要拆开：知识难度、计算量、绕弯层数。三个维度分开调，题才有稳定手感。
只用一个「简单/中等/难」，生成出来的题会忽高忽低。
二、难度怎么参数化
三个维度：
一、知识点层级。记忆、理解、应用、分析，四档。
二、干扰项质量。错误选项越接近正确答案，难度越高。
三、解题步数。一步能算出答案的，和需要三步推导的，不是一个难度。
出题时把这三个维度写进提示词，出来的题才成体系。
难度要拆成三个维度：知识难度、计算量、绕弯层数。
三个维度分开调，题才有稳定手感。只用一个「简单/中等/难」，生成出来会忽高忽低。
绕弯层数最容易被忽略，但它对体感的影响最大。
三、题干与解析分开生成
一次让模型既出题又出解析，解析质量往往很差。
分开做：先出题干和选项，再单独生成解析，要求解析写出每一步的理由。
分开之后，解析可以用来做二次校验。解析写不通的题，多半题干有问题。
参数化的做法：知识难度用考点标签，计算量用步骤数，绕弯层数用条件之间的依赖深度。
比如「两步计算、单条件、直接套公式」，这就是一道基础题。改成「三步计算、两个条件互相关联」，难度立刻上一档。
参数不用多，三到四个就够。参数一多，你自己也调不动。
四、难度校准的做法
出一百道题，先让模型自评难度，再找五个真实学生做一遍。
对比两边的分布。如果模型说"中等"的题，实际一半人做错，说明它高估了学生的水平。
校准两三轮，就能把提示词里的难度描述对齐到真实分布。
题干与解析分开生成，这条建议很实用。
一起生成，解析会顺着题干的措辞写，容易变成复述。
分开生成，解析会更像「讲给别人听」，质量明显不同。
五、四个质量红线
一、答案唯一。多解题必须标明"任选其一"。
二、无歧义表述。"以下哪个最好"这种题不要出。
三、不涉及敏感内容。
四、不生成超出大纲的知识点。
四条里第一条最容易破，尤其是语文和人文类。
四个质量红线，我是硬性要求的。第一，答案必须唯一或明确可判。
第二，不能出现超纲知识点。第三，题干不能有歧义表述，尤其是「大约」「若干」这类词。
第四，解析必须能独立看懂，不能只写「故选 B」。
四条里，第二条最难自动化，需要一个考点白名单。白名单建起来麻烦，但它是题库能不能用的分界线。
红线之外还有一条软要求：题目要像人出的。全是模板句的题库，学生做两道就腻。
六、题库怎么管
按知识点建目录，每题挂三个标签：知识点、难度、题型。
后面组卷时按标签抽，比人工翻题库快得多。
四个质量红线：答案唯一、不超纲、无歧义、解析能独立看懂。
第二条最难自动化，需要一个考点白名单。白名单建起来麻烦，但它是分界线。
第四条最常被违反。只写「故选 B」的解析，等于没有解析。
最后提醒：题库要定期去重。生成的题撞车的比例比想象中高。
去重按「考点加答案」比对，比按题干比对有效。
再补一句：题目的「措辞」决定学生的第一印象。同样的考点，用生活场景包装，正确率往往更高。
这不是放水，是考察方式更接近真实使用。
再补一句：题干里的「无用信息」要控制。完全干净会显得假，太多会干扰。
我的经验是每道题留一处无关信息，刚好够让人读一遍，但不影响判断。
这种「有噪音的真实感」，比全部理想化更有训练价值。
再补一句：题目里的数字要「好算」。复杂数字会让人分心。
考的是思路，不是算术。
数字简单，题才清。
延伸参考
落地到接口和数据流的部分，BackendWiki 里写得细一些。
留一句：题库的价值不在题多，在每道题都知道自己是什么难度。