方案 A：已跑通，但不能复用
已跑通的流程：PDF 原材料处理 → 研发 Prompt 出题 → 复审独立闭环 → 版本管理（Excel）→ 答案溯源到教材原文。关注点是持续交付的可靠性——有复审闭环、有版本追踪、有答案溯源。
不能跨学科复用。 因为学科有特殊性——电路、管理学、学前教育学、C语言……每门课的知识结构、教材组织方式、题型偏好、考纲格式都不一样。跑通一门课的工作流无法直接搬到另一门课，每换一门课基本要重新调一遍 Prompt 和资料处理流程。
痛点：通用规则和本章资料混在一起喂给 AI，存在「规则漂移」风险——出第3章题时，AI 可能误读第5章的知识点。出题精度依赖单个 Prompt 的质量设计，易错点/干扰项只在复审环节才发现。
方案 B：复用 prompt + 学科卡片
核心思路：工作流模板不变，换学科只需替换卡片。
三层结构：
- BASE-CARD（课程族公共卡）——只从考纲/目录/符号表/真题提取通用规则，严格禁止分析正文。产出6类信息：核心术语、解题规范、题型总览、卷面规范、高风险错误、考纲边界。只做一次，所有章节复用。
- CHAPTER-PATCH（章节规则补丁）——逐章独立生成，每章只分析自己的正文，产出5类信息：知识清单、专属术语、专属题型、高危易错点、验证用例。互不干扰。
- 拼装出题——出题时把 BASE-CARD + CHAPTER-PATCH 一起贴进 Prompt，不合成大文件。
卡片插入方式可选：
- 一次跑完插入——整门课所有章节的 BASE-CARD + CHAPTER-PATCH 一次生成完，全部准备好再开始出题
- 分章节插入——用到哪章生成哪章的 PATCH，按需逐步推进
核心优势： 出题 Prompt 本身是固定的，换学科只需要替换输入材料（新考纲+新目录+新真题）重新跑一遍卡片生成流程。规则隔离彻底、token压力小、干扰项设计内置、新学科上手快。
缺点：没考虑原材料处理、版本管理、复审闭环、实战验证。
融合分析
关键认知：
- 方案 B 的「一次出题精度」更高（规则隔离+结构化约束+易错点前置），且天然可跨学科复用
- 方案 A 的「持续交付精度」更高（复审+版本管理+溯源+验证），但不可跨学科复用
- 两者不是替代关系，是互补关系
融合方案 v2：五阶段流水线
第一阶段：原材料处理（保持方案 A 不变）
PDF → 按章 Markdown，人工抽检公式和表格。产出按章 MD + 目录 MD + 前言 MD + 符号表 MD。
第二阶段：BASE-CARD 生成（新增，只做一次）
喂给 AI：目录 + 前言 + 符号表 + 考纲 + 真题。产出通用规则卡，标注来源。绝对不分析正文。
第三阶段：CHAPTER-PATCH 逐章生成（新增，按需做）
喂给 AI：BASE-CARD + 目标章节正文。产出本章补丁（知识清单、专属术语、专属题型、高危易错点、验证用例）。每章独立保存。
第四阶段：出题（修改方案 A）
出题 Prompt 改为只引用两张卡：先列本章知识清单 → 逐知识出题 → 每道标考点/节号 → 答案单独输出并溯源。
第五阶段：复审 + 版本管理（保持方案 A 不变）
迭代目标改为：复审发现某类错误反复出现 → 更新对应 PATCH 的易错点段，不改出题 Prompt 本身。
核心收益
- 规则隔离：通用规则只从考纲/目录提取，不被正文污染
- 低 token 消耗：每次只传 BASE-CARD + PATCH
- 易错点前置：出题前已把易错点和干扰项思路写进卡片
- 可迭代粒度细：改通用规则找 BASE-CARD，改章节细节找 PATCH
- 跨学科复用：换学科只需新 BASE-CARD + 新 CHAPTER-PATCHes，工作流不变
最终判定
方案 B 的精度优势在「出题前的知识结构工程」（规则隔离 + 细粒度输出约束 + 易错点前置设计），且 prompt 固定、跨学科只需换卡片。方案 A 的精度优势在「出题后的质量闭环」（复审 + 溯源 + 版本管理 + 实战验证），但每门课要单独调。
最佳方案是融合——用方案 A 的流水线框架（原材料处理+复审闭环+版本管理），吸收方案 B 的卡片分层设计和结构化输出约束（BASE-CARD + CHAPTER-PATCH），同时获得一次出题精度和持续交付精度，并打破学科壁垒。