写满手写的试卷也能＂秒懂＂:我用 WorkBuddy + xParse 搭了个错题整理工作台

最近对 AI+教育场景挺感兴趣，偶然发现直接用多模态大模型处理错题照片总是“看着像那么回事”，但数据没法沉淀、公式识别也不稳。于是自己折腾了一套基于 WorkBuddy 和 xParse 的错题整理工作台，没想到真把手写试卷变成了可统计、可重做的结构化资源。

这篇文章记录了从踩坑到跑通的全过程，包括用 WorkBuddy 搭「错题整理工作台」管数据，xParse 连接器做识别，手写/印刷分离、公式识别、版面还原这三件脏活全交给它。

谁没对着满纸红叉的试卷发过愁？手抄错题太累，拍照存相册又乱成一锅粥。错题整理工作台就是为了解决这种“错题焦虑”而生。「错题整理工作台」基于 WorkBuddy × xParse，Agent 负责的内容交给 WorkBuddy，识别的活交给 xParse。职责一句话说完——手写试卷进去，错题分析、薄弱知识点看板、可打印重做的干净卷子出来；错题数据留在工作台里持续积累，越用越清楚薄弱在哪。

一页手写卷子的照片拖进去，产出区依次出现三样东西：

几个让我意外的细节

也有翻车现场：第 6 题的手写“BE=3DE”被识别成“BE=9AE”，第 5 题的题号“5.”被认成了“25.”。一张卷子里混着印刷体、手写体、公式、图形，它凭什么能分清、又为什么会认错？下面拆开看。

TextIn xParse 与「数据层」定位

xParse 是合合信息旗下 TextIn 推出的 AI 数据层基础设施，职责是把复杂文档变成干净、一致、可被 AI 使用的结构化数据。

学习助手能不能“看懂”卷子，取决于这一层做得好不好。

技术栈

还是那条流水线，只是这次输入是「花」的

一张试卷里混着多少东西

印刷题目、手写答案、涂改痕迹、数学公式、几何图形、草稿，全挤在同一页纸上。普通 OCR 只能“识字”，分不清哪些是题目、哪些是学生写的，输出一锅粥。

xParse 的解法是分层：印刷层、手写层、公式、图形各自归位，再按版面关系拼回去。

左边是我使用 OCR 进行解析的效果，右边是 xParse 解析出来的效果：

手写清理与重做卷生成

剔除手写层，按原版面重建题目，导出 Word，打印即可重做。

后台接入 xParse：连接器优先，API 备选

接入有两条路。连接器模式走 WorkBuddy 原生支持（基于 MCP），配置即用、零代码；API 模式直接调 xParse 接口，参数级可控，适合批量流水线和深度定制。

我选的是连接器，理由很简单：个人错题整理是单卷、交互式的场景，连接器的开箱即用比 API 的灵活更值钱。后面真要做“每天自动处理一个班 40 份卷子”的批量场景，再切 API 不迟，这个取舍过程如实记录在这里。

配置本身两分钟：WorkBuddy 左侧「连接器」入口，找到 TextIn xParse，授权，终端里 xparse-cli version 能出版本号就成了。

配好之后，解析就是一个可调用的命令：

产出两份文件：1. 分层清晰的结构化文本；2. 带元素坐标和类型标注的完整数据，给 Agent 做错题分析用。

工作台形态：功能模块与架构设计

这次的工作台全内联、零外链，数据存在浏览器 localStorage 里，围绕「一道错题的生命周期」来设计：被发现、被归档、被复盘、被重做，对应四个模块。

页面顶部还有个「今天要处理」区：逾期未掌握的错题、待重做的卷子自动置顶，红点标红，一键处理，昨天没做完的自动滚到今天。

当前版本里，识别入口在 Agent 侧（解析命令 + 错题分析），工作台负责接收分析结果做归档和可视化，两者在「一键导入 JSON」这一步握手，“页面上一个上传按钮跑通全流程”。把数据层和可视化做扎实，加一个轻后端，把上传、解析、分析串成一键，就是完全体。

识别流程怎么接进工作台

关键设计：识别和清理的能力在 xParse，工作台管数据，Agent 在中间做分析。

三步走完闭环：

在工作台里点上次试卷/练习题，一键导入 Agent 解析结果，这份 JSON，错题本、薄弱看板、重做卷归档一次到位。

真实体会：AI 搭工作台好不好用

模块拆解、样式、数据持久化这些体力活，AI 一次就搞定，我几乎没改代码。需要手动介入的就两处：错题判定逻辑要先想清楚“对照标准答案还是让学生圈划”；识别精度对拍照质量敏感，这两点都放进踩坑章细说。

路线一：把试卷图直接丢给多模态大模型

把卷子截图直接发给能看图的大模型，也能聊两句，但做不了错题整理：题目和手写混在同一张图里，判定错题时它分不清“学生写的”和“题目印的”；每次都要重新上传重新问，错题无法积累；更拿不到清理手写后的重做卷。

只能分析题目，无法对学生手写的答案作错题分析：

路线二：xParse 解析后交给智能体

怎么选

偶尔问一道题，直接读图也行；要系统整理错题、要重做卷，必须走解析层。

xParse 解析效率

这次实测留下四个真实的坑，都比想象中具体：

实测准确率

xParse 对数学公式识别、几何图保留、印刷/手写分层这三项核心能力表现稳定；手写过程的精细识别（含涂改、相似字符）有少量误差，但已足够支撑「错题整理 + 重做卷」的实际应用。

不如意的地方

极潦草的手写偶尔要重拍；复杂公式不能完全撒手，导出后要扫一眼；错题判定依赖标准答案或人工圈划兜底。

适合谁

这次实践最真实的收获，是错题本从“手工抄题”进化成了“拍照、分析、重做”的闭环：拍一张卷子，AI 拆出错题、标出薄弱点、清出干净重做卷，全部归档进一个可积累、可统计的工作台。手写识别不是 100 分，但 85 分的手写识别加上 100 分的印刷和公式还原，已经足够把“抄错题”这个环节从流程里删掉了。

数据层基础设施，是所有学习类 AI 应用的地基。地基打得足够扎实，上面能盖的房子，远不止一个错题本。

我是 UserTechHub，热衷于分享 AI 实测与效率工具，把踩过的坑和跑通的流程原样记录给你。