从题库里随机抽题，为什么卷子难度忽高忽低

用小黑课堂2026最新版做模拟卷的时候，可能会有这种感觉：

这一套做起来挺顺，下一套却明显吃力。

对完答案，分数差了不少。

但这两套卷子的题量一样，题型也一样。

为什么难度会有明显波动？

如果只是从题库里随机抽题，这种情况就是必然的。

因为"随机"能保证题目不一样，却保证不了难度一致。

先看直觉解法哪里不对

最直接的做法是：从题库里随机抽 N 道题，拼成一套卷子。

在数据库里，这通常写成一句查询——大意是"按随机顺序取前 N 条"。

这个做法在小题库上没问题。

但题量一大，问题就来了。

第一，性能。 这种写法通常要对整个表排序再取前 N 条。

题库有十万道题，那就是每次抽卷都排十万行。

响应时间会很难看。

第二，也是最关键的：难度不可控。

随机抽出来的题目，难度是"碰运气"的。

如果题库里难题占比是 20%，那某次抽题恰好抽中 5 道难题，完全正常。

下次可能只抽中 1 道。

两套卷子的难度就差出来了。

而且这个偏差会随着抽题次数波动，不会自动收敛。

前提是"难度"得能算

要让难度可控，首先得把"难度"变成数字。

这个数字不是拍脑袋定的，是从历史作答数据里算出来的。

行业里有两个常用指标。

• 难度系数（含义：考生答对这道题的比例；取值方向：值越小，题越难）
• 区分度（含义：这道题能不能把高分和低分考生区分开；取值方向：值越高，区分能力越强）

难度系数比较好理解。

如果一道题有 70% 的人答对，那它的难度系数就是 0.7。

这个值越低，说明越少人做对，题就越难。

注意方向——系数小代表难，这一点容易记反。

区分度则更微妙。

它的计算思路是：把考生按总分分成高分组和低分组，比较这两组在这道题上的得分差异。

如果高分组几乎全对、低分组几乎全错——说明这道题区分能力强。

如果两组正确率差不多——不管题目本身是难是易，它都没有区分作用。

那种"所有人都不会做"的题，难度系数很低，但区分度也低。

因为它只是难，不产生区分效果。

这两个指标会变

有一件事需要注意：难度系数不是题目的固有属性。

同一道题，给不同水平的考生做，算出来的难度系数不一样。

所以这个值需要基于大量历史作答数据持续校准。

新题没有数据怎么办？

通常先由出题人给一个初始估计值，等考过几次之后，再用实际数据修正。

这也是为什么题库系统要记录每道题的历史使用情况——没有这些数据，难度就是估的，不是算的。

工程上的做法：分层抽题

有了难度标注，就可以控制整卷难度了——这也是小黑课堂2026最新版这类练考系统在组卷时首先要处理的一层。

主流做法分两步。

第一步：先算配额

假设要出一套 30 题的卷子。

教研上定的难度比例是"易 3 成、中 5 成、难 2 成"。

那么拆出来就是：

• 易：9 题
• 中：15 题
• 难：6 题

配额定好了，接下来按配额去抽。

第二步：分别在每个池子里抽

把题库按难度分成三个池子。

从"易"池里抽 9 道，从"中"池里抽 15 道，从"难"池里抽 6 道。

这样抽出来的卷子，难度构成是确定的。

不管抽多少次，都是 9 易 15 中 6 难。

整个卷子的难度自然就稳定了。

这一步把"全局难度控制"转化成了"局部按量抽取"。

约束从"整卷难度要接近某个值"变成了"每个池子抽固定数量"。

前者需要反复试算，后者一次就能做对。

用伪代码表示，大致是这样：

def build_paper(quota, pool, per_kp_min=2):
    picked, used_ids = [], set()
    for difficulty, count in quota.items():
        candidates = filter_by_difficulty(pool, difficulty)
        candidates = exclude_used(candidates, used_ids)
        start = random.randrange(len(candidates))
        for i in range(count):
            item = candidates[(start %2B i) % len(candidates)]
            picked.append(item)
            used_ids.add(item["id"])
    picked = ensure_coverage(picked, pool, per_kp_min)
    return picked

这里有几处细节值得说明。

used_ids 是用于同卷去重——同一套卷子里不能出现重复的题。

从随机起点开始取连续的几道，效率比每次随机选一道更高——因为它避免了重复选中同一道题后反复重试。

ensure_coverage 是在后面补一道校验——保证每个知识点至少出现若干次。

这一层单独拿出来做，是因为知识点分布和难度分布是两个独立的约束。

混在一起算，冲突会很难解。

冷门题怎么不被淹没

分层抽题解决了难度问题，但带来一个新问题。

如果每次都从池子里随机取，热门题可能被反复抽到，冷门题永远出不来。

这会造成两个后果：一是不利于题库的更新迭代，二是考生可能反复碰到同一批题。

解决办法是加权。

给每道题维护一个"使用次数"记录。

抽题的时候，使用次数少的题目，被选中的概率调高。

这样冷门题有更多机会露面，热门题不会垄断。

权重可以这样设计：使用次数越多，权重越低。

具体实现上，常见做法是先按权重洗牌，再按顺序取。

另外还有一条更实际的规则：同一考生近期做过的题，权重直接降到很低。

这样能避免他在连续几次练习中反复遇到同一道题。

题型和知识点也要控

难度只是一个维度。

一套合格的卷子还要满足其他条件：

• 题型配比：选择题、填空题、操作题各多少道
• 知识点覆盖：每个章节至少出现几次，不能全挤在一章
• 分值分布：各题型的总分要符合考纲
• 不重复：同卷内不重复，近期用过的也要避开

约束一多，就可能互相打架。

比如按难度配额抽完之后，发现某个知识点一道题都没抽到。

这时候就得做调整——要么换掉一道题，要么补一道进来。

这种调整叫约束冲突解决。

简单场景下用一个办法就够了：从已抽中的题里挑一道替换掉，换一道能补上知识点的题进来。

替换之后重新校验，不合格就再换。

这在约束不多的时候收敛很快。

但如果约束很复杂——既要满足难度分布、又要满足知识点覆盖、还要满足题型配比，同时不能重复——单纯的替换可能会陷入反复调整。

这种情况下会用更重的算法，比如回溯（试到不合就退回上一步换一个选择），或者遗传算法（把一份试卷当成一个解，通过反复变异和筛选逼近最优）。

这些算法计算量大，一般只在高考、资格考这类高利害场景使用，日常练习系统通常用不上。

为什么每套卷子结构一样、题目不同

最后说一个相关的设计。

大规模考试时，通常需要一次生成很多套卷子。

目的是防止相邻考生对答案。

但这里有个要求：这些卷子的难度结构必须一样。

否则对考生不公平。

做法叫同质题组。

思路是：把知识点、难度、区分度都相近的题目归成一组。

生成多套卷子时，从每一组里各抽一道。

这样出来的卷子，结构完全一致，但具体题目不同。

难度自然也就一致了。

考试系统里的"题序打乱""选项打乱"，原理类似——内容不变，顺序变化，同样能起到防抄袭的作用，而且实现成本更低。

回到体验

现在可以解释开头那个现象了。

如果一套练习系统的组卷逻辑只是"随机抽题"，那卷子难度会随抽题结果波动。

这个波动不是设计缺陷，是随机抽样的固有性质。

而要做成难度稳定的卷子，需要在背后先算难度系数、定配额、分层抽取、再做约束校验。

每一步都有对应的技术方案，只是用户看不到。

小黑课堂2026最新版这类练考系统，在组卷环节要处理的也是这套逻辑——既要让每次抽的题不一样，又要保证难度结构可预期。

这两件事本身就是矛盾的，需要用算法去平衡。

理解了这一点，也就明白为什么有些系统明明题目很多，卷子质量却不稳定——题量只是原料，抽题策略才决定成品。

安装包地址：

https://www.ijinshan.com/software/xiaoheiketang.html?channel=4019