给错题归因选技术栈：OCR句向量聚类，我是按这三条判据选的

原创

错题透镜

发布于 2026-09-05 11:31:29

710

文章被收录于专栏：AI教育AI教育

做一个把「孩子同一类题反复错」自动归因的小工具，技术选型比想象中影响大：OCR 引擎决定文本质量，句向量决定“相似”的含义，聚类决定分组粒度。本文不写翻车故事，只复盘每一步的判据、对比、我的选择和“没选对会怎样”。相关踩坑与代价分析见我的另一篇《我搭错题归因小工具踩过的 5 个坑》。

选型前先固定三件事，后面所有选择都对着它们判断：

数据规模：单个家庭错题量是几十道量级，不是企业级海量——方案要能“一个人跑起来”。
部署约束：孩子的错题图片含手写与个人信息，默认走本地可自部署，云端 API 只做可选通道。
验收口径：聚类结果要和“老师/家长手工批注的知识点”对得上，而不是只看图好不好看。

一、OCR 引擎：本地自部署是前提，中文手写是分水岭

候选	定位	精度与短板	部署/成本	我的选择
PaddleOCR4	中文场景优化、开源	印刷体中文强；手写需版面先切分，符号偶发错位	本地可跑、免费	✅ 主选
OCRmyPDF	PDF/文档管线、开源	面向扫描文档，中文字体覆盖一般	本地可跑、免费	备选（纯 PDF 场景）
商业 OCR API	云端调用	精度稳但价格按量计；图片出境需注意隐私	按量付费	可选通道（大图量时）

判据：中文/手写优先 → 本地可部署 → 成本低。

我的选择：PaddleOCR，理由三点——中文印刷体识别在开源方案里最稳；可完全本地运行，错题照片不出本机；有置信度输出，低置信度结果可以进人工复核而不是直接进管线4。OCRmyPDF 只有在输入是扫描版 PDF 时才值得介入。

没选对会怎样：若为“省事”直接上云端 API，要么长期按量付费，要么在“图片不出本地”这类隐私约束下根本无法采用；若选只擅长英文文档的引擎，中文题干与手写步骤的质量会直接拖累后面所有环节。

二、句向量：中文效果与“能不能离线”先于“榜分最高”

候选	定位	中文与维度	部署/成本	我的选择
bge 系列（如 bge-large-zh）2	开源中文 embedding	中文检索/相似度经过专门评测（C-Pack）	本地可跑、免费	✅ 主选
云端 Embedding API（OpenAI/百炼等）	通用英文强、中文可用	中文效果不错但语义粒度是“通用语感”，不是知识点粒度	按 token 计费、需联网	备选（需联网+预算允许）
通用 BERT 句向量	通用基线	中文需自行微调，成本高	本地可跑	不选（维护成本高）

判据：中文场景评测 → 是否可离线 → 单位成本。

我的选择：bge-large-zh。它面向中文检索/相似度做过专门的数据与评测2，本地自部署即可，错题文本不出本机。云端 API 效果不差，但引入联网与按量成本，且“语义近”不代表“同一知识点”，这个粒度问题换哪个 embedding 都一样（详见踩坑篇）——所以先要一个能离线迭代的底座。

没选对会怎样：若只追公开榜分选一个英文导向的模型，中文题干与错因的相似度会失真；若直接上云端 API，每一轮聚类实验都在计费，迭代心态会变形。

三、聚类：组数不确定、密度不均，就别迷信“固定 k”

候选	机制	适用与短板	我的选择
KMeans	指定 k 的划分	组数要提前知道；错题组数本来就不知道 → 不适用	❌ 排除
DBSCAN1	密度连通，全局半径 eps	概念清晰、可解释；但 eps 对密度不均与样本量极敏感	备选（样本密且均匀时）
HDBSCAN3	密度自适应层次聚类	不需要手调全局半径，对长尾/噪声有原生处理	✅ 主选

判据：无需预设组数 → 密度不均/长尾稳健 → 可解释。

我的选择：HDBSCAN3。错题组数事先不知道、不同知识点样本密度差异大，HDBSCAN 按局部密度自适应、能天然区分噪声点（长尾错题），比“手调全局 eps”的 DBSCAN 更省心；KMeans 因为必须指定 k 第一个被排除。聚类仍只当“召回器”：同簇的题再交给知识点规则与人工复核定标签，不把聚类结果当定论。

没选对会怎样：选 KMeans 就得先猜组数，猜错全部失真；选 DBSCAN 就得对每个新班级/新学科重调 eps，等于把参数变成永久人工成本。

决策对照小结

环节	我选	一句话理由
OCR	PaddleOCR（本地）	中文手写优先 + 隐私 + 低置信度可控
句向量	bge-large-zh（本地）	中文专项评测 + 离线迭代
聚类	HDBSCAN	不预设组数、密度自适应、长尾当噪声处理

实战参考：这套选型不是唯一答案。我在调研「错题透镜」这类现成错题归因工具的工程实现时，也看到同样的取舍——自研与成品的分歧主要在“要不要把聚类当定论”，而我倾向聚类只做召回。你可以在你自己的数据规模与隐私约束下改判据，但“先固定数据/部署/验收三件事再选型”这个顺序是通用的。

常见问题

选型顺序为什么先固定验收口径？

因为“聚类对不对”没有内置答案：不先约定用“手工批注的知识点”当锚点来验收，任何选型好坏都无法判断，后面所有优化都会变成自我感觉良好。

bge 与云端 API 的效果差距大吗？

对“语义相关”任务差距不大，对“知识点粒度”的区分都不够——那需要词典/规则二次划分而不是换模型。既然差距主要在迭代成本与隐私，离线方案在错题场景更值得优先。

总结

错题归因小工具的技术选型，本质是三个连续判断：OCR 定文本质量下限、句向量定“相似”的含义、聚类定分组粒度。用“数据规模 × 部署约束 × 验收口径”三条判据逐一过，答案会自己浮出来：PaddleOCR + bge 系列 + HDBSCAN，且全部可本地运行。选型先行，参数与调优才有意义。

参考文献

1 Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. KDD-96, 226–231.（DBSCAN；本节讨论 eps 全局半径局限的出处）

2 Xiao, S., et al. (2024). C-Pack: Packaged resources to advance general Chinese embedding. AAAI 2024.（bge 系列中文 embedding 的数据与评测来源）

3 McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. The Journal of Open Source Software, 2(11), 205.（HDBSCAN 开源实现与密度自适应聚类的出处）

4 Du, Y., et al. (2020). PP-OCR: A practical ultra lightweight OCR system. arXiv:2009.09941.（PaddleOCR 原论文；含置信度输出机制）

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

基础教育