把批改從“當(dāng)天晚上”變成“課后十分鐘”這個價值足夠動人。大多數(shù)老師都有過這樣的經(jīng)歷白天上完三四節(jié)課晚上還要抱著上百份作業(yè)回家批改。選擇題還好真正耗時間的是填空題、計算題和簡答題。以數(shù)學(xué)作業(yè)為例一份卷子批完并寫下評語平均需要8到15分鐘。一個班五十個人意味著至少七八個小時。這個時間不是被“高效”吃掉的而是被大量重復(fù)性勞動吃掉的。所以當(dāng)“AI作業(yè)批改系統(tǒng)”這個題目出現(xiàn)時很多人第一反應(yīng)是“它能不能替我判斷對錯”。我研究了一圈相關(guān)開源項目和產(chǎn)品方案最終的判斷是這確實是一個值得動手實踐的方向但真正的價值不在“批改”本身而在于把批改、統(tǒng)計、反饋、備課串成一個閉環(huán)。本文我會圍繞這個系統(tǒng)的搭建思路、工作流拆解、關(guān)鍵實現(xiàn)、踩坑經(jīng)驗和適用邊界做一次系統(tǒng)的梳理。1. 先搞清楚這個系統(tǒng)真正解決的不是批改而是教學(xué)數(shù)據(jù)閉環(huán)在過去批改作業(yè)本質(zhì)上是一次“一次性判斷”這道題對了那道題錯了然后成績登記在本子上。批改完整個流程就結(jié)束了。老師第二天上課憑記憶和整體印象講評很少能準(zhǔn)確說出“這道題全班有33個人錯其中26個人錯在同一個步驟”。AI作業(yè)批改系統(tǒng)的核心變化不是用算法替代老師的眼睛而是把批改從一個終端動作變成數(shù)據(jù)采集入口。每一份作業(yè)、每一道題、每一個錯誤類型都可以被結(jié)構(gòu)化記錄。然后系統(tǒng)把多次作業(yè)的數(shù)據(jù)匯總成趨勢老師能看見的不再是一堆零散的對錯而是一條反映班級掌握程度的變化曲線。很多人搭建這類系統(tǒng)時把注意力放在“識別”和“判斷”上試圖讓模型自動給出絕對正確的評分。這其實是一種誤解。從工程經(jīng)驗看真正有價值的目標(biāo)應(yīng)該是三條把重復(fù)的批改工作量降下來讓老師把時間花在講評設(shè)計上。把作業(yè)數(shù)據(jù)沉淀成可檢索、可統(tǒng)計的結(jié)構(gòu)化數(shù)據(jù)?；跀?shù)據(jù)反饋讓備課和講評從“經(jīng)驗驅(qū)動”變成“證據(jù)驅(qū)動”。從一個開源項目原型開始逐步搭起一套帶前端界面、后端服務(wù)、OCR識別和AI批改模塊的完整系統(tǒng)這個過程本身就是一個完整的AI工程實踐。1.1 為什么傳統(tǒng)批改流程很難支撐智慧教學(xué)傳統(tǒng)流程的問題不是“批改慢”這么簡單而是數(shù)據(jù)斷層。成績登記在紙面上老師很難快速統(tǒng)計出某道題的正確率。即使手動統(tǒng)計也只能得到班級層面的粗粒度數(shù)據(jù)難以定位到具體知識點、具體錯誤類型、具體學(xué)生的薄弱環(huán)節(jié)。這樣一來講評課堂只能是“老師憑感覺選幾道錯得多的題講”缺少針對性。更關(guān)鍵的是傳統(tǒng)流程丟失了過程信息。紙面上的批改痕跡是可以看到答題步驟的但成績一旦登記到表格里過程信息就沒了。AI作業(yè)批改系統(tǒng)保留的恰恰是過程步驟是否完整、哪一步開始出錯、公式是否寫對、單位是否遺漏。這個區(qū)別才是“高效智慧教學(xué)閉環(huán)”這個項目標(biāo)題的真正含義。1.2 單點工具和閉環(huán)系統(tǒng)不是一回事有些已有的工具比如答題卡掃描系統(tǒng)也能批量判斷選擇題對錯。但這類工具通常只覆蓋標(biāo)準(zhǔn)化題型而且需要專用硬件。AI作業(yè)批改系統(tǒng)的通用性強調(diào)在另一個維度它面向的是普通作業(yè)本、打印卷、手寫答案通過拍照或掃描進入系統(tǒng)AI模型負(fù)責(zé)識別版面和手寫內(nèi)容再調(diào)用語言模型判斷對錯或給出評語。也就是說這個系統(tǒng)的技術(shù)鏈路比傳統(tǒng)答題卡更復(fù)雜但適用場景更貼近真實教學(xué)環(huán)境學(xué)生用手寫完成作業(yè)不需要專用答題卡。老師用手機拍照或掃描儀批量采集。系統(tǒng)完成版面切割、題目識別、答案匹配、批改判斷。老師審核結(jié)果支持人工修正。數(shù)據(jù)自動匯總按班級、知識點、題型、個人多維度展示。從單點工具到閉環(huán)系統(tǒng)的轉(zhuǎn)變核心在于“每一次批改的結(jié)果都必須回到數(shù)據(jù)模型里”。2. 系統(tǒng)到底怎么搭從拍照到出報告的完整鏈路一個可落地的AI作業(yè)批改系統(tǒng)至少包含采集層、識別層、批改層、展示層四個部分。很多人在第一步就糾結(jié)“模型選哪個”但實際上真正決定成敗的不是某個模型而是整條鏈路的銜接方式。2.1 采集層圖片質(zhì)量決定整條鏈路的上限作業(yè)圖片的采集看似簡單實際上是最容易出問題的一環(huán)。手機拍照會引入透視畸變、光照不均、陰影遮擋、背景干擾。掃描儀會引入紙張底色、裝訂孔、折痕。這些問題直接拉低后續(xù)OCR識別的準(zhǔn)確率。在這個階段最穩(wěn)妥的方案是做預(yù)處理而不是把希望寄托在模型抗干擾上。常見操作包括將圖片統(tǒng)一轉(zhuǎn)為灰度圖。做自適應(yīng)閾值分割增強墨跡和紙張的對比度。識別作業(yè)紙邊緣做透視校正把傾斜的圖片拉正。按需切分題目區(qū)域一行一行或一塊一塊地提取文本行。我一般建議先做一個預(yù)處理管線再進入OCR。很多OCR接口本身也支持直接傳圖但工程實踐表明前置預(yù)處理可以明顯減少亂識別和漏識別。2.2 識別層手寫體識別遠比印刷體識別難作業(yè)批改場景的核心痛點在于手寫體識別。印刷體文字識別技術(shù)已經(jīng)很成熟但學(xué)生作業(yè)是手寫的不同學(xué)生的字跡差異極大。有的潦草有的連筆有的涂改嚴(yán)重有的是鉛筆字跡對比度很低。即使是同一個學(xué)生數(shù)學(xué)作業(yè)里的數(shù)字、字母、符號也容易混在一起比如“0”和“6”“1”和“7”“x”和“×”。在手寫識別這一環(huán)常見的工程路線有三種第一種通用OCR模型直接識別手寫文本。優(yōu)點是接入成本低不需要專門訓(xùn)練缺點是準(zhǔn)確率波動大容易把公式識別得亂七八糟。第二種調(diào)用云端API利用在線大模型的手寫識別能力。優(yōu)點是識別效果通常優(yōu)于本地輕量模型缺點是有調(diào)用成本而且涉及學(xué)生作業(yè)數(shù)據(jù)出校需要謹(jǐn)慎考慮隱私合規(guī)。第三種訓(xùn)練自己的手寫識別模型。成本最高一般學(xué)?；蛐⌒蛨F隊不具備足夠的標(biāo)注數(shù)據(jù)和算力。從落地角度看我更建議采用“通用OCR 大模型糾錯”的組合。先讓OCR引擎把手寫內(nèi)容轉(zhuǎn)成文本再用語言模型根據(jù)題目上下文修正明顯的識別錯誤。比如題目是“求三角形面積”O(jiān)CR識別出“底高”語言模型能結(jié)合上下文推測缺失的數(shù)字可能是多少或者標(biāo)記為存疑讓老師確認(rèn)。2.3 批改層模型給的是參考判斷不是最終裁決批改層是全系統(tǒng)的核心。這里通常調(diào)用語言模型完成兩類動作第一類是客觀判斷題目的正誤。對于填空題、選擇題、計算題給出“正確/錯誤/存疑”的結(jié)論。第二類是生成主觀評語針對簡答、應(yīng)用題、作文類任務(wù)模型給出點評和建議。在設(shè)計這一層時最重要的工程決策是“讓模型只負(fù)責(zé)判斷不負(fù)責(zé)最終結(jié)論”。也就是說模型輸出結(jié)果后系統(tǒng)應(yīng)該提供一個人工審核界面。老師可以在界面上修正誤判修正后的結(jié)果回寫數(shù)據(jù)庫。這個設(shè)計表面上多了一步操作實際上是整個系統(tǒng)能否被老師信任的關(guān)鍵。如果老師發(fā)現(xiàn)系統(tǒng)判錯了卻不能快速修正使用意愿會迅速崩塌。反過來只要老師能方便地修改一條結(jié)果系統(tǒng)就成了一個“有人工兜底的半個自動化”助手這個定位是成立的。2.4 展示層數(shù)據(jù)報表才是“智慧教學(xué)”的真正入口批改結(jié)果如果只是回到“對和錯”的列表價值就少了一半。展示層要做的是把每一次批改產(chǎn)生的結(jié)構(gòu)化數(shù)據(jù)聚合成決策可用的信息。一個相對完整的展示層應(yīng)該包括班級概覽今日提交份數(shù)、批改完成率、平均正確率。知識點掌握度按照題目涉及的知識點聚合正確率找出薄弱知識點。錯題排行全班錯誤次數(shù)最高的題目TOP10。個人學(xué)情追蹤單個學(xué)生的歷次作業(yè)正確率曲線、常錯知識點。講評建議根據(jù)錯題分布提示老師本卷講評時優(yōu)先覆蓋哪些題目。這一層數(shù)據(jù)如果做好了老師備課的針對性會明顯增強。以前說“這道題錯得人多”現(xiàn)在可以說“這道題涉及一元二次方程判別式全班正確率只有41%有18個人錯在求根步驟”。到這里AI作業(yè)批改系統(tǒng)才算真正構(gòu)成了“采集—批改—統(tǒng)計—反饋—備課”的閉環(huán)。3. 一個可復(fù)用的最小實踐路徑先跑通單科單題再逐步擴展如果你想親自搭建或復(fù)現(xiàn)這樣一套系統(tǒng)不建議一開始就追求完整的微服務(wù)架構(gòu)。更務(wù)實的路徑是先跑通一個最小可用的單科作業(yè)批改流程確認(rèn)每一環(huán)的輸入輸出都符合預(yù)期再逐步加批量任務(wù)、報表和用戶系統(tǒng)。3.1 第一步準(zhǔn)備一個可復(fù)現(xiàn)的最小樣本集不要急著拿整本作業(yè)來測。先準(zhǔn)備10到20道已經(jīng)批改過的歷史作業(yè)樣本最好覆蓋不同題型選擇題、填空題、計算題、應(yīng)用題各占一部分。這些樣本的價值有兩個一是用來測試OCR識別效果二是用來驗證prompt設(shè)計能否穩(wěn)定輸出你想要的JSON結(jié)果。3.2 第二步設(shè)計結(jié)構(gòu)化輸出協(xié)議批改層如果直接讓模型輸出“對/錯”這樣的自由文本下游很難繼續(xù)處理。這里要定義一個穩(wěn)定的輸出結(jié)構(gòu)。常見的批改結(jié)果結(jié)構(gòu)可以這樣設(shè)計{ student_id: S202501, homework_id: HW20250114, questions: [ { question_no: 1, type: choice, student_answer: B, is_correct: true, score: 5, comment: }, { question_no: 2, type: fill_in_the_blank, student_answer: x3, is_correct: false, score: 0, comment: 計算最后一步符號錯誤正確應(yīng)為 x-3 } ] }這個JSON結(jié)構(gòu)就是系統(tǒng)內(nèi)部的數(shù)據(jù)協(xié)議。識別層負(fù)責(zé)把圖片轉(zhuǎn)成文字批改層負(fù)責(zé)把文字變成結(jié)構(gòu)化結(jié)果展示層負(fù)責(zé)把結(jié)構(gòu)化結(jié)果變成報表。3.3 第三步Prompt設(shè)計決定批改質(zhì)量批改類任務(wù)的prompt設(shè)計要比普通的問答任務(wù)更強調(diào)輸出約束。一個不穩(wěn)定的prompt會導(dǎo)致同樣的作業(yè)樣本兩次跑出來的結(jié)果格式都不一樣下游解析直接崩潰。在設(shè)計批改prompt時我認(rèn)為有五個要素必須寫清楚角色定位告訴模型它是一位有經(jīng)驗的學(xué)科老師。批改標(biāo)準(zhǔn)明確是按“結(jié)果正確”還是“過程完整”評分。題型說明不同題型的批改方式不同。輸出格式強制要求JSON并給出字段說明。邊界聲明不確定時輸出“uncertain”不要硬猜。一個示范性的系統(tǒng)prompt示意結(jié)構(gòu)可能是這樣你是一名中學(xué)數(shù)學(xué)老師請根據(jù)題目和標(biāo)準(zhǔn)答案批改學(xué)生答案。 題目{{question}} 標(biāo)準(zhǔn)答案{{reference_answer}} 學(xué)生答案{{student_answer}} 要求 1. 判斷學(xué)生答案是否正確。 2. 如果錯誤指出具體錯誤步驟。 3. 如果無法判斷將is_correct設(shè)為nullconfidence設(shè)為0。 請嚴(yán)格按JSON格式輸出 { is_correct: true/false/null, score: 0-5, error_step: 錯誤出現(xiàn)在哪一步, comment: 給學(xué)生的評語, confidence: 0.0-1.0 }注意不要直接讓模型“自由發(fā)揮”寫評語。先讓模型做判斷題和定位題再決定要不要生成評語這樣更容易控制輸出質(zhì)量。3.4 第四步建一個人工審核修正界面一個最簡單的審核界面可以是一張表格學(xué)生姓名、題目編號、模型判定、模型評分、置信度、異常標(biāo)記。老師按置信度倒序排序優(yōu)先檢查那些模型不確定的結(jié)果。這里有一個容易被忽略的細(xì)節(jié)模型判定“uncertain”的題目不應(yīng)該直接算錯。更合理的策略是標(biāo)記為“待人工復(fù)核”同時不進入統(tǒng)計數(shù)據(jù)。否則系統(tǒng)會系統(tǒng)性地低估學(xué)生成績。3.5 第五步用日志和數(shù)據(jù)持續(xù)優(yōu)化系統(tǒng)跑起來之后每一次人工修正都是改進模型的免費數(shù)據(jù)?？梢栽O(shè)計一個簡單的反饋機制老師修正了一條結(jié)果前端記錄“原判定”和“修正值”存到feedback表里。當(dāng)某類題型的修正率偏高時說明識別層或批改層的處理方式有問題再去針對性地優(yōu)化對應(yīng)題型。這個最小實踐路徑整體的順序是收集樣本。設(shè)計數(shù)據(jù)協(xié)議。定義prompt。實現(xiàn)批改接口。搭建審核界面。跑通單科批改。逐步疊加報表和其他學(xué)科。4. 關(guān)鍵問題和易踩坑點模型選型、識別率、數(shù)據(jù)合規(guī)和成本任何一個真實的AI系統(tǒng)落地時遇到的問題都會比演示版本多得多。AI作業(yè)批改系統(tǒng)也不例外。4.1 識別率不高時先檢查輸入而不是急著換模型如果發(fā)現(xiàn)整頁作業(yè)識別結(jié)果亂七八糟先別急著怪模型。按這個順序排查圖片清晰度是否達標(biāo)有沒有嚴(yán)重陰影、透視和過曝。預(yù)處理是否正常比如灰度化、二值化后文字是否連續(xù)。題目區(qū)域切分是否準(zhǔn)確有沒有把一個區(qū)域的內(nèi)容拆到另一個區(qū)域。手寫內(nèi)容是否超出OCR模型的經(jīng)驗范圍例如特別潦草的字體。如果是公式類題目OCR識別出來后是否被后續(xù)處理破壞。排摸結(jié)果往往有80%的概率不是模型問題而是前兩環(huán)的工程問題。4.2 大模型用不用、怎么用要有個明確邊界使用語言模型批改作業(yè)需要區(qū)分兩種能力模型擅長的是判斷“結(jié)果是否與參考答案語義一致”。模型不擅長的是處理低質(zhì)量圖片和數(shù)學(xué)公式的精確識別。所以在架構(gòu)上最合理的方式是讓OCR引擎負(fù)責(zé)“把圖片變成文字”讓語言模型負(fù)責(zé)“判斷文字答案是否正確”。不要試圖讓一個大模型同時完成圖像識別和語義判斷除非使用的是原生支持多模態(tài)輸入的大模型。對于多模態(tài)大模型可以直接傳入圖片和題目由模型一口氣輸出批改結(jié)果。這類方案的優(yōu)點是鏈路短、接入簡單缺點是單次調(diào)用成本更高、響應(yīng)時間更長而且數(shù)據(jù)出校的風(fēng)險更大。4.3 數(shù)據(jù)隱私和合規(guī)不是擺設(shè)作業(yè)批改系統(tǒng)必然涉及學(xué)生姓名、學(xué)號、作業(yè)內(nèi)容、成績數(shù)據(jù)。這些都屬于敏感個人信息搭建系統(tǒng)時必須把合規(guī)問題放在前面。即使只是做一個校內(nèi)小范圍使用的系統(tǒng)也建議做到本地化部署優(yōu)先避免不必要的云端數(shù)據(jù)交換。所有訪問操作做賬號權(quán)限管理不同角色看到不同數(shù)據(jù)范圍。數(shù)據(jù)庫字段做脫敏展示例如列表默認(rèn)隱藏完整姓名中間字。對接大模型API時盡量在協(xié)議層面確認(rèn)數(shù)據(jù)不被留存用于訓(xùn)練。批改結(jié)果按學(xué)期歸檔按權(quán)限導(dǎo)出避免數(shù)據(jù)長期裸奔。4.4 成本控制批改一次不是免費的規(guī)劃不好容易失控調(diào)用大模型的成本結(jié)構(gòu)比較特殊按token計費每次作業(yè)包含的題目越多、圖片越復(fù)雜、prompt越長成本越高。從工程經(jīng)驗看有三種策略能顯著控制成本策略一不用每一次都全量走大模型。選擇題、判斷這類客觀題可以先用規(guī)則判斷。學(xué)生答案和標(biāo)準(zhǔn)答案都是文本直接做字符串匹配或簡單相似度計算即可。只有填空題、計算題、主觀題才需要走模型判斷。策略二壓縮prompt和識別結(jié)果。OCR識別出的雜訊、多余文本、頁眉頁腳應(yīng)該在進入模型之前清除。識別結(jié)果越長每次調(diào)用的token消耗越大。同時標(biāo)準(zhǔn)答案盡量使用最精煉的表述不把整道題的解析都塞進prompt。策略三對“確定正確”和“確定錯誤”的結(jié)果做緩存。同一道題如果標(biāo)準(zhǔn)答案和某個批改判斷在歷史上出現(xiàn)過可以記錄哈希值下次直接復(fù)用結(jié)果避免重復(fù)調(diào)用模型。4.5 老師工作流適配系統(tǒng)再強不能增加老師負(fù)擔(dān)在真實使用中最大的風(fēng)險不是技術(shù)不夠好而是流程太繁瑣。如果老師用完系統(tǒng)還要手動上傳圖片、手動選擇學(xué)生、手動確認(rèn)每一個模型判斷那這套系統(tǒng)的價值就被流程成本消解了。更合理的流程設(shè)計是老師掃一個二維碼進入“本次作業(yè)”的拍照上傳頁。選擇班級和作業(yè)標(biāo)題連續(xù)拍攝學(xué)生作業(yè)。系統(tǒng)自動按圖片順序生成待批改任務(wù)。老師進入審核頁只處理存在異常的結(jié)果。這個流程把系統(tǒng)從“給老師增加額外工作”變成“幫老師壓縮原工作”。5. 新手到進階三個階段分清主次不要過早追求工程化AI作業(yè)批改系統(tǒng)的開發(fā)路徑和大多數(shù)AI應(yīng)用項目一樣會經(jīng)歷三個階段。很多人一上來就設(shè)計復(fù)雜的數(shù)據(jù)庫表結(jié)構(gòu)、引入消息隊列、做容器化部署結(jié)果模型還沒跑通流程先崩了。5.1 階段一驗證期跑通核心鏈路目標(biāo)只有一個讓一條作業(yè)數(shù)據(jù)走完“圖片→識別→批改→輸出JSON”的完整鏈路。這個階段不需要追求識別率有多高也不需要做用戶系統(tǒng)。一句話能用就行。關(guān)鍵檢查點包括模型能不能穩(wěn)定輸出JSON。JSON能不能順利入庫。圖片異常時系統(tǒng)會不會報錯崩潰。5.2 階段二小規(guī)模試用期收集反饋找兩三個班級進入小范圍試用。這個階段的重點已經(jīng)不是技術(shù)而是工作流老師上傳作業(yè)的方式是否順手。審核界面的操作效率是否足夠快。數(shù)據(jù)報表是否真的能輔助備課。模型的錯誤是否可控修正是否方便。每聽一條反饋都要回到系統(tǒng)里改掉一個具體問題。此時不用急著加新功能先把體驗做順。5.3 階段三工程化補齊穩(wěn)定性與可維護性進入正式規(guī)模化使用前需要補齊工程化能力任務(wù)隊列批量上傳時不會卡死。失敗重試調(diào)用模型超時后能自動重試。日志鏈路每次批改請求能全流程追蹤。權(quán)限分級校長、教研組長、班主任、科任老師看到不同粒度數(shù)據(jù)。數(shù)據(jù)導(dǎo)出支持按班級、知識點、時間段導(dǎo)出統(tǒng)計報表。工程化不是技術(shù)炫技而是讓系統(tǒng)在沒有人盯著的時候也能正常運行。6. 可能進入的誤區(qū)AI批改不是萬能邊界要提前講清楚寫到這里還有一個更重要的認(rèn)知需要說清楚。即使技術(shù)全部跑通AI作業(yè)批改系統(tǒng)也不是一個可以獨立完成教學(xué)閉環(huán)的萬能裝置。6.1 它不擅長的事恰好也是很多需求方最期待的事比如作文批改。市面上不少項目宣傳“AI批改作文”但實際效果比較復(fù)雜。語言模型可以對作文的錯別字、語句通順度、結(jié)構(gòu)完整性給出粗粒度反饋但無法像人類老師那樣理解學(xué)生的表達意圖、情感傾向和個人風(fēng)格。如果系統(tǒng)把一篇作文批改得“分?jǐn)?shù)很精確”那反而值得警惕。還有實驗報告、美術(shù)作品、體育動作等非文本類作業(yè)目前AI批改系統(tǒng)的覆蓋能力都很有限。工具類文章適合說明白邊界而不是夸大適用范圍。6.2 判斷標(biāo)準(zhǔn)應(yīng)該是“是否減少無效勞動”AI作業(yè)批改系統(tǒng)的價值衡量標(biāo)準(zhǔn)不應(yīng)該是“批改的絕對準(zhǔn)確率”而應(yīng)該是“單位時間內(nèi)老師能完成多少有效教學(xué)決策”。如果系統(tǒng)能把老師從100份作業(yè)中解脫出80份的機械批改時間讓老師把精力集中在20份需要深度反饋的作業(yè)上那這個系統(tǒng)就是有價值的。如果系統(tǒng)只是把批改結(jié)果從紙面挪到屏幕沒有讓老師產(chǎn)生更好的決策那不管模型多準(zhǔn)確都是一次技術(shù)上的空轉(zhuǎn)。6.3 對中小型團隊的建議如果你是為學(xué)?；蚺嘤?xùn)機構(gòu)搭建這類系統(tǒng)我的建議是先從單一學(xué)科、單一題型的MVP做起比如“初中數(shù)學(xué)填空題批改”。先驗證模型在真實手寫樣本上的識別率再談擴展。先做好人工審核界面再談全自動化。先跑一學(xué)期并留存反饋數(shù)據(jù)再決定是不是要加大投入。教育領(lǐng)域的特點是技術(shù)可以輔助但不能替代教師的判斷力。AI作業(yè)批改系統(tǒng)的真正定位是“把老師從重復(fù)勞動里解放出來讓老師能把省下來的時間用在更有價值的地方”。這比“高效智慧教學(xué)閉環(huán)”這個口號更有實感。6.4 下一步先做什么如果你決定自己動手做這個方向我建議你把任務(wù)拆成一個可以在一周內(nèi)完成的版本第1天收集20張有代表性的作業(yè)樣本。第2天實現(xiàn)圖片預(yù)處理和OCR接入。第3天設(shè)計批改prompt和輸出協(xié)議。第4天調(diào)用大模型完成第一批批改測試。第5天做簡單的人工審核界面。第6天修正問題跑通第二次完整流程。第7天記錄結(jié)果整理下一步優(yōu)化清單。先完成這個最小的“AI作業(yè)批改系統(tǒng)單科流程”比規(guī)劃和討論“如何打造閉環(huán)”更有價值。跑通以后你會對識別層、批改層、數(shù)據(jù)層、人工審核層之間的關(guān)系產(chǎn)生真正的體感。到那時再決定要不要往多學(xué)科、多題型、完整閉環(huán)的方向擴展判斷會準(zhǔn)確得多。