标签：人工智能, 智能体, Coze, 作业批改, AI教育应用, 扣子开发

一、 项目背景与痛点分析

在传统的教育场景中，教师往往需要耗费大量精力批改堆积如山的作业。这种手工批改模式不仅耗时费力，极易因长时间伏案工作产生疲劳导致批改标准波动；并且滞后的反馈周期使得学生难以及时纠正错误，零散的错题记录也让学情分析变得模糊不清。

传统的机械化电子阅卷受限于僵化的模板，遇到字迹潦草或非标准步骤时便容易“束手无策”。通过本次案例重现，我们将依托大模型与智能体架构，在扣子（Coze）平台上搭建一个名为“小睿智评”的作业批改智能体。它彻底打破了传统技术瓶颈，将每一次批改结果转化为直观的学情画像，实现集“智能批改、深度诊断、数据沉淀”于一体的闭环。

二、 核心模块与工作流设计

“小睿智评”的核心业务流程可以概括为**“一源输入、核心批改、双线并行”**，包含五大核心模块：

1. **作业批改与判定**：作为基础功能，自动识别手写题目、精准判定得分。
2. **学情诊断与分析**：基于批改结果形成量化学情画像。
3. **标准化报告生成**：利用文档插件导出为结构化的PDF反馈报告。
4. **错题识别与数据沉淀**：提取错题并批量归档至数据库。
5. **流程闭环与输出**：统筹双轨并行的工作流交付最终成果。

三、 详细实现步骤

3.1 数据库搭建 (错题持久化)
为了沉淀错题资产，首先需要在扣子资源库中创建名为 `error_question_list` 的数据库，包含以下核心字段：
*   `question_content` (String, 必填)：题目描述
*   `student_answer` (String, 必填)：学生作答
*   `standard_answer` (String, 必填)：正确答案
*   `error_analysis` (String, 必填)：错误分析
*   `knowledge_point` (String, 必填)：对应知识点

3.2 核心工作流 (Workflow) 配置
建立名为 `correct_papers` 的工作流，核心节点逻辑如下：

*   **输入节点**：定义 `paper_img` 变量，数据类型为 `File > Image`。
*   **视觉大模型节点 (核心批改)**：
    *   专用于视觉理解输入（接收 `paper_img`）。
    *   **Prompt核心约束**：规定错题用红色 (`<span style="color:red">`) 标记，存疑用橙色 (`<span style="color:orange">`)，正确不加色。严格提取客观内容，字迹模糊时只标存疑，绝不主观臆断。
*   **双线分支1：学情报告生成**
    *   下游接入 **豆包·通用·Lite** 轻量模型，根据批改数据统计知识点并输出固定格式的 Markdown。
    *   接入官方 **Doc Maker** 插件 (工具: `create_document`)，设置 `to_format` 为 `pdf`，自动渲染并生成可视化PDF报告。
*   **双线分支2：错题提取与入库**
    *   同样采用 Lite 模型，利用严格的 Prompt 将批改结果中的错题结构化提取为标准 JSON 格式。
    *   输出变量设定为 `Array<Object>`。
    *   配合“循环”节点，并在循环体内调用“添加数据”节点，将解析出的错题逐条持久化存储至 `error_question_list` 数据库。

四、 进阶提升：从纯对话到可视化应用开发 (UI)

原始工作流存在局限：纯对话交互格式表现力较弱，且每次批改强制生成报告与入库，用户缺乏灵活控制权。为此，我们需要利用扣子的“应用开发”模式，搭建可视化UI组件页面。

4.1 工作流解耦拆分
将原本单体的 `correct_papers` 工作流复制拆分为三个独立的功能工作流：
1.  `correct`：仅保留视觉批改功能，直接输出批改结果数据。
2.  `generate_report`：入参改为 String 类型的批改结果，仅负责生成PDF报告。
3.  `error2db`：入参同样为 String 类型的批改结果，仅负责错题JSON提取与入库。

4.2 搭建UI界面 (小程序/H5模式)
进入扣子应用编辑器，执行以下搭建步骤：
1.  **组件布局**：拖入“容器”组件（高度自适应），在其内部依次放置“图片上传”、“Markdown 展示”组件和多个控制“按钮”。
2.  **批改事件绑定**：选中“开始批改”按钮，配置 `点击时` 事件 -> `调用工作流`，选择 `correct`。将图片上传组件的 `value` 绑定为入参，工作流输出的 `data` 绑定至 Markdown 组件。
3.  **体验优化 (防重复提交)**：
    *   新增文本组件（“正在批改中，请等待~”）。配置**可见性**：当工作流状态为“加载中”时显示。
    *   配置按钮**禁用逻辑**：当工作流“加载中”时，禁用“开始批改”按钮，防止重复提交导致卡死。
4.  **关联收藏错题**：新增“收藏错题”按钮。配置禁用状态：当批改未调用或加载中时禁用；事件配置为点击时调用 `error2db` 工作流完成入库。

五、 案例总结

经过前端预览测试与后台数据核验，“小睿智评”展现了优秀的图像解析与意图理解能力。通过工作流的精细解耦与前端 UI 组件的积木式搭建，我们将原本枯燥繁重的作业批改流程，成功转化为一个高效、清晰、灵活的 AI 自动化产品应用。

对于教育领域的 AI 开发者而言，这套“大模型视觉理解 + 插件处理 + 数据库沉淀 + UI解耦重构”的架构，具有极强的借鉴意义与复用价值！