解放老师，赋能学生！用扣子(Coze)做个AI助教，自动批改作业、生成学情报告

在教学一线，我们常常看到这样的场景：

• 老师们 面对堆积如山的作业，批改、统计、分析占用了大量时间，难以兼顾到每个学生的个性化需求。
• 学生们 做完作业后，得到的往往只是一个简单的对错判断，对于错题背后的知识盲点，却很难得到及时、有针对性的指导。

如何打破这种困境？我想，AI智能体或许是答案。

我动手用扣子(Coze)平台搭建了一个智能体，老师或学生只需拍下作业上传，它就能全自动完成批改、分析、生成报告等一系列工作！

✨ 效果如何？先睹为快！

想象一下，无论是生成详尽的学情诊断报告，还是针对错题进行举一反三的练习，这个AI助教都能轻松搞定。它不仅能减轻老师和家长的负担，更能让学生的学习反馈变得即时而富有深度。

这样的智能体，是不是感觉很棒？

核心功能优势

这个AI助教的核心优势在于它的“三板斧”：

1. 🧑‍🎓 对于学生： 不再是冰冷的“对”或“错”。它会引导学生分析错题原因，提供解题思路，激发独立思考，真正搞懂知识点。
2. 👩‍🏫 对于老师： 自动生成学生的专属“学习诊断报告”，清晰展示其知识点掌握情况，并提供个性化的提升建议和学习计划。
3. 📚 举一反三： 智能体能自动记录错题，并根据这些错题，生成同类型、不同场景的练习题，帮助学生巩固薄弱环节，实现真正的“吃透”。

动手搭建：分步详解

接下来，我将带你一步步拆解这个智能体的工作流。虽然看起来流程稍多（因为它要同时满足老师和学生的需求），但实际搭建起来并不复杂。

🗺️ 整体工作流一览

首先，让我们看一下整个工作流的全貌图，对它的运作方式有个宏观的了解。

🛠️ 开发步骤

第一步：设置“开始”节点

工作流的入口。我们设置三个输入参数：img（上传的作业图片）、role（用户角色，是学生还是老师）、type（任务类型，是批改作业还是复习错题）。

第二步：用“选择器”节点分流任务

根据上一步输入的 type 参数，判断用户是想“批改作业”还是“复习错题”，让工作流走向不同的分支。

第三步：调用“大模型”节点识别与批改

这是核心环节。我们让大模型识别传入的作业图片内容，并进行批改。

注：这里我选用的是 豆包-pro-128k 模型，因为它具备出色的多模态能力，可以很好地理解图片内容。

批改效果如下，可以看到模型准确地识别了对错。

第四步：并行处理“错题分析”

批改完成后，工作流兵分两路：

• 学生路线：直接生成对错题的分析和引导。
• 老师路线：将错题和对应的知识点类型存入数据库，用于后续生成学情报告。

第五步：为学生“循环输出”错题解析（含语音）

在学生路线上，我们循环输出每道错题的分析。考虑到不同学生的使用习惯，我特意加入了语音合成节点，可以将文字解析转为音频。这样，学生可以边听边看，加深理解。当然，你也可以复刻老师或家长的声音，让反馈更亲切！

选择一个合适的音色即可。

输出时直接引用变量。

第六步：为老师“写入错题”到数据库

在老师路线上，我们将错题数据写入数据库，方便长期追踪和分析。

数据库的表结构设计如下：

第七步：生成“学情报告”

汇总所有批改结果，让大模型分析并生成一份包含核心知识点、学生能力评估、攻克方法的个性化学情报告。

第八步：将报告生成PDF文件

使用官方的文档插件，将Markdown格式的学情报告一键转换为PDF文件，方便查阅和分享。

第九步：开启“复习模块” - 查询错题

当用户选择“复习”时，我们从数据库中找出所有记录在案的错题类型。

第十步：通过“问答节点”确认复习范围

让用户从自己的错题类型列表中，选择本次想要复习的类型。

第十一步：智能“生成习题”

最后，根据用户选择的错题类型和原题，让大模型生成同类型、不同场景的练习题，帮助学生举一反三，巩固知识。

至此，整个智能体的核心工作流就搭建完成了！

写在最后

这只是AI赋能教育的一个小小实例。作为老师或家长，你完全可以根据自己的具体需求，进行更精准、更系统的定制，效果一定会更好。

我认为，未来教育的大方向必然是个性化的。批改作业、学情分析这类重复性高、耗费精力的工作，正是AI大显身手的地方。把老师和家长从这些繁重任务中解放出来，让他们能把更多宝贵的时间投入到与学生的个性化辅导和情感交流中。

在AI浪潮席卷而来的今天，主动拥抱智能体，利用它来重塑教学方式、提升教学效率，已不再是选择题，而是一个必然的趋势。

AI时代，拥抱智能体，就是拥抱更高效、更智能的未来。