客户背景
行业
教育培训 · 少儿编程
规模
学员 800+ · 8 名老师
现状
老师人工批改 + 口头汇报
期望
减轻批改负担、提升家校沟通
客户痛点
1
编程作业批改耗时
每个学员的代码作业都要逐个运行、逐行看，批改量巨大。
2
学习情况难量化
孩子的进步说不清楚，家长心里没底。
3
家校沟通重复
老师每天要跟几十个家长说类似的话，耗时且低效。
演示案例
实时演示 · 编程作业批改
就绪
输入
学员提交的 Python 作业（循环 + 条件判断）
Consolelogs · stdout
$ 初始化演示管线…
✓ 代码运行0.4s
✓ 逻辑检查发现 2 处
✓ 生成点评自动
技术方案
01
作业自动批改
自动运行代码并检测逻辑错误，生成逐题点评。
02
学情画像
把孩子的学习进度、掌握程度生成可视化成长报告。
03
家长沟通自动化
定期自动推送学习报告与沟通话术。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
批改标准梳理
定义编程作业的批改维度。
2
批改系统
开发自动批改与点评。
3
报告生成
搭建学情画像与成长报告。
4
家长端上线
开通家长查看报告入口。
5
迭代优化
根据家长反馈优化报告内容。
上线前后对比
指标上线前上线后
批改效率每人 30 分钟每人 4 分钟
家长满意度82%94%
续费率68%78%
“家长现在能看到孩子每节课学了什么、进步在哪，续费沟通顺畅多了。”
可复用场景
编程等实践类课程的作业批改
学员成长的可视化报告
家校沟通的自动化