Shipped · 已上线Case 01 / Education workflow
全智评
把“人工反复看视频”改造成按标准定位证据、按模板确认结果的实操评价工作流。
An evidence-first workspace that connects practical-task videos, rubric-driven AI feedback, and final teacher review.
- Role
- 独立开发者 · 产品与全栈实现
- Surface
- 教师端 · 学生端 · 管理端 · 公开官网
- Core loop
- 模板 → 视频 → 结构化反馈 → 教师复核
- Public check
- 2026.07 · 线上入口可访问
问题不是“能不能打分”，而是教师能不能放心复核。
实操教学的评价对象不是一张答案纸，而是一段有先后顺序、有关键动作的视频。只给一个 AI 总分既难解释，也无法支持教师快速定位需要重看的片段。
因此系统的完成标准不是自动替老师判定，而是让老师能围绕已确认的评分模板，看见评价维度、扣分依据和对应视频证据，最后保留调整与签发权。
一条围绕“模板与证据”组织的数据流。
- 教师创建项目，选择或调整实操评分模板。
- 学生按任务要求提交操作视频。
- 后台执行语音识别、关键帧定位与多模态分析，按模板组织反馈。
- 教师查看维度、扣分依据与证据位置，复核后确认结果。
- 可复用模板继续服务后续课程与同类任务。
- React
- TypeScript
- Vite
- Ant Design
- FastAPI
- PostgreSQL
- Redis
- Celery
- Docker Compose
把模型能力放进可解释的产品约束。
模板驱动，而不是脱离课程的泛化判断
评价依据来自教师确认的模板。系统围绕维度、步骤、扣分点和反馈建议组织结果，使不同任务能共享工作流，但不会共享一套僵化标准。
证据优先，而不是分数优先
结构化输出的价值在于帮助教师发现要重点查看的位置。对安全、医学和考试等高要求场景，最终判断必须留在人工复核节点。
公开内容与真实数据分离
官网只展示产品能力、示例模板和使用边界，不用学生作业或内部策略做宣传材料。
公开可检查的证据。
边界与未公开部分。
Important limitation
AI 输出是教师批改和讲评的辅助材料，不替代教师最终判断；公开案例也不展示登录后的真实学生数据、内部提示词或敏感评价策略。
本案例能够证明产品工作流、公开能力说明与线上交付状态；它不声称未经公开评测验证的准确率，也不把示例页面当成真实学校成效数据。