CASE 01 / Zhixing Education个人项目 · 功能原型

把一次考试，变成可追踪的教学改进行动。

一套面向学校的学情诊断与教学改进平台：把考试采集、知识库、可解释归因、分层行动、学生学习方案与 AI 教研员组织成一条可审核、可复测的工作流。

产品方向AI × 教育

目标用户学校教研与中学教师 · 学生自服务 · 以初一数学为试点

案例侧重证据驱动诊断 / 多角色权限

01 / DEMAND DISCOVERY

不从分数开始，而从教师要做的决定开始。

学校通常能看到分数，却难以在备课时间内回答：班级共性问题是什么、每个学生卡在哪里、这个根因判断是否可信、下一步谁来做什么、做完后是否真的改善。更复杂的是，知识库会更新、考试数据需要审核、教师与学生不能共享同一视图，AI 生成的判断也不能绕过专业责任。真正的问题不是再做一张成绩报表，而是把证据、权限、判断、行动和反馈组织成同一个可追踪系统。

关键时刻

考后到下一次备课前

教师需要把一次考试快速转化为讲评、分层辅导与沟通安排，不能把时间消耗在逐份翻阅原始作答上。

核心矛盾

有分数，缺判断

总分能描述表现，却无法直接说明学生卡在哪里、依据是否充分，以及下一步教学行动应当如何取舍。

产品机会

把证据接到行动上

产品的价值不是额外生成一份报告，而是缩短“发现问题—形成判断—确认行动”的路径。

产品目标

建立一条从“考试证据 → 掌握度与归因 → 分层行动 → 学习执行 → 后续证据验证”的闭环：数字来自确定性计算，教师保留审核与签发权，学生获得只属于自己的行动，系统能记录建议是否执行并在下一次考试后重新判断。

02 / PRODUCT LOOP

从可审核的 MVP，长成可持续的教学平台。

最小闭环仍然是证据、判断、行动与验证；当前版本把它扩展到知识库治理、三角色权限、学生自服务和受审批约束的 AI 教研员。

WHO & JOB

为谁解决什么任务

教师需要从一次考试中判断班级共性问题、学生具体卡点、根因假设和下一步教学安排；学生需要看到只属于自己的可执行学习任务；管理者需要让不同角色只看到自己负责的班级、学科和内容。

THE PRODUCT LOOP

当前交付什么

学校内部的多角色教学工作台：校务管理员管理账号、学科范围与知识库版本；教师完成建班建卷、Excel/拍照/手工采集、审核提交、班级与学生诊断、行动队列和报告签发；学生通过自服务门户查看个人掌握、待加强点、已签发报告与学习方案。可选 AI 教研员通过 MCP 在当前班级范围内调查、解释与起草，写入和对外发布仍经过教师确认。

HUMAN IN THE LOOP

哪些判断不自动化

确定性管线给出证据、掌握度和待确认假设；教师决定归因是否成立、行动是否采用、报告是否签发，学生的自报也不会改写掌握度。

NOT IN SCOPE

当前明确不做什么

不用一次考试解释学习动机、家庭因素或焦虑，不把证据不足的失分强行标成确定根因，也不让 AI 绕过角色权限直接发布内容。

CORE FLOW / 核心使用链路

01建库与设定范围
02采集与审核作答
03确定性诊断
04归因与分层行动
05学习方案与执行
06后续证据验证

03 / DECISION LOG

关键决策，而不是功能清单。

每一项设计都从教师的工作、系统可靠性与试点验证目标倒推；它们同时说明了产品选择带来的代价。

把分析结果锁在证据状态机里

只有已提交的作答才进入不可变的证据事件；教学进度先判断“未学到”，最小证据量不足就显示“数据不足”，掌握度按需推导，报告保存当时的数字快照。

为什么: 这样能把“没有学过”“还没有足够证据”和“确实薄弱”分开，避免一次失分直接进入归因或行动；同一套规则也能被教师端、学生端和 Agent 查询复用。
代价与边界: 状态门槛、事件记录和报告快照增加了数据结构与解释成本，但换来了可追溯、可复算和“宁可不判断”的安全出口。

把归因输出定义为可证伪假设

沿知识图谱查找前置缺陷、遗忘衰减和易混淆关系，并返回根源、证据、置信度和下一步验证预测；教师可以覆盖或否决归因。

为什么: 归因不是给学生贴“粗心”或“能力弱”的标签，而是为下一次小练习或教学动作提供方向。根因、证据与预测放在一起，教师才有机会判断它是否成立。
代价与边界: 图谱质量、证据量与时间窗口会限制结论覆盖率；系统必须接受部分薄弱点只有“数据不足”或没有因果归因，而不是用更强的模型填空。

把建议做成分层可执行队列

根据共性薄弱与归因方向，将行动聚合为全班、小组和个人队列，覆盖重讲、基础回补、间隔复习、概念辨析、补证据和层级补强；执行状态再由后续证据折叠成闭环进度。

为什么: 教师不需要再从报告里手工抄出一张名单，学生也不该只收到一段泛泛的建议。把“谁、先做什么、现在处于什么状态”独立出来，诊断才会进入日常工作。
代价与边界: 行动不会因为生成就自动生效，教师仍需确认；学生自报只能形成软闭环，不能改写掌握度，真正的效果判断要等后续作答证据。

让 AI 进入边界，而不是接管责任

LLM 只参与试卷视觉解析、知识点标签推荐、报告与学习方案表达，以及教师对话式调查；结构化校验、调用审计、熔断与模板降级保留确定性出口，写入与签发经过审批。

为什么: 教育场景中的数字、学生身份和对外内容都需要可解释、可追责。AI 教研员可以减少检索与整理成本，但不能绕过角色范围、直接发布报告或伪造证据。
代价与边界: 人工确认、异步任务和降级模板让流程比“问模型拿答案”更长；换来的却是模型不可用时系统仍能完成基础诊断，且每次调用有审计线索。

04 / WALK THE WORKFLOW

把它放进教师的一次考后工作里。

这段固定交互示意呈现的不是模型结论，而是教师如何从失分证据出发、审核假设并确认下一步行动。

01 / 从表现出发

一次失分，不急着贴标签。

示例学生 A 在两道运算法则题中失分。先区分未学内容、证据不足与可能薄弱，再进入归因。

EVIDENCE / 证据随行

01运算法则：2 道题出现失分

02数轴理解：本次作答正确

03新授内容：不纳入薄弱判定

虚拟学生与作答数据 · 不构成真实诊断

流程演示 · 固定虚拟数据 · 无模型调用 · 不保存信息

05 / PILOT PLAN

上线不是终点，先验证它有没有进入工作流。

相较早期 MVP，仓库现在已经形成可运行的平台骨架：三角色登录与 RBAC、版本化知识库与图形化建库、考试采集/审核、确定性诊断与归因、干预队列、学生门户、AI 学习方案、教师审批收件箱、流式 AI 教研员，以及可选的持久任务队列、LLM 路由和 PostgreSQL/Redis/MinIO 高可用配置。它仍不能被表述为已验证的学校生产系统：目前没有真实试点采纳率、教学提升量、线上成本/延迟/稳定性数据，敏感数据权限和真实语料校准仍需验证。

试点要验证

在真实学校授权与脱敏试点中，验证教师从报告到行动队列的使用成本，以及学生自服务边界是否符合学校管理要求。
用真实的查询、采纳、否决、自报和后续考试数据校准归因、行动优先级与闭环指标，而不是只用合成数据判断效果。
按学校规模评估 PostgreSQL、Redis、对象存储、LLM 路由和可观测性的实际门槛，补齐生产环境的密钥托管与恢复演练。

当前不能声称

最新仓库已包含完整的角色、知识库、诊断、行动、学生门户、Agent 与可选高可用部署代码路径；但当前作品集没有真实学校试点的采纳率、提升量、线上延迟、成本或稳定性数据，也没有经过授权的真实学生数据，因此不能把这些实现表述为生产成效。分析只覆盖知识维度，不推断动机、家庭或心理；学生自报不改变掌握度，仍需后续作答证据验证。