智能体实训如何评价学生成果？

定义：智能体实训成果评价到底在评什么

在高校语境里，智能体实训成果评价不是给一次流畅对话或漂亮页面打印象分，而是对照事先公开的量规，同时检查过程证据和最终作品。过程证据回答学生如何完成任务：调用了哪些工具、检索了哪些材料、失败后如何调整、是否越过安全边界。最终作品回答任务是否完成且可复现：项目能否运行、引用能否回到原文、限制条件是否写清、他人按文档能否重做关键步骤。

评价对象应是一门课或一个项目周期内的可观察成果，例如检索增强问答、工具调用工作流或课程助手。对象必须对应能力目标：会准备语料、会编排工具、会核验引用、会拒答、会写复现说明。对象一旦写成界面炫技或演示现场发挥，就会滑向无法复核的观感分。可运行的评价至少包含作品量规、过程日志规范、抽检申诉流程，以及经授权的优秀案例库；案例库用于校准，不能替代量规。

它不是什么

• 它不是把对话录像或截图交给模型后直接生成期末成绩。
• 它不是用自动评分覆盖教师确认，也不是用“智能程度”代替量规条目。
• 它不是只要功能看似完成，就可以省略授权说明、失败记录和安全测试。
• 它不是组员一人代做、全组共享同一份无时间线的精美报告。
• 它不是用公开网页聊天框里的一次成功问答，替代可运行项目和评测记录。

智能体实训室要能教、能练、能评、能管，建设方法见 AI智能体实训室怎么建设。RAG 项目还要走通语料、切分、检索、引用和拒答，课程设计见 RAG智能体实训怎么设计。本页只回答成绩怎么出：量规、过程日志、抽检、教师确认和申诉如何落到一门课里。更一般的教学评价原则，包括量规先于模型、证据回到原件、教师拥有确认权，见 AI教学评价怎么建设。

为什么不能只看界面演示

学校开智能体项目课时，真正引发成绩争议的往往不是页面好不好看，而是五类同时出现的评价问题。

第一，完成标准被演示脚本替代。任务书只写“做一个智能助手”，验收当天按预设问题演示三轮对话。教师看不到工具是否被调用、失败题是否被跳过，同类项目也无法校准。第二，过程不可见。复用他人索引、粘贴外部聊天、组内一人代做，在只收最终压缩包时几乎无法区分。第三，引用和安全被功能成功掩盖。过期文档被当成现行规定、越权提问被直接作答、未授权讲义入库，都可能发生在演示很成功的作品里，必须单独计分，必要时单独否决。第四，文档不能复现。只留下录像、没有评测记录和限制说明，换学期后无法说明当时评了什么。第五，成绩效力悬空。模型初评被直接写入成绩，或允许申诉却拿不出量规和原始日志，争议时只能改总分。

立项和开课应先回答：量规是否在动手前发布；提交物是否包含可运行项目、评测记录、限制说明和过程日志；抽检如何识别粘贴和代做；教师如何覆盖初评、学生如何申诉。四个问题清楚后再选记日志的平台，而不是先看厂商演示再补评分表。常见偏差还包括：过程评价只收感想、用对话轮次代替能力、优秀档只奖界面和演讲。纠正这些偏差不需要先换模型，需要先补量规、日志规范和抽检流程。

五步评价：从发布量规到申诉复核

第一步：发布量规并冻结版本

开课第一天把量规发给学生并写进任务书。最低条目覆盖功能完成、过程日志、引用正确、安全和文档；每条写清观察点、等级、证据位置和是否可否决。版本号与生效日期要固定，不能收作业后再改优秀档标准。教师先用脱敏样例校准，避免同一条目宽严悬殊。

第二步：要求提交可运行项目、评测记录和限制说明

提交物不能只有演示链接。可运行项目指约定环境里能打开的配置、工作流或代码。评测记录写明测了哪些题、失败如何归类；限制说明写清数据范围、权限、模型版本和已知缺陷。缺一类材料，对应条目不得进入优秀档。

第三步：抽查过程日志，识别复制粘贴和代做风险

抽查要打开时间线：谁在何时改了提示或工具、调用是否与作品一致、引用能否回到原文。高风险信号包括截止前一次性补写、工具调用空白但界面齐全、同学配置异常雷同、安全测试只有“已通过”。高风险件进入教师复核，不由模型单独定罪。

第四步：对同类项目做交叉评审或教师抽检

同类任务应抽检量规是否被同等执行。同伴互评适合检查文档能否看懂，不适合独自裁定安全项。教师抽检应覆盖优秀档、临界及格和日志异常三类，抽检记录要归档。

第五步：成绩可申诉，争议以原始日志和教师复核为准

学生应能看到量规版本、对应证据和教师确认时间，并在约定时限内异议。复核按同一量规重评，可以维持、部分改分或要求补证据，但必须写理由。禁止私下改总分不留旧版，也禁止以“算法已判定”拒出示日志。AI初评没有终局效力。

比较：只看界面演示，还是过程日志加量规

下表用于课程组讨论成绩规则，不构成唯一合法评分方案。具体学校还需对照本校考试管理、学术规范和生成式人工智能使用规定。比较的目的是说明：演示可以是提交物之一，但不能代替过程证据和条目化量规。

过程加量规并不禁止课堂演示。演示可用于表达训练，但只作为一项证据，权重应低于日志、评测和安全。课时有限时应缩小项目范围，而不是砍掉日志和量规。

量规五维：功能、日志、引用、安全、文档

量规要让没上过这门课的教师也能按条目给分。建议用“观察点—等级—证据—可否决”书写。下列五维是最低集合，可以增加专业指标，但不能用演讲分替换其中任何一维。

功能完成

对照任务书检查约定范围是否实现、必需问题能否回答、评测是否覆盖可回答、不可回答和边界题。完成不是现场三次问答都顺，而是提交物与任务点对应。部分完成给中间档，不能因界面完整抬到优秀。

过程日志

合格日志能按时间打开数据筛选、工具接入、提示修改、失败重试和答疑后的改动。空表格、截止前批量粘贴、与作品版本对不上，均不合格。没有日志的作品不能得满分，应写进任务书。

引用正确

结论须与授权原文一致并能回到具体片段。检索命中不等于回答正确。答对但指错位置、用过期条文支持现行结论、把模型常识写成资料原话，都应降档。RAG 课还要把检索正确和回答正确分开统计，见 RAG智能体实训怎么设计。

安全边界

至少覆盖越权是否拦截、过期文档是否被当成现行依据、对抗提问是否绕过拒答。未授权语料入库、密钥写入公开报告、伪造评测记录，可单独否决。安全分不能被功能分抵消。否决后应写明事实、条款和是否允许补测。

文档能否复现

限制说明要写数据范围、模型版本、已知失败和环境依赖。复现不是要求外人从零重建，而是能按说明抽检评测、看懂拒答并找到对应日志。只有美化演示、没有版本和失败案例，文档维不得进入优秀档。

过程日志规范：记什么、谁可见、如何抽查

没有规范的日志，过程维只能靠学生自述。规范应在环境发放时生效，而不是答辩前补交。平台可自动采集部分字段，教师仍须规定哪些自动日志算数、哪些必须由学生标注原因。

建议必留字段

• 任务与量规版本、学生或小组标识、环境或工作区标识。
• 数据与工具的来源、授权范围和是否允许入库或出域。
• 关键配置或提示变更：改了什么、为何改、对应哪一版作品。
• 工具调用：名称、关键参数、返回摘要、成功或失败、重试次数。
• 引用核对：题目、所用片段位置、是否一致、错误类型。
• 安全测试：越权、过期、对抗三类的提问、系统行为和教师复核。
• 提交版本：可运行物、评测记录、限制说明的文件或提交号。

日志应是当时产生的记录，允许简短备注，不允许用事后总结代替时间线。若平台只能导出对话全文，须规定如何标注工具调用和引用位置，不能把长聊天记录当作已经完成的过程评价。

可见范围与抽查

学生能看到自己的日志和条目意见；教师和授权助教按课次抽查；其他班级默认不可见。日志按课程数据分级保存，到期删除或脱敏归档。未授权作业不得进入共享案例库。抽查应打开一次工具调用对照作品、抽两道引用回原文、核验三类安全题、比对小组是否只有一人操作。发现异常先标风险再由教师复核，不由系统自动记零分。优秀档和日志异常件应优先进入样本。

落地步骤：输入、角色、动作与输出

下列步骤按开课时间排列。每一步写出输入、责任角色、动作和输出，便于写入课程评价办法和实训室验收清单。角色名称可按学校处室调整，但不能出现“只有平台或厂商、没有开课教师主责”。

1. 冻结任务、量规和否决项

动作：发布五维量规，写明无日志不得满分、安全可否决、AI只做初评、教师确认分数。输出：量规版本、任务书、否决条款和学生知情说明。

2. 规定提交物和日志采集

动作：固定可运行项目、评测记录、限制说明和过程日志的命名与截止规则；禁用只交演示录像。输出：提交清单、日志字段表、小作业校准记录。

3. 配置初评通道，关闭自动入成绩

动作：只开放格式检查、缺件提醒和条目初评草稿；关闭自动写入成绩；记录模型版本和操作者。输出：可试用的初评通道、样例对照和“未确认不生效”的界面说明。

4. 项目实施中的抽检与交叉评审

动作：识别补写、雷同和代做风险；对高风险件约谈或要求当面复现关键步骤。输出：抽检表、风险清单、交叉评审记录，不直接生成最终成绩。

5. 教师确认、申诉演练与归档

动作：按条目给分并留下改评理由；演练申诉复核；把作品、日志、量规和确认记录一并归档。输出：成绩确认表、申诉记录、优秀案例授权清单和课程复盘。

某一步缺少输出物，就不要提交成绩或扩大到评优。没有量规就接通自动打分、没有日志就评定优秀、没有申诉就写入教务，都会在学期末变成争议。环境如何重置见 AI智能体实训室怎么建设，本页不把机房到货当成评价建成。

抽检、代做识别与成绩申诉

诚信问题不能靠答辩临场判断，也不能交给模型一个抄袭概率就结案。应把风险信号写成可复核观察，再由教师决定约谈、降档或否决。常见信号包括：时间线与提交严重错位；工具调用空白或与配置不符；失败记录全无却声称全部通过；引用打不开；小组只有一人操作；不同组提示和错误高度雷同。出现信号不等于已认定违纪，但必须打开原始日志做人工复核。

当面复现是有效补充：在干净环境按文档重做一步检索、一次工具调用或一道拒答题。不能复现又无法解释环境差异，应在功能或文档维降档。申诉须公开量规版本、依据的提交物和日志、教师确认时间及异议时限。复核按条目进行，补证据不得用新演示替换原始时间线，旧结论与改分理由都要可审计。一般原则见 AI教学评价怎么建设。优秀案例入库须脱敏并取得书面授权，不能反过来改当学期已发布的量规。

交付物与验收

一次可验收的实训评价，至少交出作品量规、过程日志规范、抽检和申诉流程，以及经授权的优秀案例库或写明本学期暂不建库。配套还应有任务书、提交目录、锚点样例，以及初评不得自动入成绩的配置说明。缺量规或日志规范，只能称为能演示，不能称为评价已建成。

验收应覆盖的动作

• 用学校自己的一门试点课，走完发布量规、提交作品、抽日志、教师改评、确认和申诉。
• 抽若干优秀档，要求打开过程日志和引用原件；打不开或对不上即该档不成立。
• 放一份只有界面、没有日志的对照作业，确认系统或评分表不能给满分。
• 放一份功能完整但安全测试失败的作业，确认可以按条款否决或不得进入优秀。
• 确认 AI 初评在教师确认前不出现在正式成绩单；教师否认初评后旧草稿仍可审计。
• 学生账号不能查看其他小组未公开日志；导出字段符合课程数据范围。

采购和技术附件应写成可测试语句，例如：教师能按量规调取过程日志并改分；无日志作品不能被标为优秀；安全否决有独立标记；申诉工单能关联原件。不要写唯一模型品牌，也不要写无法验证的评分准确率或自动识别代做率。成本按并发、存储和调用测算，本文不给出价格。项目分若纳入专业评价，须先锁定环节权重，不能用初评总分代替教师确认。