人工智能应用通识教程 课件 第八次课（自适应测评）

第三章：

智能体应用——自适应测评本次课学习目标01.理解原理深度解析自适应测评的核心逻辑，透彻理解其“因人施策”的智能分配机制。02.掌握技能在Coze平台实操，利用变量、条件判断与循环节点，搭建完整的自适应测评工作流。03.培养思维建立将复杂业务逻辑（如自适应测评）拆解为模块化、可复用节点的集成思维。上次课回顾·快速问答Q:还记得什么是AI智能体吗？与传统机器人有何本质区别？传统机器人(Rule-driven)规则驱动，被动执行固定指令，像“听话”但无思考的员工。AI智能体(Goal-driven)目标驱动，能自主规划、使用工具，像“聪明”且能解决问题的同事。🎯本课任务：为AI智能体赋予“私人定制”的自适应测评能力课程目标与内容回顾第1部分：基础理论大家在使用一些学习软件做练习，比如英语单词训练的时候，有没有感觉题目难度好像会变化？有时候觉得很简单，做起来得心应手；有时候又觉得特别难，绞尽脑汁也不确定答案。你有没有想过这是为什么？看似“随机”的难度变化背后，其实隐藏着一种精妙的计算机算法逻辑。案例：你经历过的“智能”测试核心思想基于考生实时答题表现，动态计算能力估值，调整后续题目难度。这是一种“因人施策”的智能化评估技术。它抛弃了传统的“千人一卷”模式，让每一个考生面对的都是最适合自己当前水平的题目序列。就像玩游戏打怪答对了：系统升级难度，安排“精英怪”挑战你。答错了：系统降低难度，先打“小怪”恢复信心。终极目标：用最少的题，精准定位你的真实水平。传统vs自适应传统考试：“千人一卷”。学霸觉得太简单“没意思”，学渣觉得太难“打击信心”，效率低。自适应测评：“量身定制”。始终处于“跳一跳，够得着”的最佳学习区，评估更精准。什么是计算机自适应测评(CAT)？自适应测评的应用案例标准化考试GRE、GMAT、托福iBT、多邻国(DET)等全球知名考试均已采用CAT技术，构建了动态、科学的测评体系。核心价值：根据考生能力水平动态调整题目难度，最大程度确保成绩评估的公平性与准确性。企业招聘北森CATA、SHL等在线人才测评系统被广泛应用，成为企业进行大规模人才筛选的重要数字化工具。应用场景：快速、客观地评估应聘者的认知能力、职业性格及岗位胜任力，显著提升招聘效率。教育领域个性化学习平台与智能辅导系统深度结合CAT技术，打破了“千人一面”的传统教学模式。智能服务：基于学生的实时学习数据和能力模型，动态推送最适合的练习题与个性化学习资源。职业资格认证医师资格、律师资格、注册会计师等各类高含金量职业准入考试逐步引入自适应测评技术。考核目标：精准且高效地验证从业者是否具备岗位所需的核心专业知识与实际胜任能力。CAT的动态迭代过程01.生成题目初始状态：系统提供中等难度(N)的题目，作为能力评估的基准起点。02.用户作答交互过程：用户针对当前题目进行思考与回答，系统实时记录作答结果。03.智能判断结果分析：系统即时判定答案“正确/错误”，作为下一步难度调整的核心依据。✅答案正确·难度提升判定用户能力高于当前水平，系统自动提升下一题难度，持续探索用户的能力上限。❌答案错误·难度降低判定用户能力低于当前水平，系统自动降低下一题难度，确保测试过程的有效性。🔄动态循环：重复“作答→判断→难度调整”的闭环流程，直至满足预设的测试终止条件（如题目数量达标/评估精度足够）。如何让AI智能体具备动态调整能力？我们需要给它装上“大脑”和“记忆”，在Coze平台中，这对应着三个构建自适应测评逻辑的核心节点：01/记忆·变量节点核心作用：状态存储创建`difficulty_level`变量，记录并存储当前的难度等级（如初始值1）。🎮趣味类比：游戏等级就像RPG游戏中记录你当前等级的数字面板。02/判断·条件节点核心作用：逻辑裁决实时分析用户的回答内容，自动输出“正确”或“错误”的判断结果。⚖️趣味类比：游戏裁判就像游戏中判定你是否成功击败怪物的系统。03/循环·递归节点核心作用：流程迭代让“出题-判断-调整”的流程不断重复，直至达到预设的结束条件。▶️趣味类比：下一关按钮就像通关后点击“继续挑战”，开启新一轮的试炼。将CAT逻辑转化为AI智能体的“思维”自适应测评听起来非常智能。但大家想一想，它有没有什么局限性？或者说，在哪些场景下，它可能不如传统的标准化考试公平？题目质量与题库建设测评的准确性高度依赖于题库的题目质量和数量，劣质题库会直接导致测评结果失真。分数的公平性与可比性不同考生遇到的题目完全不同，如何建立科学的等值模型，确保不同难度试卷分数的可比性是核心难题。适用场景的局限性对于考察固定、硬性知识点的考试（如安全规程），统一的标准化试卷往往比自适应测评更加合适和高效。主题讨论1：技术的边界第2部分：自适应测评工作流实验目标与任务解析实验目标GOALS01构建系统：构建一个“小学四年级数学”自适应测试系统，作为实验载体。02实现逻辑：系统需具备核心逻辑，即根据用户的实时回答，动态调整后续题目的难度。03掌握技能：深入掌握Coze平台中变量定义、逻辑/代码节点和大模型的综合运用技巧。业务逻辑拆解LOGIC01系统初始化设定初始难度等级，例如level=102动态出题根据当前难度等级，调用LLM生成数学题03用户作答接收用户输入的答案，作为系统输入04判断与反馈系统自动判断对错，并给出即时反馈05难度自适应答对则提升难度，答错则降低难度06循环迭代重复出题-判断-调整流程，直到退出核心任务目标为智能体建立“记忆”系统，核心是创建一个变量节点，用来实时记录和存储当前的题目难度等级，为后续的逻辑判断提供数据基础。关键操作步骤01.拖拽节点：在工作流画布下方“+添加节点”搜索“变量”，添加「workflowVar」02.命名节点：设置名称为「初始难度系数」，增加可读性。03.配置参数：设定初始值为1。步骤1：添加“变量节点”初始化难度123步骤2：添加“大模型节点”生成题目核心任务基于难度等级，利用大模型动态生成一道符合要求的数学应用题。关键操作步骤1拖拽一个“大模型节点”到画布，并重命名为“出题大模型”。2引用变量：引用“循环节点”的中间变量（var_level）。3在系统提示词（Prompt）中编写指令，并使用双大括号语法引用外部变量。💡Tips:引用变量是实现“动态出题”的关键，确保变量名与节点输出保持一致。步骤3：添加“输出节点”输出题目配置目的大模型节点已经成功生成了题目，但目前结果仅存在于工作流内部，用户无法直接感知。我们需要添加一个“输出”节点，作为工作流的中间出口，将生成的题目数据进行标准化封装并直观地展示给终端用户。操作指南01.添加节点

在节点库中拖入“输出”节点，并重命名为“显示题目”。02.连接上下游

将“出题大模型”节点的输出端口，连接到“显示题目”节点的输入端口。03.配置返回内容

在节点配置面板中，设置输出内容为`题目：{{output}}`，指定仅展示题目内容。步骤4：添加“输入节点”获取用户答案STEP01/选择并添加节点在左侧节点栏找到“输入节点”，直接拖拽到工作流画布的空白区域，并重命名为“用户作答”。STEP02/建立逻辑连接将“显示题目”节点的输出端口与“用户作答”节点的输入端口相连，作为向用户展示与交互的出口。STEP03/暂停等待交互运行工作流至此节点时，系统会自动暂停，直到用户在界面输入答案并提交后，流程才会继续。步骤5：添加“大模型节点”+“条件判断节点”判断答案01添加节点在“用户作答”节点后，添加“大模型”节点并命名为“判答大模型”，再添加“条件判断（选择器）”节点。02连接节点将“用户作答”节点的输出端，直接连接到“判答大模型”节点的输入端，再将“判答大模型”节点的输出端连接到“选择器节点”。03配置核心判断逻辑条件：大模型判答结果是否包含“错误”分支：满足条件(错误)/不满足条件(正确)节点执行逻辑可视化步骤5：添加“大模型节点”+“条件判断节点”判断答案步骤6：添加“代码节点”+“变量节点”更新难度答对了：难度提升在“不满足条件”分支下，添加一个“代码”节点，并命名为“难度提升”。核心代码逻辑：level=level+0.5答错了：难度降低在“满足条件”分支下，添加一个“变量”节点，并命名为“难度降低”。核心代码逻辑：level=level-0.5边界条件处理添加限制难度值范围的代码逻辑。例如：若level>3则设为3；若level<1则设为1，防止数值异常。参考代码：level=min(max(level,1),3)步骤6：添加“代码节点”+“变量节点”更新难度代码编写参考示例（难度降低）asyncdefmain(args:Args)->Output:params=args.paramslevel_num=float(params['input'])-0.5#构建输出对象ret:Output={"level":str(min(max(level_num,1),3)),}returnret步骤6：添加“代码节点”+“变量节点”更新难度“代码节点”处理后的结果需要传入“变量节点”进行难度系数更新：1、添加“变量聚合”节点获取第一个非空的值；2、在“变量聚合”后添加“设置变量”节点，用于更新循环中的难度系数。步骤7：实现循环🎯核心任务：构建自动化连续出题闭环让测试系统具备自我迭代能力，不再是单次执行，而是能根据用户回答自动更新难度，实现“一题接一题”的连续测试。注意：务必设置结束条件（如测试3题），避免无限循环。智能体预览我们搭建的这个数学测试智能体已经很棒了！如果让你来拓展它的功能，你会增加哪些有趣的特性？主题讨论2：功能拓展增加题型：丰富题库形式不仅限于单一的应用题，可以增加选择题、判断题等多种形式，提升测试的趣味性和全面性。增加反馈：智能互动激励回答正确时给予“真棒！”等正向鼓励；回答错误时，自动给出正确答案并附带简单的解题解析。增加科目：打造全科工具将内核扩展，支持英语单词听写、历史知识问答等，将单一的数学测试转变为全能的学