高中信息技术高三复习教学设计：赋予机器人“智慧”单元整体教学设计

高中信息技术高三复习教学设计：赋予机器人“智慧”单元整体教学设计一教学设计背景与依据本教学设计依据《普通高中信息技术课程标准（2017年版2020年修订）》《黑龙江省普通高中信息技术学业水平合格性考试说明》及哈尔滨市第三中学高三信息技术复习备考总体规划编制。课标明确要求“信息科学与技术”选择性必修模块中，学生应理解人工智能基本原理、体验机器学习典型过程、探究智能系统关键技术，并能运用编程工具实现简单智能应用。合格性考试大纲将“赋予机器人‘智慧’”列为考查重点，侧重考查学生对传感器原理、控制逻辑构建、机器学习分类与回归模型直观理解、以及Python语言实现简单智能决策的综合应用能力。哈三中高三学情普查显示：学生Python基础语法掌握较好，但对硬件抽象层理解薄弱，难以将传感器数值映射为控制指令；对机器学习“训练—预测”范式停留在名词层面，缺乏数据预处理、特征工程、模型评估的实操认知；面对开放性项目任务，拆解问题、迭代优化的工程思维尚未形成。针对上述痛点，本设计摒弃“知识点罗列式”复习，确立“以项目驱动任务、以任务倒逼知识、以迭代深化思维”的单元整体教学策略，力求在有限课时内实现核心素养的显性化落地。二核心素养导向的单元教学目标1.信息意识：能敏锐识别生活生产中适宜引入智能控制的场景，准确判断感知数据类型、特征值有效性及决策边界条件，建立“数据—模型—决策”信息处理闭环认知。2.计算思维：掌握有限状态机建模方法，能将复杂机器人行为分解为状态集、事件集、转移函数；理解决策树、K近邻、BP神经网络核心数理逻辑，会用伪代码描述前向传播与反向传播关键步骤。3.数字化学习与创新：熟练使用Python`numpy``pandas``sklearn`库完成数据清洗、归一化、划分训练测试集；能基于开源硬件（如掌控板、Arduino、树莓派Pico）编写中断服务程序读取超声波、光敏、MPU6050数据，实现PID参数现场调优。4.信息社会责任：辨析算法偏见、数据隐私、自主决策责任归属等伦理困境，坚持“人机协同、人类主导”价值取向，规范引用开源代码与数据集，署名清晰，拒绝黑箱调用。三单元学情深度剖析通过入学摸底测试（满分100分，平均分58.2分）及访谈发现：知识层面：85%学生能背诵“感知—决策—执行”三要素定义，仅12%能解释超声波测距公式`d=vt/2`中温度漂移对声速v的影响；90%知晓“训练集/测试集划分”，不足8%能手写`train_test_split`分层抽样代码并解释`stratify`参数作用。能力层面：面对“智能垃圾分类”综合题，仅5%学生能完整画出状态转移图（待机→识别→分类→投递→异常处理→待机），多数直接堆砌`ifelse`导致逻辑耦合度高、异常分支缺失。心理层面：60%学生存在“硬件恐惧症”，遇到接线报错、串口乱码倾向于放弃而非查阅数据手册；对“调参”抱有神秘感，缺乏“小步快跑、留痕对比”的科学实验习惯。据此，本单元教学必须“降低硬件门槛、可视化算法黑箱、结构化工程流程”，设计低门槛高上限的支架式学习任务。四大单元教学架构与课时统筹本单元共6课时，采用“双线并行”模式：主线为“智能物流分拣机器人”项目贯穿始终，副线为“核心考点专项突破”穿插其中。课时分配如下表所示：课时教学主题核心任务考点对标关键产出物:::::1感知层构建：让机器人“听见看见”搭建硬件平台，驱动4路红外巡线、超声波测距、舵机转向，串口实时绘制传感器波形图传感器原理、GPIO/ADC/IIC/UART通信协议、中断与轮询对比硬件接线图、驱动库封装模块`robot_sensors.py`、波形分析记录单2决策层建模：有限状态机与行为树绘制分拣状态转移图，用`transitions`库实现状态机，重构为行为树应对突发避障有限状态机三要素、行为树控制流节点（Sequence/Selector/Parallel）、非阻塞编程状态转移图（PlantUML源码）、行为树XML配置文件、仿真演示视频3认知层入门：从规则到学习——K近邻分类实战采集RGB颜色传感器样本，手写KNN核心算法，对比`sklearn`实现，绘制决策边界可视化图KNN算法原理、欧氏距离/曼哈顿距离、维数灾难、超参数K选取交叉验证手写KNN类完整代码、决策边界矢量图、超参数搜索曲线表4认知层进阶：神经网络“黑箱”透视搭建3层BP网络（输入4维隐藏8维输出3分类），可视化权重矩阵热力图，实现梯度下降动画演示感知机模型、Sigmoid/ReLU激活函数、损失函数MSE/交叉熵、反向传播链式法则网络结构配置表、权重热力图序列、训练损失收敛曲线、过拟合对比实验记录5系统集成与工程化迭代硬软件联调：传感器融合滤波、模型部署至端侧（ONNX导出/TFLite量化）、异常复位机制设计卡尔曼滤波简化版、模型量化精度损失评估、看门狗定时器、OTA升级策略集成工程源码仓库、量化前后推理耗时对比表、压力测试日志（连续运行2小时）6复习总结与迁移拓展：伦理、评价、真题实战真题拆解：20232024年合格考/学考原题改编，限时45分钟模考；伦理辩论赛；元认知复盘综合应用大题评分标准、AI伦理治理原则、元认知监控策略模考卷批改反馈单、辩论赛观点速记图、个人知识图谱思维导图（XMind文件）（一）第一课时感知层构建：让机器人“听见看见”5.情境导入与问题分解（8分钟）播放30秒工业分拣生产线视频：高速传送带上，机械臂精准抓取不同色彩、形状包裹投入对应料箱。提问：“机器人如何知道‘这是红色包裹’、‘前方20cm有障碍物’、‘舵机当前转到了45度’？”引导学生从物理量→电信号→数字量→语义信息四层抽象建立认知链条。板书核心公式：超声波测距：`d=(331.5+0.6×T)×t/2`（T为环境温度℃，t为回波时间μs）红外巡线：`V_out=(R_sensor/(R_sensor+R_fixed))×VCC`（电阻分压原理，黑白表面反射率差异导致R_sensor变化）MPU6050姿态：`θ=atan2(ay,az)×180/π`（加速度计静态倾角解算，需融合陀螺仪积分修正漂移）6.硬件实操与驱动封装（30分钟）任务单驱动，分组协作（每组4人：硬件工程师、驱动程序员、测试记录员、文档整理员）。步骤①：按原理图接线。重点检查：超声波Trig/Echo上拉电阻、舵机信号线共地、红外模块跳线帽选通道。步骤②：编写`Ultrasonic`类，核心方法`get_distance()`采用`time_pulse_us`底层函数，超时返回1而非阻塞死循环。步骤③：编写`LineTracker`类，4路ADC原始值读入数组，提供`read_digital(threshold=800)`与`read_analog()`双模式。步骤④：串口绘图器波形观测。指导学生识别：超声波近距离<2cm时多路反射导致波形毛刺；红外过黑色胶带时ADC跌落沿陡度对应边缘检测灵敏度。预设困惑与应对：串口乱码→检查波特率一致性（115200）；舵机抖动→外接5V/2A电源、电容滤波；ADC数值飘忽→均值滑动窗口滤波`window_size=5`。7.代码规范与模块化重构（10分钟）强制要求：驱动层与应用层解耦。所有硬类继承抽象基类`SensorBase`，统一实现`read()``calibrate()``close()`接口。现场演示如何用`pytest`编写单元测试用例，模拟Mock对象验证逻辑正确性，无需实体硬件即可跑通CI流程。8.课堂小结与预习布置（2分钟）布置预习：阅读`transitions`库文档，理解`Machine``State``Transition`三大核心对象；思考：若巡线中突然检测到前方障碍物，状态机如何优雅处理“避障”这一跨状态打断需求？（二）第二课时决策层建模：有限状态机与行为树9.状态机建模实战（20分钟）项目任务：机器人沿黑色轨迹巡线，遇红色标签停车等待3秒，遇绿色标签鸣笛通过，超声波检测障碍物<15cm触发避障子流程（后退→右转90°→前进→左转回轨）。教学动作：师生共同在白板绘制状态转移图。状态集S={巡线,红标停车,绿标鸣笛,避障后退,避障右转,避障前进,避障左转,异常复位}。事件集E={红标检测,绿标检测,障碍触发,计时到期,转向完成,超时保护}。转移函数δ以表格形式呈现，重点讲解“避障子流程”作为复合状态的嵌套建模，以及“超时保护”全局守护转移的优先级最高。代码落地：```pythonfromtransitionsimportMachineclassRobotFSM:states=['巡线','红标停车','绿标鸣笛','避障后退','避障右转','避障前进','避障左转','异常复位']def__init__(self):self.machine=Machine(model=self,states=RobotFSM.states,initial='巡线')核心转移定义self.machine.add_transition('see_red','巡线','红标停车',after='stop_motor')self.machine.add_transition('timeout_3s','红标停车','巡线',after='resume_line')self.machine.add_transition('obstacle','','避障后退',before='save_context')''表示任意状态均可触发...其余转移省略```现场调试：故意制造“巡线中收到红标信号，同时超声波报障碍”竞态条件，观察状态机跳转顺序，引出“事件队列+优先级调度”机制设计。10.行为树重构与对比（20分钟）痛点直击：状态机随逻辑复杂度呈指数级增长，转移边交叉混乱，难以复用。引入行为树——树形结构、节点复用、天然支持并行与打断。核心节点类型讲解：Selector（选择器/或节点）：按序执行子节点，任一返回Success即返回Success，全Fail则Fail。用于“尝试多种策略”。Sequence（序列/与节点）：按序执行，任一Fail即返回Fail，全Success则Success。用于“多步骤原子任务”。Parallel（并行节点）：同时执行所有子节点，成功数达阈值即Success。用于“感知融合、多传感器同步”。Decorator（装饰器）：修饰子节点行为，如`Inverter`（取反）、`RepeatUntilSuccess`（重试）、`Timeout`（超时保护）。实战重构：将“避障”封装为`Sequence(后退,右转,前进,左转)`，根节点为`Selector(避障子树,常规巡线子树)`，`避障子树`前置`Condition(距离<15cm)`装饰器。演示如何在不修改巡线逻辑前提下，热插拔“识别二维码减速”新功能。11.仿真验证与文档沉淀（10分钟）使用Webots或自研Python`tkinter`仿真器，导入行为树XML配置，实时高亮当前运行节点。要求学生输出：行为树设计理由说明书（含节点选型依据、异常处理策略、扩展性分析），纳入过程性评价档案袋。（三）第三课时认知层入门：从规则到学习——K近邻分类实战12.认知冲突引入（5分钟）展示两段代码对比：规则式：`ifr>200andg<100andb<100:return'红色'`——临界色（橙红、粉红）误判率高，阈值手工调节极其痛苦。学习式：`knn.predict([r,g,b])`——只需提供标注样本，算法自动寻找决策边界。追问：“机器怎么‘自己’找到边界？”引出“经验风险最小化”核心思想。13.数据采集与预处理全流程（15分钟）实操任务：采集红/绿/蓝/黄/黑/白六类物体RGB样本，每类50次，共300条记录。关键教学点：环境光干扰：必须在固定光箱内采集，记录色温lux值。数据清洗：箱线图识别离群值（传感器饱和、遮挡），采用IQR法剔除。归一化：`MinMaxScaler`将RGB映射到[0,1]，消除量纲影响，对距离度量算法至关重要。划分原则：`train_test_split(test_size=0.2,random_state=42,stratify=y)`保证类别比例一致，固定随机种子保证复现性。14.KNN核心算法手写与可视化（25分钟）手写`MyKNN`类，仅用`numpy`实现：```pythonclassMyKNN:def__init__(self,k=3,p=2):p=2欧氏距离,p=1曼哈顿距离self.k,self.p=k,pdeffit(self,X,y):self.X_train,self.y_train=np.array(X),np.array(y)def_distance(self,x1,x2):returnnp.sum(np.abs(x1x2)self.p)(1/self.p)defpredict(self,X):preds=[]forxinX:dists=[self._distance(x,x_train)forx_traininself.X_train]k_indices=np.argsort(dists)[:self.k]k_labels=self.y_train[k_indices]preds.append(Counter(k_labels).most_mon(1)[0][0])returnnp.array(preds)```可视化教学：利用`matplotlib``meshgrid`绘制二维特征空间（取RG,BG两主成分）决策边界等高线图。动态滑块控制K值（1→15），学生直观观察：K=1边界锯齿剧烈（过拟合），K=15边界过度平滑（欠拟合），K=5时边界最符合直觉。超参数搜索：引入`GridSearchCV`配合`StratifiedKFold(n_splits=5)`，输出最优K及CV准确率均值±标准差。强调：测试集仅用于最终汇报，严禁参与超参数选择，防止数据泄露。15.考点归纳与易错陷阱（5分钟）合格考高频考点：①距离公式手写：欧氏`√Σ(xiyi)²`、曼哈顿`Σ|xiyi|`、切比雪夫`max|xiyi|`。②K值选取经验：取奇数避免平票，√N经验值，交叉验证优化。③维数灾难：高维空间样本稀疏，距离失去辨别度→引出降维（PCA）与特征选择必要性。④惰性学习特性：训练快O(1)，预测慢O(N)，不适合大规模实时推理。（四）第四课时认知层进阶：神经网络“黑箱”透视16.从感知机到多层网络（10分钟）推导单层感知机局限：无法解决XOR异或问题，决策边界仅为线性超平面。引入隐藏层与非线性激活函数：`ReLU(x)=max(0,x)`稀疏性梯度不饱和，`Sigmoid(x)=1/(1+e⁻ˣ)`概率解释输出层适用。网络拓扑定义：输入层4维（R,G,B,Clear）、隐藏层8神经元ReLU、输出层3神经元Softmax（对应三分类：可回收/有害/厨余）。17.前向传播与损失函数可视化（15分钟）数学推导全程板书，学生同步记录：前向计算：`Z⁽¹⁾=X·W⁽¹⁾+b⁽¹⁾`（矩阵乘法，X∈R^(m×4),W⁽¹⁾∈R^(4×8)）`A⁽¹⁾=ReLU(Z⁽¹⁾)``Z⁽²⁾=A⁽¹⁾·W⁽²⁾+b⁽²⁾`（W⁽²⁾∈R^(8×3)）`Ŷ=Softmax(Z⁽²⁾)=e^(Z⁽²⁾_i)/Σⱼe^(Z⁽²⁾_j)`损失函数（交叉熵）：`L=1/mΣᵢΣₖyᵢₖlog(ŷᵢₖ)`（y为Onehot编码）可视化工具：运行预训练脚本，实时绘制`W⁽¹⁾`权重矩阵热力图（8×4），观察第1神经元对Red通道权重极大，第3神经元对Green敏感……直观理解“特征提取器”物理意义。18.反向传播链式法则逐层拆解（20分钟）核心难点：梯度如何从输出层流回输入层。采用“标量展开法”降低认知负荷，以单样本单输出神经元为例：∂L/∂W⁽²⁾ⱼₖ=∂L/∂Z⁽²⁾ₖ×∂Z⁽²⁾ₖ/∂W⁽²⁾ⱼₖ=(ŷₖyₖ)×A⁽¹⁾ⱼ∂L/∂W⁽¹⁾ᵢⱼ=Σₖ[∂L/∂Z⁽²⁾ₖ×∂Z⁽²⁾ₖ/∂A⁽¹⁾ⱼ]×∂A⁽¹⁾ⱼ/∂Z⁽¹⁾ⱼ×∂Z⁽¹⁾ⱼ/∂W⁽¹⁾ᵢⱼ=Σₖ[(ŷₖyₖ)×W⁽²⁾ⱼₖ]×𝟙(Z⁽¹⁾ⱼ>0)×Xᵢ矩阵向量化形式：`δ⁽²⁾=ŶY`（输出层误差项，m×3）`δ⁽¹⁾=(δ⁽²⁾·W⁽²⁾ᵀ)⊙ReLU'(Z⁽¹⁾)`（隐藏层误差项回传，⊙为Hadamard积）`∇W⁽²⁾=A⁽¹⁾ᵀ·δ⁽²⁾/m``∇W⁽¹⁾=Xᵀ·δ⁽¹⁾/m`代码复现：学生完成`backward()`函数填空练习，对比手写梯度与`PyTorchautograd.gradcheck`数值梯度，相对误差<1e5即通过。19.过拟合诊断与正则化实战（5分钟）对比实验：训练集准确率99%vs测试集72%→典型过拟合。对策演示：L2正则化：损失函数加`λ/2||W||²`，权重衰减更新`W←W(1ηλ)η∇L`。Dropout：训练期随机置零隐藏神经元（p=0.3），测试期全保留权重缩放。EarlyStopping：验证集Loss连续10轮不降则停止，恢复最佳权重。现场记录三组实验曲线，填入对比表格，形成“诊断干预验证”完整工程闭环。（五）第五课时系统集成与工程化迭代20.传感器融合：互补滤波与卡尔曼简化版（15分钟）单一传感器缺陷：超声波低频准高频噪；MPU6050加速度计高频噪低频漂移。互补滤波公式（一阶互补，工程常用）：`Angle_fused=α×(Angle_fused_prev+Gyro_rate×dt)+(1α)×Accel_angle`α=0.98信任陀螺仪短期积分，0.02修正加速度计长期基准。代码实现`plementaryFilter`类，实时串口绘制三条曲线（融合/加速度/陀螺仪积分），学生肉眼验证融合曲线平滑且无漂移。21.模型端侧部署：ONNX导出与量化（20分钟）流程演示：`torch.onnx.export(model,dummy_input,'knn.onnx',opset_version=11,input_names=['input'],output_names=['output'],dynamic_axes={'input':{0:'batch'},'output':{0:'batch'}})`使用`onnxruntime`推理验证精度一致性。量化实战：`onnxruntime.quantization.quantize_dynamic(model_input='knn.onnx',model_output='knn_int8.onnx',weight_type=QuantType.QInt8)`对比指标：模型体积48KB→14KB(70%↓)，推理延迟2.3ms→0.9ms(60%↓)，准确率94.2%→93.8%(0.4%↓可接受)。部署到掌控板（MicroPython移植）：仅保留推理核心矩阵乘法，定点数定标运算，内存占用<64KB。22.工程化质量保障体系（15分钟）异常复位机制：硬件看门狗`WDT(timeout=5000)`喂狗点设在主循环起始；软件心跳任务每100ms上报状态至上位机，超时300ms未收到心跳触发安全停机（电机断电、舵机回中）。日志分级：`DEBUG`传感器原始值、`INFO`状态迁移、`WARNING`传感器超阈、`ERROR`通信丢包、`CRITICAL`看门狗复位。日志写入TF卡循环缓冲区（4MB），支持断电保护。OTA升级策略：分区表预留`ota_0``ota_1`两个固件分区，启动引导加载程序校验CRC32、版本号、签名，失败自动回滚。23.压力测试与复盘（10分钟）连续运行2小时，注入故障：拔掉超声波、遮挡红外、发送错误指令包。记录：自动复位次数、误分拣率、内存泄漏曲线。学生撰写《压力测试报告》，包含根因分析（5Why）、修复代码Diff、回归验证结果。（六）第六课时复习总结与迁移拓展：伦理、评价、真题实战24.真题限时实战与精准复盘（30分钟）精选2023年黑龙江省合格考第22题（智能小车避障状态机补全）、2024年学考第18题（KNN分类决策边界绘制与K值影响分析）、2022年新高考Ⅰ卷改编题（BP神经网络反向传播梯度计算填空）。模考45分钟，即时扫描上传智能批改系统。复盘策略：“一题一策”微课视频现场录制（时长<5分钟/题），重点剖析：丢分点：状态机漏画“异常复位”边、决策边界图未标注坐标轴刻度、链式法则漏乘激活函数导数项。得分技巧：规范绘图步骤（画框→标轴→标单位→绘点→连线→注关键坐标）、伪代码缩进规范、数学推导关键等号对齐。25.AI伦理辩论赛：机器人决策责任归属（15分钟）辩题：“智能分拣机器人因算法误判将有害垃圾投入厨余桶导致环境污染，责任主要在算法工程师还是部署运维方？”正方（工程师责任）：训练数据偏见未清洗、模型验证集覆盖不足、未部署置信度阈值拒识机制。反方（运维方责任）：未按规范定期标定传感器、忽视分布漂移监控、缺乏人工兜底复核流程。裁判总结：引用《新一代人工智能治理原则》《数据安全法》第21条，强调“全生命周期责任共担”，工程师负“设计注意义务”，运维方负“使用监管义务”，监管部门负“合规审计义务”。学生需在学习手册记录个人观点及法律条文对应关系。26.元认知复盘与知识图谱构建（15分钟）引导学生用XMind构建单元知识图谱，四级分支：中心主题：赋予机器人“智慧”一级：感知层/决策层/认知层/工程层/伦理层二级：如感知层下分传感器物理原理/通信协议/驱动开发/信号滤波三级：如传感器物理原理下分超声波测距公式温度补偿/红外分压电路/MPU6050寄存器配置四级：如温度补偿下挂考点高频度★★★/易错陷阱/代码片段链接/实验数据记录单编号要求：每个叶子节点必须挂载“考点等级”“典型错因”“修正动作”三个属性标签。图谱导出为`.xmind`与`.png`双格式，纳入学生数字化学习档案，作为二轮复习导航图。六教学评价体系：过程性评价与终结性评价深度融合建立“三维×四级”评价量表（见下表），覆盖全单元6课时，数据实时汇总至班级数字画像看板。评价维度权重优秀(2325分)良好(1922分)合格(1518分)待改进(<15分)取证方式::::::::工程实现力(代码质量/硬件调试/系统集成)35%模块化解耦完善，单测覆盖率>80%，硬件调试留痕完整，压力测试零致命Bug功能完整，模块化意识萌芽，单测覆盖率>50%，硬件日志规范，非核心Bug<3个核心功能跑通，代码耦合度高，无单测，硬件日志缺失，存在逻辑死循环风险核心功能未跑通，代码不可读，硬件未调通，无异常处理Git提交记录、CI/CD流水线日志、硬件调试记录单、压力测试报告算法建模力(数学推导/模型调优/可视化解读)30%手写推导无误，超参数搜索有理有据，决策边界/权重热力图解读精准，能迁移改进推导关键步骤正确，超参数网格搜索完整，可视化图表规范，解读基本到位推导有概念性错误，超参数凭经验猜测，可视化图表缺失关键标注无法手写核心公式，不理解模型内部机制，可视化图表错误手写推导作业、JupyterNotebook实验记录、可视化图表提交、GridSearchCV日志问题解决与迁移力(任务拆解/迭代优化/伦理推理/真题转化)25%任务拆解结构化，迭代有版本有对比，伦理辩论引经据典，真题举一反三出变式任务拆解较清晰，迭代有记录，伦理观点有依据，真题能独立完成任务拆解碎片化，迭代无记录，伦理观点单一，真题依赖模板套用无拆解能力，无迭代意识，伦理无感，真题不会下手项目任务分解文档、迭代版本对比表、辩论赛速记稿、真题错题本及变式题协作规范与文档力(规范/分工/版本管理/知识沉淀)10%Git流规范，分工明确互补，文档专业级（含架构图/接口文档/测试用例），知识图谱属性完备Git基本规范，分工基本合理，文档要素齐全，知识图谱结构清晰Git提交随意，分工模糊，文档缺项，知识图谱仅列知识点无版本控制，单打独斗，无文档，无知识图谱Git仓库检查、小组分工协议、技术文档档案袋、XMind文件①过程性评价占60%：每课时现场观测记录（教师巡查平板打分）、代码提交质量（SonarQube静态分析分）、实验记录单完整度、小组互评（贡献度系数修正个人分）。②终结性评价占40%：第6课时模考卷（30%）、项目答辩PPT+现场问答（10%，含抗压测试现场改Bug）。③成绩呈现：不公布排名，仅反馈“雷达图素养画像+薄弱考点清单+个性化复习包推荐”，落实评价育人功能。七教学资源包与支撑体系建设为保障教学高质量落地，教研组提前两周完成以下资源建设，统一发布至校本资源平台“智学哈三中”专区：27.硬件标准化套件：统一采购“智能分拣机器人扩展板”（集成TB6612驱动、3.3V/5V稳压、IIC扩展口、TF卡槽）、掌控板主控、4路红外/超声波/RGB/MPU6050模块、TT马达+舵机+履带底盘，每组一套，贴二维码资产标签，建立设备台账。28.软件工程模板仓库：预置`requirements.txt``pytest.ini``.github/workflows/ci.yml``docs/architecture.md``src/robot_hardware/``src/algorithms/``tests/`目录结构，内置代码规范检查（flake8/black/mypy），学生Fork后仅需填充业务逻辑。