这个 AI 阅卷工具，已经能一晚上改完 2000 份试卷了

5 月 13 日，我打开电脑看了一眼，

任务已经跑完了。

那次任务一共是 2907 份答卷。

不是几张截图的演示，也不是为了录视频准备的小样本，而是一道完整的语文主观题，接近三千份学生答案。

我用的是无人模式，开启了双评。

也就是说，每一份答卷都会先交给两个 AI 模型分别评分。

如果两边分差超过设定阈值，再自动交给更高级的模型做仲裁。

前一天晚上，我把任务挂上去。

第二天早上，它已经全部批完了。

那一刻，我第一次觉得：

这个工具好像真的不只是一个“能跑的脚本”了。

这次任务到底跑出了什么？

这次批改完成后，我做的第一件事不是看总分。

而是去看历史记录。

因为我一直很在意一件事：

AI 阅卷不能只给一个分数。

如果最后只剩下一列“3 分”“2 分”“1 分”，那其实很危险。

老师不知道它为什么这么判，也没法回看过程。

所以现在每一份记录里都会保留比较完整的批改过程。

比如一份 4 分题，系统会记录：

学生识别出来的答案是什么。

最终得分是多少。

评分依据是什么。

分数是怎么计算出来的。

如果开启了双评，还会记录：

老师 A 给了几分。

老师 B 给了几分。

两边分差是多少。

最终是“共识”，还是进入仲裁。

（这个案例是之前的测试，在这次的测试中仲裁量极少）

这次任务里，我看到很多记录都是：

老师 A：3 分。老师 B：3 分。分差：0 分。判定：共识。

这比单纯看到一个“3 分”让我安心很多。

因为我至少知道，这个分数不是某一次模型随机输出的结果，而是两个独立判断达成了一致。

为什么我要做双评？

其实最早版本不是这样的。

一开始，我也是让一个模型直接评分。

它能跑。

也能给出分数。

但我一直觉得不踏实。

因为主观题不是选择题。

尤其是语文、政治、历史这类题，学生的表达方式很多。

有的答案写得很完整。

有的答案写得很散。

有的答案表达不规范，但意思其实到了。

如果只让一个模型判断，它偶尔会偏严，也偶尔会偏松。

所以后来我做了双评模式。

它的逻辑并不复杂：

两个模型同时看同一份答卷。

各自独立给分。

各自写评分依据。

系统再比较两边分差。

如果分差在阈值内，就认为基本达成一致。

如果分差超过阈值，就不直接提交，而是交给第三个更高级的模型重新仲裁。

我喜欢这个设计，是因为它更接近真实阅卷里的“双评 + 仲裁”。

我不希望一个 AI 的一次判断，就直接决定学生的最终分数。

这次最让我在意的，不是速度

说“一晚上能改完 2000 份”，听起来好像重点是快。

但对我来说，真正重要的不是快。

而是它能不能稳定地跑完整晚。

这其实比“AI 会不会打分”更难。

因为真实阅卷和演示完全不同。

演示时，跑十几份、几十份，很多问题不会出现。

但一旦连续跑上千份，问题就会变得很现实：

图片缓存会不会越来越大？

浏览器会不会越来越卡？

历史记录会不会丢？

中途失败能不能重试？

导出时会不会卡死？

平台页面变化后，脚本还能不能继续工作？

这些问题没有一个看起来很酷。

但它们决定了这个工具到底能不能真的用。

所以这段时间，我花了很多精力在这些“不显眼”的地方。

比如历史记录重构。

比如图片缓存优化。

比如分页。

比如导出。

比如自动重试。

比如无人值守暂停。

比如不同阅卷平台的适配。

这些东西写在更新日志里可能很枯燥，但它们才是这次任务能跑完的原因。

这段时间，我几乎是在用“跑一次、修一轮”的方式迭代

这个项目最近的迭代速度非常快。

快到我自己回头看更新日志，都有点惊讶。

5 月 1 日左右，我还在解决长时间批改时历史记录和图片存储的问题。

那时候连续批改多了，图片数据很容易把存储撑爆。

于是我把历史记录图片迁移到了 IndexedDB，并且加了主动清理和存储状态显示。

5 月 2 日，我开始集中处理分小题评分、纠错面板、提示词优化这些问题。

因为真实阅卷里，很多题不是一个总分就能解决的。

老师关心的是：

哪一步得分？

哪一步扣分？

AI 判错了能不能纠正？

纠正之后能不能优化评分标准？

5 月 7 日到 8 日，我又连续适配了好分数、五岳阅卷等平台。

这一步很重要。

因为老师不会为了一个工具改变自己的阅卷平台。

工具必须去适配老师已经在用的系统。

5 月 9 日，我发布了 v 1.21.2。

这一版对我来说是一个很重要的节点。

因为它加入了工作流配置系统和双评仲裁模式。

从这一版开始，它不再只是“点一下让 AI 批改”。

而是可以根据不同场景配置：

快速批改。

普通批改。

高精度双评。

模型组合。

推理深度。

仲裁策略。

后来，又继续补上了华翰云适配、多供应商管理、双评面板重构、CSV 导出详细字段等功能。

再后来，我又连续更新到 v 1.21.3.0。

这一版看起来新增了很多“小功能”：

批阅份数限制。

工具页面。

历史记录分页。

JSON / CSV / HTML 导出切换。

图片缓存大小显示。

图片三态标注。

非阅卷页面也能查看历史记录。

无人值守暂停后不再误刷新。

大量记录筛选不再卡死。

这些功能单独看都不大。

但它们背后其实对应的都是非常具体的问题：

老师只想先批 100 份试试看，所以需要目标批阅份数。

老师不想每次都进入阅卷页面才能看历史，所以需要工具页。

批了几千份后，历史列表太长，所以需要分页。

导出 HTML 时有些图片拿不到，所以需要图片状态说明。

大量图片缓存会不会撑爆浏览器，所以需要缓存大小显示。

无人值守跑到一半暂停，不能因为刷新又误触发，所以要专门修。

这些不是我坐在电脑前凭空想出来的功能。

基本都是：

跑任务。

发现问题。

修掉。

再跑。

再发现问题。

再修掉。

也正是这些“小修小补”，让它越来越像一个真正的工具

很多时候，真正让一个工具变得可靠的，不是某个特别炫的功能。

而是那些很细碎的地方。

按钮文字颜色不对，要修。

Iframe 重复注入，要修。

深色模式下字体看不清，要修。

SPA 页面跳转后工具页没注入，要修。

图片筛选大量记录时卡死，要修。

HTML 导出图片并发过多导致 IndexedDB 超时，也要修。

这些问题看起来都不适合写成宣传语。

但真实产品就是这样长出来的。

不是一开始就成熟。

而是在一次次使用里，把那些会让老师皱眉头的地方一点点磨平。

Excel 导出，是我这次最满意的结果之一

跑完以后，我把结果导出了 Excel。

打开表格的时候，感觉很明显：

这已经不是一个简单的“AI 给分工具”了。

每一行对应一份答卷。

里面不只是最终分数。

还包括识别答案、AI 评语、评分依据、分数计算、老师 A 的判断、老师 B 的判断、分差、是否共识等信息。

这对老师来说很重要。

因为大规模阅卷结束后，真正麻烦的不是“看一个分数”。

而是：

需要回查。

需要复核。

需要解释。

需要整理数据。

如果一个工具只能给分，但不能留下过程，那它很难进入真实教学场景。

所以我现在越来越觉得：

可追溯，比单纯自动化更重要。

我也算了一笔成本账

跑完几次千份级任务之后，我专门算了一下成本。

在双评模式下，每千份答卷大约 8 元左右。

如果使用单评模式，成本大概还能再低一半。

这个数字对我来说挺重要的。

因为如果 AI 阅卷一次就要花很多钱，那它最多只能用来演示。

但如果成本能降到这个级别，它才有可能变成老师日常愿意使用的工具。

当然，双评会比单评贵一些。

但我觉得在很多主观题场景里，这个成本是值得的。

因为它换来的是更稳定的判断和更完整的评分过程。

它现在已经支持哪些场景？

目前这个工具已经适配了多个常见阅卷平台。

包括：

智学网、七天网络、好分数、五岳阅卷、华翰云、光大阅卷等。

使用方式也不再只有一种。

可以普通批改。

可以试改后由老师确认。

也可以无人值守批量运行。

还可以配置不同的工作流，比如快速批改、高精度双评、仲裁策略等。

这些功能听起来有点像产品介绍。

但它们其实都是被真实场景推出来的。

比如有老师希望先看几份，确认评分标准没问题后再自动提交。

于是有了试改模式。

有人希望晚上挂着跑，第二天再看结果。

于是无人值守变得很重要。

有人担心 AI 判断不稳。

于是双评仲裁成了核心功能。

有人需要留档和复盘。

于是导出和历史记录必须重构。

很多功能不是一开始规划出来的。

而是被真实使用一点点逼出来的。

当然，它还不完美

我不想把它说成一个无所不能的工具。

现在它仍然有很多限制。

手写识别遇到特别潦草的字迹，仍然可能出错。

特别开放的主观题，仍然需要老师抽查。

不同阅卷平台如果页面更新，也可能需要重新适配。

评分标准如果写得不清楚，AI 也会跟着不稳定。

所以我现在更愿意把它定位成：

一个帮老师减轻重复劳动的工具。

而不是替代老师的工具。

它适合做大量重复、可标准化、需要留痕的批改任务。

但最终的教学判断，仍然应该在老师手里。

接下来，我会写一篇真正给老师看的安装指南

这段时间，也有不少老师问我：

这个工具到底怎么安装？

油猴是什么？

怎么配置？

怎么开始批改？

这些问题我都记下来了。

但这篇教程我想稍微再等几天发。

不是不想写，而是因为我还想先把工具本身再打磨一下。

现在它已经能跑千份级任务，也能完成双评、导出、无人值守这些核心流程。

但对很多老师来说，真正的门槛可能并不是“它能不能批改”。

而是：

安装会不会太麻烦？

配置会不会看不懂？

第一次使用会不会不知道点哪里？

API 怎么填？

工作流怎么选？

出了问题怎么排查？

所以在写教程之前，我想先继续优化一轮使用体验。

把配置流程变得更简单一点。

把首次使用引导做得更清楚一点。

把一些容易卡住的地方再往前处理掉。

我希望接下来那篇教程，不是“开发者觉得很清楚”的教程。

而是真正让老师可以一步一步跟着做的教程。

从安装浏览器插件，到打开阅卷平台。

从配置模型，到选择工作流。

从第一次试改，到正式批量批改。

尽量每一步都有截图，每一步都说人话。

所以还需要给我几天时间。

我想先让它更好用一点，再把完整教程发出来。

为什么这次我觉得它不一样了？

因为过去我更多是在做功能。

这次是它真的跑完了一次又一次大任务。

2908 份答卷。

双评。

无人模式。

历史记录。

Excel 导出。

成本可控。

过程可追溯。

再加上这段时间几乎每天都在快速迭代。

这些东西放在一起，意义就不一样了。

它不再只是一个“我做了个 AI 小工具”。

而是开始接近一个真实可用的阅卷系统。

当然，它还有很多地方要继续打磨。

但至少这一次，我看到它在真实任务里跑完了。

而且结果是可以检查、可以导出、可以复盘的。

这对我来说，是一个很重要的节点。

如果你刚好是老师，或者身边有老师朋友，欢迎来试试看。

我也非常需要真实教学场景里的反馈。

因为只有真正被使用过，工具才会知道自己哪里还不够好。

📌 公众号后台回复：

【阅卷】

即可获取在线测试地址。

哦对了，github仓库链接我放在这了：https://github.com/five-plus-one/AI-Marker-Suite