从工具到平台:我用AI分析学生成绩的四次迭代

作为一线教师，学生成绩分析一直是教学工作中的重要环节，但也是最耗时的部分之一。过去一年，我经历了从使用现成AI工具到自建分析平台的完整历程。这篇文章记录了四个关键阶段，以及每次迭代背后的思考。

第一阶段：商业工具试水 - 小浣熊

痛点：手工整理Excel表格，逐个学生分析成绩趋势，一个班级40人至少需要半天时间。

方案：使用商汤科技的小浣熊AI助手，上传成绩数据后，为每个学生自动生成成绩分析图片。

为什么选它：

局限： 1.分析维度固定，无法针对特定需求（如临界生筛选、科目短板分析）定制。

2. 最终数据需要多轮的修改才能完全符合要求。

3. 图片需要一张一张导出，费时费力。

第二阶段：AI辅助编程 - DeepSeek/Kimi

痛点：需要更灵活的分析维度，但我不是专业程序员，从零写代码效率低。

方案：用DeepSeek、Kimi等AI对话工具，描述需求让它生成Python代码，我负责上传数据和运行脚本。

主要算法

为什么选它：

局限：每次分析都要重新描述需求、调试代码，无法沉淀为可复用的工具。而且代码质量参差不齐，有时需要多轮调试。

痛点：重复性工作太多，每次考试都要重新生成代码。需要一个可交互、可配置的分析平台（全程一行代码没写，只是解决环境问题）。

方案：让Claude（Kiro）帮我生成一个完整的Web应用，技术栈：

为什么选这套技术栈：

核心功能：

效果：从"每次考试重新写代码"变成"打开网页、上传数据、点击分析"。一个班级的全面分析从半天缩短到10分钟。

局限：部署和维护需要一定技术基础，且界面交互仍有优化空间。

痛点：虽然有了平台，但数据上传、参数配置、报告生成仍需手动操作。家长会前要为每个学生打印趋势图，又是一轮重复劳动。

方案：使用Codex，通过自然语言指令完成整个分析流程。

核心能力：

Codex：

为什么是质的飞跃：

核心演进逻辑：

不要迷信"一步到位"：从简单工具开始，在实践中发现真实需求，再逐步迭代。我如果一开始就想自建平台，可能会因为技术门槛放弃。
AI的价值在于降低门槛：DeepSeek/Kimi让非专业程序员也能写代码，codex（Claude code）让代码都不用写。技术的进步正在让"定制化"变得大众化。

3. 工具选择的三个维度：

4. 数据分析的终极目标：不是生成漂亮的图表，而是让数据驱动教学决策。工具再先进，如果不能帮助我更好地理解学生、调整教学策略，就失去了意义。