客户案例 · 私立教育 · BC 省
匿名案例｜BC 私立教育机构的 AI 课程运营：从生成课程，到教师审核、成绩回传和学生进度
不是让 AI 代替老师教课，而是把课程运营、学生管理、评分审核、进度报告和风险控制，做成一条可审计的自动化流水线。
隐私说明：客户已匿名，客户名称、学校品牌、域名、服务器、课程 join code、人员信息、数据库 ID 和可识别的截图都已去掉，只保留架构、流程和交付结果。
项目概述
为一所私立教育机构搭建的 AI 课程运营系统。AI 在运营层生成内容、初评、检测异常、发提醒、出报告；教师在决策层审核、签核，对每一个放出去的成绩负最终责任。客户身份已匿名处理。
这不是一个普通的在线课程平台。客户已经有 LMS，课程也可以人工上传。真正的问题是：一门学校课程上线以后，围绕它的大量运营工作怎么系统地做完。包括学生注册、课程分配、开课通知、作业生成、AI 初评、教师审核、成绩释放、迟交处理、进度报告、家长沟通，以及学术诚信的风险判断。 NextAgent 的办法，是把 AI 放在「运营层」，而不是「最终决策层」。AI 负责生成、分析、提醒、检测和汇总；教师负责审核、签核，并承担最终的教学责任。
挑战
课程可以人工上传，但围绕它的运营，靠人力没法规模化做完。登录身份和班级上下文、教师权限、学生在读状态、成绩同步、内容质量、迟交政策、进度跟踪、家长沟通和诚信风险，对每个学生、每份作业、每个学期，都要做得一致，还要能审计。
我们的方案
把 AI 放在运营层，不放在决策层。AI 生成课程素材、初评、检测异常、发提醒、出报告；教师审核、调整或驳回，没有教师签核，任何结果都不会放出去。AI 的每一次判断，都记成一个可审计的步骤。
成果
交付了 8 个单元、48 个 topic 的完整课程内容，336 道 MCQ、32 道单元 FRQ、1 个 final project、18 个 assessments，还有 96 个经 oEmbed 验证的教学视频。生产构建、TypeScript 检查、数据库计数和页面健康检查全部通过。交付的是一门能运行、能从 LMS 调起的课程，而不是一堆文件。
人在回路（Human-in-the-loop）：教师负责到底
系统不让 AI 直接决定学生的成绩，AI 只承担重复的分析、初步评分、异常检测和报告生成。所有关键结果，包括 FRQ 评分、最终成绩、迟交扣分、作弊风险标记和课程完成状态，都必须经教师审核、签字确认。教师是最终责任人，AI 是工作流里的助手和审计工具。
教师审核台账（Teacher Review Ledger）
AI 的每一次判断，都记成可审计的步骤，而不是黑箱分数。
- 每一次 AI 评分，都存成 AI draft score。
- 教师可以 approve / adjust / reject。
- 系统记录教师修改前后的差异。
- 每个成绩放出之前，必须有教师签核。
- 每个学生的最终报告，都标明：AI-generated draft，teacher-reviewed final。
每位教师的审核统计（学校后台）
- 待审核数量
- 已审核数量
- 平均审核时间
- AI 分数被修改比例
- 高风险提交处理数量
- 迟交 / 豁免处理记录
这份「教师审核账」很重要：它把 AI 从黑箱评分，变成了可审计的教学流程。
设计方向：下一个模块
学术诚信层（防作弊）
基于这次部署，下一个模块是 AI 辅助的学术诚信层。它不会自动指控学生，只帮教师准备证据。
- Submission fingerprint：提交时间、IP / device / session、编辑时长、复制粘贴的比例。
- Writing style baseline：建立学生平时的写作风格基线。
- AI similarity / over-polish 检测：不寻常的成熟语言、风格突变、模板化表达。
- Cross-student similarity：同班学生答案的相似度检测。
- Source trace check：检查引用、外部资料和可疑段落。
- Deadline anomaly：临近截止时大量提交，或极短时间内写完长文。
- Oral defense trigger：高风险作业，自动要求教师安排简短的口头确认。
- Teacher-only final action：AI 只给风险等级和证据，不能直接判定作弊。
防作弊不是让 AI 自动判学生作弊，而是让 AI 帮老师准备证据包。系统只标记风险、解释原因、建议怎么复核，最终的判断必须由教师做出。
学生生命周期自动化
一个 AI School Ops Agent 盯着整个学生生命周期：谁该做什么，谁没做，谁需要提醒，谁需要教师介入。
1. 学生注册
AI / 系统读取学生资料、年级、课程需求、家长联系方式、LMS 身份和语言偏好。
2. 加入课程
系统根据课程、班级、学期和 LTI context，把学生注册到对应的 class，并生成初始的 submissions、assignments 和 progress tracking。
3. 开课通知
自动给学生、家长、老师发通知，内容包括：
- 课程入口
- 截止日期
- 作业规则
- 迟交政策
- 教师联系方式
- 学习进度的期望
4. 进度和成绩报告
AI 定期生成：
- 学生个人的进度报告
- 缺交名单
- 低分风险
- FRQ 表现分析
- 单元掌握情况
- 教师班级汇总
- 家长能读懂的版本
5. 迟交与规则系统
不是简单扣分，而是一套 policy engine：
- 超过 deadline，自动标记 late
- 按规则扣分（比如每天 2%，封顶 20%）
- 特殊情况，教师可以 override
- 系统记录 override 的原因
- 长期缺交，触发提醒、家长通知和教师介入（intervention）
产品概念：AI School Ops Agent，负责「谁该做什么，谁没做，谁需要提醒，谁需要教师介入」。
技术拆解
- LTI 1.3 launch：从 LMS 进入外部的课程工具，并把用户带到对应的课程页面。
- 成绩回传保护：只有已发布的成绩，而且学生仍是 active class member，才允许写回 LMS。
- 课程生成流水线：outline → lessons → MCQ / FRQ → assessments → final project rubric。
- 资源验证：教学视频通过 YouTube oEmbed 验证，无法嵌入或没确认过的链接，一律不写入。
可复用经验
- LTI 项目不能只做登录；成绩、班级成员状态、教师审核和错误日志，同样是核心。
- AI 适合生成课程初稿，但必须用结构校验、题量校验、答案分布和构建检查来收口。
- 客户案例对外分享时，建议公开方法和结果，不公开客户身份和系统内部的细节。
- 教育平台的交付，要以「能运行的课程」验收，而不是以页面或内容文件验收。