【TextIn大模型加速器+火山引擎】打破家校次元壁，基于 TextIn + Coze 打造智能批改Agent

前言：当遗忘知识的家长想辅导孩子却请不起家教，当身心俱疲的老师遇到堆积如山的作业

上周六晚上，小姨带着初二的表弟来家里做客。饭还没吃完，作业就已经摊了一桌。她一边翻着英语和数学练习册，一边苦笑着说：“现在的题我是真的看不懂了，不是不想教，是完全不知道从哪儿教。”我凑过去看了一眼——函数、几何证明、完型填空。对一个多年未碰过课本的家长来说，这些内容早已不是“忘了”，而是彻底脱节。小姨不是不努力，她陪写作业、查资料、刷短视频讲解，可越努力越焦虑；孩子不是不认真，题做了一遍又一遍，错因却始终没人真正讲清。她也想过请家教。但现实是残酷的：一对一动辄几千块一个月，质量参差不齐，效果全凭运气。很多家庭被卡在一个尴尬的位置——想要更好的辅导，却负担不起长期的专业支持。

而站在另一端的老师，其实同样疲惫。作业越布置越多，批改时间却被不断压缩；红笔改满整页，学生依旧在同样的地方出错。老师想“因材施教”，却被海量重复劳动拖住；家长想“参与教育”，却被知识门槛挡在门外。这一刻你会发现，问题并不在某一个人身上，而在于：

家校之间，存在一道越来越厚的“辅导次元壁”。

家长：有责任心，但没有专业能力

学生：有作业反馈，但没有真正理解

老师：有专业判断，却没有足够时间

当“会不会教”变成一种稀缺资源，教育焦虑就不再是个别现象，而是一种结构性困境。我忽然意识到，AI发展这么多年了，似乎并未真正的步入为所有学生服务的领域，动不动就是学习机、智能单词笔等，动辄上千块。都在说要让AI让孩子更快速学习知识，但现实却是把AI附属于那些昂贵的智能学习用品上，公司最初的为社会承担责任也转变为了利益至上。

于是我想，如果有一个工具，它仅仅是一个APP ，能够看懂孩子拍照上传的手写作业，可以自动识别题型和错误，能像老师一样指出孩子的错误并根据孩子水平动态给出专项练习。是不是能解决家长只是“陪在旁边焦虑”？老师只是在“重复劳动”中消耗？

基于这个思考，我开始尝试用 TextIn + Coze，搭建一个面向家校场景的智能批改 Agent。

业务场景

这张泳道图描述的并不是一个“批改功能”，而是一条完整的文档流转链路。流程从用户端开始，学生完成作业后，系统同时接收两份输入：一份是拍照上传的学生做题试卷，另一份是对应的模板试卷。前者承载的是高度非结构化的手写答案与解题过程，后者提供的是稳定的题目结构和题号边界。这种双输入的设计，保证了后续系统在处理学生答案时，始终有一个明确的题目参照系，而不是在一张模糊图片里反向“猜题”。

作业进入系统后，并没有立刻进入大模型推理，而是先经过 TextIn 的图片识别能力，将纸面作业转换为可计算的中间表示。识别阶段不仅输出文字结果，还会保留题块、步骤和数学表达式的结构信息，使得每一道题在系统中都有清晰的边界。这一步完成之后，作业才第一次从“人能看懂的图片”，变成“机器能理解的数据”。随后，结构化结果被送入 Coze 平台，由 Agent 的流程编排能力接管。ParseX 节点负责把模板试卷与学生试卷统一到同一套题目 schema 中，解决题号对齐和内容归一的问题；循环节点则以“单题”为粒度驱动后续流程，使每一道题都可以独立进入判题、批改和反馈阶段，而不影响整张试卷的稳定性。

在这一基础之上，大模型 开始介入，但并不是以一次性生成的方式工作。泳道图中将推理过程拆成多个阶段：先判断题型和答案形态，再生成参考解答，随后对学生解题过程进行逐步比对，最后基于错误类型生成针对性的练习内容。每一个阶段都有明确的输入和输出，使得批改结果可追溯、可调试，也避免了单次大模型调用带来的不确定性。最终，这些结果被重新汇总并写回到用户侧的学习系统中，学生看到的不只是对错判断，而是包含错误定位和后续练习建议的结构化反馈，从而形成一次可闭环的学习流程。

技术底层：为什么是TextIn+Coze+大模型工作流组合？

TextIn大模型加速器 ：学生作答的精准识别高手

如果说普通 OCR 是 “看懂文字”，TextIn 则是 “读懂学生的解题逻辑”—— 作为学生作答内容的专属识别引擎，它凭借针对教育场景的深度优化，成为精准捕捉手写作业核心信息的 “高手”，其能力不止于文字提取，更在于对学生作答习惯、解题过程的全方位适配与精准还原。

学生作答的核心价值不仅在最终答案，更在解题步骤中暴露的思维轨迹 —— 这也是老师批改、系统判错的关键依据。TextIn 突破传统 OCR “逐行提取” 的局限，通过空间布局分析与语义关联识别，自动还原步骤的层级与逻辑顺序：无论是分点罗列的证明过程、分步计算的算术题，还是带有箭头指引的推导步骤，都能被拆分为 “步骤 1 - 步骤 2 - 步骤 n” 的结构化数据，且保留每一步与题干、公式的关联关系。即使学生字迹密集、步骤交叉书写，TextIn 也能通过上下文语义与空间位置校准，精准区分不同步骤的边界，避免因步骤混淆导致后续判题误判，真正实现 “机器能读懂的解题逻辑”。

Coze+大模型：智能批改的 “逻辑中枢” 与 “推理大脑”

Coze 与大模型的组合，彻底解决了 “流程不可控” 与 “推理不精准” 的双重痛点：Coze 通过模块化编排，让大模型的推理过程 “有章可循”，避免了单次调用带来的结果不确定性；而大模型的深度推理能力，又让 Coze 的流程编排 “有血有肉”，摆脱了传统规则引擎的僵化局限。两者组合，仅通过拖拽、点选等简单操作，就能快速将 TextIn 的解析能力与大模型的交互功能串联起来。例如，当学生解题步骤不完整时，Coze 会驱动大模型先判断 “是遗漏关键步骤” 还是 “步骤表述简洁但逻辑完整”，再决定是否标记错误；当大模型生成的练习难度过高时，Coze 会调用学生历史学习数据接口，动态调整练习难度，确保推荐内容的适配性。这种协同让整个批改流程既 “稳定可靠” 又 “智能灵活”，完美承接家校场景的核心需求。

技术方案：15 分钟搭建全自动批改Agent

搭建流程

接下来我们开始搭建Coze工作流，可以分为以下三步：

Coze工作流创建：拖拽节点，添加"TextIn文档解析"插件

大模型交互配置：接入选择好的大模型以及工具，设置prompt（对文档进行什么处理，输入时什么，输出是什么等）

确定输出格式：要求模型输出url链接方便用户下载，最终可以回写入APP里（此步过于庞大，未实现）。

首先我们点击Coze创建工作流，然后进行直观的工作流描述，这样如果后面有搭建Agent智能体的需求，可以让智能体知道在什么场景下调用该工作流。

我们将集成合合信息专为 LLM 下游任务打造的 TextIn ParseX 解析插件 —— 作为聚焦智能文档解析处理的核心组件，它是整个 Coze 工作流的关键环节。该插件可精准识别文档或图片中的文字信息，将内容转化为 Markdown 格式，并严格遵循常规阅读顺序完成内容还原，既能保证文档结构与信息的完整性，又能为下游各类大语言模型任务（如内容分析、问答生成、知识提取等）提供高质量的数据支撑，有效赋能 LLM 下游任务的落地执行。并将其插入循环节点中，确保每次上传的图片数量不一样，都可以遍历解析完。

然后添加大模型节点，如图所示，配置好对应的输入、提示词、用户提示词即可。

将所有大模型prompt进行配置后，我们的工作流即可创建完成，不需要涉及任何第三方的密钥，十分的快捷且方便。效果如下所示：

测试与对比

这里我选择了一套初三英语试卷作为工作流测试对象，选取该试卷的 8 张拍摄照片作为输入测试，能从场景覆盖、功能验证、实用性三个维度充分检验工作流的可靠性，具体可以概括如下：

覆盖了初三英语试卷的典型复杂格式，验证 ParseX 适配性：

多元素排版适配：包含选择题、完形填空、阅读理解、书面表达等题型布局，还有中英双语题干（英文题目 +中文说明）、题号层级、选项列表、表格类阅读素材、手写印刷体混排（如题目标注）等英语试卷常见元素，能测试 TextIn对复杂排版的解析精度；

多信息模块覆盖：同时包含题目文本、选项内容、分值标注、答题区域、题型分类标识等工作流需提取的全量字段，可一次性验证所有目标字段的提取完整性。

验证工作流的核心能力与完整流程：

OCR 解析能力测试：8 张照片涵盖不同题型的印刷体文本、中英文混排、特殊标点（引号、破折号、括号）、数字序号等，能检验 TextIn对英语学科文本的字符识别准确率（避免乱码、错字、漏识别选项）；

结构化提取能力验证：可验证大模型节点是否能准确区分 “题干 / 选项”“不同题型文本”“分值 / 题号”

等同类字段，避免信息混淆或字段归属错误；

端到端流程完整性：从 8 张试卷照片依次解析→分题型字段提取→结构化结果输出的全链路流程，能验证 Coze工作流的插件串联、多图片批量处理、数据跨节点传递是否无断点。

贴合实际应用场景，验证工作流实用性：

真实教学场景匹配：初三英语试卷是课外辅导、学情分析的高频处理对象，以此为测试样本，能验证工作流在实际教育场景中批量处理试卷文档的可用性；

多图片拼接适配：8 张照片对应试卷不同页面，可测试 ParseX对多页文档的连续解析能力，以及工作流对分片图片的整合处理效果，贴合真实场景中 “整卷分拍上传” 的使用习惯。

最终用时4分20秒，当然，这并不算好，原因是我们调用了太多不同的大模型，但如果能使用强大模型，我相信一个模型就足以代替这4个模型的工作。

我们打开输出的两个url链接进行查看，模型的输出是达到了我们预期的目标的：

真人对比

我们参考正确答案，找了一位英语老师进行对比，以及让一个初三孩子家庭对工作流效果进行评价，得出了如下信息：

对象 准确率 改卷时间 出题时间 家长评分（100）

Agent 86% 4分20秒 4分20秒 95

老师 100% 2分01秒 43分53秒 96

我们可以看到，基于 TextIn + Coze 打造智能批改Agent虽然在准确率上比不上真人，但它在时间开销上是远远胜过真人老师，如果一个班上有几十名学生，老师是无法做到针对每个学生的错题进行出题专项练习巩固知识的。而家长更难以做到为自己的孩子改题目出练习，而我们仅花费15分钟就搭建好了一个解决两边难题的工作流。

总结

受限于项目推进的时间周期与现有资源投入，我们暂未开发专门的 APP 来承载和展示最终的回写内容，现阶段主要通过基础输出界面完成结果呈现。同时，由于当前工作流中集成了四个不同功能的模型协同运作，多模型的调用、数据交互与结果整合环节不可避免地增加了整体耗时，导致输出效率尚未达到最优状态。但结合技术验证过程中的经验来看，若替换为两个功能更强大、适配性更高的核心模型，通过精简模型链路、优化数据传递逻辑，我们完全有信心对这一工作流进行更高效的迭代升级 —— 不仅能显著缩短处理耗时，还能进一步精简流程节点、提升结果精准度，实现整体效能的跃升。

TextIn 与 Coze 搭建的这套工作流，让我切实看到了 AI 技术真正落地教育场景的清晰路径与巨大潜力：它打破了传统教育中优质辅导资源的壁垒，无需复杂的技术门槛，无论是身处城市还是乡村的家庭，无论是经验丰富的资深教师还是刚入行的年轻教育工作者，都能借助这套智能化工具，为孩子提供个性化的学习辅助 ——从试卷解析、错题分析到针对性训练题生成，AI 能精准补足人工辅导中的效率短板与细节盲区。这意味着，AI 不再是教育领域的 “概念化存在”，而是真正能触达每一个家庭、每一位教育者的实用工具，让普惠化的优质教育辅导成为可能，也让我们对 AI 赋能教育的未来充满期待。