html2.link
| 学习路线 | 你的任务 | 完成标志 |
|---|---|---|
| 进入工作区 | 打开项目，保存工作规则，放入脱敏数据 | AI能够读取规则和数据文件 |
| 理解数据 | 扫描结构，确认人数、满分和异常数据 | 形成数据字典和明确的统计口径 |
| 发现问题 | 从整体、题目、班级和学生等维度分析 | 找到至少一个有教学价值的问题 |
| 验证结果 | 用独立路径核对关键数字和结论 | 能够说明证据、警告和处理方式 |
| 形成成果 | 生成可查看的分析报告，并升级为最小UI | 报告能够打开；UI能够筛选、查询，数字与审计结果一致 |
| 迁移应用 | 寻找下一个适合智能体协作的真实任务 | 写下一个准备尝试的工作项目 |
不需要复制完所有提示词。先完成核心任务，再根据自己的进度继续探索。
打开浏览器，访问TRAE官方下载页面：https://www.trae.cn/ide/download
.dmg，将TRAE拖入"应用程序"。首次打开如提示"来自未识别开发者"：系统设置 → 隐私与安全性 → 点击"仍要打开".exe 安装，按提示完成即可（建议不要改默认路径）AI成绩分析，在TRAE中将其设为工作目录这是你在TRAE中输入的第一条指令。不用去命令行敲命令，直接用自然语言告诉AI你要什么：
AI会逐个检查已安装的库版本，如果全部就绪会告诉你"环境已准备好"。
成绩分析最怕什么？不是算错了，而是数据都读错了。如果AI把"主观分"当成了不含写作的分数来算，那后面所有的平均分、得分率、班级对比、教学建议——全部建立在错误的基础上，做得越精致错得越离谱。
所以你需要在分析开始之前，就立好规矩：先扫描确认数据结构、用代码精确计算、算完必须审计验证、不确定的必须问。这4条规则就是防止"从第一步就错了"的防线。
而你要体验的是：把规则保存到项目文件中，让后续任务能够持续参考。这不是保证AI“永久记住”，重要任务开始时仍要确认它是否读取并遵守了规则。
在对话框里输入下面这段话。不用一字不差，用你自己的话说也行，核心意思到了就可以：
你可能觉得这4条规则有点抽象。别急，逐条解释——理解了这些，你就理解了成绩分析的核心方法论：
什么是数据字典？它就是你的数据的"说明书"——记录每个文件里有哪些列、每列叫什么、数据是什么类型、表头在第几行、数据从第几行开始。
打个比方：你拿到一个陌生的柜子，数据字典就是贴在柜门上的清单——第一个抽屉放什么、第二个放什么，一目了然。
为什么不能跳过？因为Excel文件的表头远比看起来复杂：有的表头只有一行，有的有两行甚至三行合并；有的列是空的，有的列名看着差不多但含义完全不同（比如"A率"和"A人数"）。不先扫描清楚，后面计算时就会读错列、读错行，算出错误的数字。
一句话：先看图纸再施工，不要凭印象猜结构。
你可能会想：直接问AI"平均分是多少"不就行了吗？为什么要绕一圈让AI写代码？
因为语言模型生成的是文本，不能替代对真实数据的计算。没有实际读取并运行计算时，它可能给出一个“看起来合理”的数字；成绩分析中的人数、平均分、比例和排名，必须由程序从当前数据中计算。
Python不同。它直接读取你电脑上的真实Excel文件，用数学公式逐行逐列精确计算。同样的数据跑十次结果完全一样，任何人拿到同样的代码和数据都能验证。
一句话：AI负责理解需求和写代码，Python负责精确计算。你看到的每个数字，都是Python从真实数据中算出来的，不是AI"觉得应该是"的。
算完了不等于算对了。审计就是用不同的方法重新验证一遍——比如人数对不对得上、各部分加起来等不等于总分、跨表数据是否一致。
真实案例：有一次分析把“主观分”满分当成42分，算出所有班级主观题得分率都在90%以上。审计时，“客观分＋主观分＝总分”验证通过，说明主观分已经包含写作；同时主观分最大值达到52，否定了满分42的假设。继续核对三道主观题和写作构成后，确认满分应为52。重算后得分率从91%降到74%，结论完全反转。
一句话：审计是最后一道防线，防止结构正确但内容错误的数据"骗过"你。
数据字典能告诉你“这列叫主观分”，但无法独立确认“主观分里是否包含写作、满分是42还是52”。这类内容层面的问题需要结合命题和阅卷口径确认。
AI遇到不确定的字段含义，应该主动询问，而不是自己猜一个然后用下去。人负责确认数据含义，AI负责执行。
AI会根据当前平台支持的项目规则机制创建或更新规则文件，把4条要求写进去，并告诉你保存位置。
请打开规则文件核对内容。后续任务可以持续参考这些规则，但重要任务开始时仍应要求AI确认一次。
开一个新对话，测试AI是否"记住"了你的规则：
AI会复述你设置的4条规则，证明规则文件已生效。
一次性网页对话通常围绕当前会话和已上传材料展开；换一个任务或新会话时，项目规则、文件关系和处理流程往往需要重新说明。
在TRAE工作区中，可以把要求保存为项目规则，让后续任务持续参考。这就是智能体的项目上下文能力：不是保证“永远记住”，而是把关键要求沉淀为可查看、可修改的文件。
AI成绩分析 中；第二次考试数据保留到独立挑战时再发放网页对话适合围绕当前材料进行一次性问答；在TRAE工作区里，AI可以围绕整个本地项目持续读取文件、调用工具并保存产物，更适合多文件、可复用的成绩分析任务。
你可能会想：成绩分析不就是算算平均分、排排名次、找找弱题吗？为什么要搞六个模块？
因为成绩分析的目的不是"算出一堆数字"，而是支持教学决策。如果只是算数字，算完就结束了；但如果要支持决策，就必须回答一个完整的问题链：
每一个模块回答一个核心问题，六个问题串成一条完整的决策链：
①数据可靠吗 → ②整体表现怎样 → ③具体哪里出了问题 → ④问题集中在哪些人 → ⑤与过去相比发生了什么 → ⑥下一步采取什么行动
这条链的逻辑是：先证明数据可用，再描述现象；先发现问题，再定位人群；最后才作决策。
很多人习惯按分析对象来分：先分析年级，再分析班级，再分析学生。但这样分有个问题——每个对象下面都要重复列平均分、排名、得分率，最后什么都分析了但什么决策都做不了。
按决策链条来组织就不一样：模块二算完整体平均分后，模块三用来分解到每道题找问题，模块四用来定位到哪些班级和学生——同一个平均分在 不同模块中服务于不同的决策，不重复计算。
这就是六维分析的核心原则：按“要支持什么决策”来组织，不按“能算出什么”来排列。
| 模块 | 核心问题 | 输出 |
|---|---|---|
| 维度一：数据与考试质量 | 数据可靠吗？ | 分析准入表 |
| 维度二：整体成绩画像 | 整体表现怎样？ | 水平定位 + 分布形态 |
| 维度三：题目与能力诊断 | 具体哪里出了问题？ | 薄弱题目/板块定位 |
| 维度四：群体与个体定位 | 问题集中在哪些人？ | 班级差异 + 学生分层 |
| 维度五：发展变化 | 与过去相比？ | 纵向趋势（需多次考试） |
| 维度六：教学干预 | 下一步做什么？ | 分年级/班级/学生的行动建议 |
数据放进去了，规则也设好了。先用一句真实任务启动协作，再检查AI是否确实执行了扫描：
AI应说明：识别了哪些文件、表头和字段，数据从哪一行开始，发现了哪些缺失或异常，以及生成的数据字典保存在哪里。
不要先看标准答案。把AI报告的人数、满分和统计口径记录下来，并说明证据来自哪张表。
AI扫描完了不等于扫对了。你要追问关键信息，确认AI理解的数据结构和你知道的一致：
请填写你的核对结果：参与统计____人；满分____分（客观____分＋主观____分）；应考____人；实考____人；缺考____人。
证据来源：________________；仍需进一步确认的口径：________________。
这一步是模块一的核心——不是拿到数据就开始算，而是先判断这份数据是否具备被分析的资格。让AI做一套完整的质量检查：
AI会生成一张"分析准入表"，列出每项检查的结果：通过/警告/失败。如果全部通过，告诉你"数据可信，可以进入正式分析"。
不是拿到数据就开始算，而是先判断这份数据是否具备被分析的资格。没有这一层，后面的精细分析可能只是"精确地分析错误数据"。
模块一的最终输出是一张"分析准入表"——只有通过准入表的数据，才能进入后续五个模块。
AI能检查数据结构、发现异常记录，但“发现异常后怎么处理”需要你决定——是删除、标记后保留，还是进一步核验。不要让AI静默处理。
数据文件（如"学科成绩对比""班级成绩对比"）里，可能已经包含了平均分等统计数字。先让AI读出来，再从原始成绩重新算验证：
AI会告诉你：文件里的平均分是XX，从原始成绩重新算是XX，是否一致。如果不一致，AI会分析原因（比如统计口径不同）。
平均分只回答"总体在什么位置"，但同样71分的平均分，可能来自"大部分在70-75"，也可能来自"一半85+一半55-"——教学决策完全不同。让AI同时算三个维度：
AI会返回一个完整的"整体画像"：集中趋势+离散程度+分布形态三个维度同时呈现，外加等级结构表。
集中趋势、离散程度、分布形态三者必须同时呈现，不能只报一个平均分。
平均分回答"总体在什么位置"；标准差回答"学生之间差多少"；偏度和峰度回答"分布是什么形状"。三个维度合在一起，才能判断"这次考得怎么样"以及"需不需要关注分化问题"。
数据文件里现成的统计数字，可以先看，但不能直接信。因为它可能是别人用不同口径算的——比如"参与统计人数"包不包含缺考？先读已有的，再从原始数据重算验证，这就是规则3"独立审计验证"的体现。
模块二告诉你"整体怎样"，模块三把整体分解到每道题，回答"哪些题是薄弱环节"：
不是所有低分题都值得补——有些题难到没人能做对，补了也补不动。要找的是"有很多人失分、但不是完全做不出的题"，这些分数才追得回来：
模块三不是简单列一个"得分率从低到高排序"，而是要综合四个维度：失分程度×涉及人数×可追回性×区分度。
得分率10%的题（几乎没人做对）和得分率55%的题（一半人能做对），教学策略完全不同——前者可能要放弃或只针对尖子生，后者才是全年级应该重点突破的。
AI能算出题目得分率，但“为什么这道题得分率低”需要结合教学和答题情况判断——可能是知识、审题、表达或试题本身的问题。
模块三定位了"哪些题有问题"，模块四回答"这些问题集中在哪些班级和学生"。先看班级层面：
AI会返回一个班级对比表，包含各班均分、标准差、A+B比例，以及每个班特有的短板题目。
不是简单按分数分A/B/C/D/E，而是按诊断类型分层——同样考了65分的学生，一个是"客观题强主观题弱"，另一个是"选择题全对但作文跑题"，教学策略完全不同：
班级差异不能直接归因于单一因素——成绩同时受学生基础、班级氛围、教学进度等多种因素影响。这个维度的目的是“定位”而非“归因”。
学生分层从"分数分层"升级为"诊断型分层"——不只看考了多少分，还要看为什么考了这个分。同样是65分，教学干预方向可能完全不同。
纵向对比需要至少两次考试的数据。完成一次单次考试分析后，可以继续用两次脱敏数据探索发展变化。
跨考试比较不宜直接比较原始分——不同试卷难度不同，平均分涨了3分可能是因为卷子简单了，不是因为学生进步了。
更科学的做法是比较标准分或百分位排名，消除试卷难度差异的影响。但作为初步分析，直接比较也有参考价值，只要注明"需结合难度变化解读"。
模块五的纵向变化最终服务于模块六——"上次教学干预有没有效果"需要通过模块五来验证。如果上次重点补了某道题，这次这道题得分率上去了，说明干预有效；如果没变甚至下降，说明策略需要调整。
前五个模块都是"发现问题"，模块六是"解决问题"。让AI把前面的分析结果整合成行动建议：
任何教学干预都必须有"何时复测、怎么验证效果"的计划，否则就只是"做了"但不知道"有没有用"：
模块六是整个分析体系的终点。每个发现都必须转化为"证据→涉及学生→原因→行动→谁负责→何时复测"的完整链条。
没有复测计划的干预等于没有干预——因为不知道有没有效果。模块六的复测结果将成为下一次考试分析的输入，形成"分析→行动→验证→再分析"的持续改进循环。
AI能做的：把前面五个模块的数据整合成结构化的建议框架，列出每个层面涉及哪些学生、数据依据是什么。
AI不能替你完成的：确认教学根因、决定采用什么策略、评估某个学生是否适合特定干预方式。
所以这个维度的输出是建议框架，不是最终方案。请结合实际情况修改确认后再执行。
分析做完了，让AI把结果做成一份可视化报告：
.html 文件不要重新计算数据，直接使用已经审计通过的分析结果，把“只能看”的报告升级成“可以查”的本地界面：
现场只完成最小UI。完整的项目总控台、学生成长台账、教学干预与复查，参见后面的“升级UI界面”和“升级学生台账”。
关键差异不在于能不能生成文字，而在于能否围绕工作区连续执行：读取数据、运行代码、保存脚本、生成报告，再把报告升级成可以筛选和查询的本地UI，并根据验收结果继续修改。这不只是回答，而是完成并迭代一个项目。
| 必须交出的成果 | 自检问题 |
|---|---|
| 数据字典 | 我能说明文件、字段、人数和满分口径吗？ |
| 核心分析 | 我找到至少一个有教学价值的问题了吗？ |
| 审计证据 | 我能说明用什么独立路径验证、是否有警告吗？ |
| 专业判断 | 我区分了数据事实、AI建议和自己的专业判断吗？ |
| 可查看报告 | 我生成了HTML或Word，并保留了可复用流程吗？ |
不是“报告生成了”，而是你能解释：为什么先扫描、数字由什么程序计算、结果如何验证、AI建议在哪里结束、你的专业判断从哪里开始。
TRAE能做的远不止成绩分析。试试这些：
| 你想做的事 | 在TRAE中怎么说 |
|---|---|
| 做PPT/演示文稿 | "帮我做一个关于XX主题的演示文稿" |
| 处理问卷数据 | "帮我分析这份问卷数据" |
| 写教学反思 | "帮我写一篇关于XX的教学反思" |
| 做数据看板 | "帮我把这些班级数据做成可视化看板" |
| 跨学科分析 | 换一份数学/英语成绩数据，同样的对话方式 |
课堂现场已经完成：把审计通过的HTML报告升级为带有总览、筛选和查询功能的最小UI。下面讨论的是如何在课后把这个最小UI继续扩展为完整工作平台，不是把UI操作全部留到课后。
| 成果形态 | 能够做什么 | 主要局限 |
|---|---|---|
| 分析报告 | 阅读结论、查看图表、保存或打印 | 内容相对固定，查找具体学生不方便 |
| 查询面板 | 搜索、筛选、切换图表和查看明细 | 通常以查看为主，尚未形成完整工作流程 |
| UI工作界面 | 把导入数据、运行分析、查看报告、学生台账和项目检查放在一个入口 | 需要明确数据更新、权限和验收规则 |
| 验收问题 | 合格标志 |
|---|---|
| 普通教师找得到入口吗？ | 主要任务使用清楚的中文导航，不要求先理解代码 |
| 操作有前后关系吗？ | 预检→运行→审计→查看成果的状态清晰 |
| 数据更新后会同步吗？ | 重新分析后，指标、报告和台账能够刷新 |
| 错误能被看懂吗？ | 不仅显示失败，还说明缺什么、到哪里处理 |
| 国内网络环境能用吗？ | 不依赖国外API、CDN或在线字体，断网仍可运行核心功能 |
一次考试分析回答“这次发生了什么”；学生成长台账继续回答“这名学生发生了怎样的变化、采取过什么措施、措施是否有效”。
一次考试形成一份诊断报告；多次考试形成一条成长轨迹；持续干预形成一份学生成长档案。
| 需要准备 | 最低要求 | 作用 |
|---|---|---|
| 两次或更多考试数据 | 每次都有学生总分；最好还有小分表 | 形成历次成绩与能力变化 |
| 稳定学生编号 | 同一学生在不同考试中使用同一个编号 | 跨考试正确关联学生 |
| 考试信息 | 考试名称、日期、学科、满分和统计口径 | 避免把不同口径直接比较 |
| 题目能力映射 | 题号对应内容板块或核心能力 | 追踪学生短板怎样变化 |
| 验收问题 | 合格标志 |
|---|---|
| 同一学生关联正确吗？ | 抽查若干学生，历次编号、班级和成绩能一一对应 |
| 进步方向正确吗？ | 明确名次百分位越小越靠前，并用具体学生人工核验 |
| 数据会被覆盖吗？ | 导入新考试后，旧考试和旧干预记录仍然保留 |
| 结论能追溯吗？ | 每个短板和变化结论都能回到考试、题目或记录 |
| 页面断网能用吗？ | 关闭VPN和互联网后，列表、筛选和个人档案仍能打开 |
以下案例按需阅读，用来理解智能体项目为什么仍需要人的验收。你不必一次读完，可以在遇到相似问题时回来查阅。
发生了什么：早期对比结果曾把“进步Top20”和“退步Top20”的方向写反。抽查具体学生的两次成绩后发现标签与事实不符，修正指标方向后恢复正常。
根因："百分位变化"这个指标方向反直觉——百分位值变小=名次上升=进步，但代码把"正变化"当成了进步。开发者被变量名的方向迷惑了。
你怎么避免：每当AI给你一个带方向的结果（进步/退步、增加/减少、改善/恶化），挑一个具体学生手动验证：
发生了什么：第一次考试成绩榜的"年级排名"列全部为空，代码把空值静默转成了0，导致所有人的百分位都算成了0%。
根因代码遇到缺失数据时没有报告，而是偷偷填了一个默认值。这违反了规则4"字段含义不明确时问你，不自己猜"。
你怎么避免：每次AI算完结果后，追问一句：
发生了什么：审计脚本发现错误后写入JSON的键名是summary.error，但流水线脚本读的键名是fail_count——永远读到0，审计发现错误也照样生成报告。
根因：两个脚本在不同时间写的，没有统一的接口约定。一个改了键名，另一个不知道。
你怎么避免：这属于脚本之间的接口问题，学员对话时不太会遇到。但 lesson是：不要假设两个步骤之间的数据传递是正确的。让AI验证：
发生了什么：分段频数统计中，100分的学生在循环内被算了一次，循环外又被"补算"了一次，导致满分学生人数翻倍。
根因：开发者不确定[lo, hi)区间是否包含满分，就"保险起见"又算了一遍——结果画蛇添足。
你怎么避免：凡是涉及"分段统计"或"分类汇总"的结果，让AI做一次总数验证：
发生了什么：培训讲稿里写平均分71.2分、满分90分，但实际数据是平均分74.67分、满分100分。因为数据从v1升级到v2时，讲稿没有同步更新。
根因：没有"单一数据源"——数字散落在多个文档里，手动维护，改了一处忘了改另一处。
你怎么避免：文档里的数字永远从JSON读取，不手动写死。如果你在对话中引用了一个数字，下次更新数据后让AI重新生成文档，而不是手动改。
发生了什么：学员操作清单里写"客观题60分+主观题40分"，但实际是"客观题48分+主观题52分"（主观题含写作40分）。而且这个错误出现在学员用来核对AI答案的"标准答案"位置。
根因：凭印象写了满分组成，没有从数据字典里确认。这正是规则1"先扫描数据结构，不假设数据长什么样"要防止的。
你怎么避免：凡是涉及数据结构的数字（满分、人数、及格线），永远让AI从数据里读取，不要自己写。
① 方向验证：带方向的结果（进步/退步），挑一个具体案例手动验证
② 缺失值追问：每次算完追问"有没有缺失值？怎么处理的？"
③ 总数验证：分段/分类统计后追问"各部分加起来等于总数吗？"
④ 不手写数字：文档里的数字从JSON读取，不手动写死
⑤ 不猜结构：满分、人数、及格线等永远让AI从数据里读取
Mac用户：系统设置 → 隐私与安全性 → 找到被阻止的TRAE → 点击"仍要打开"。这是Mac的正常安全机制。
直接在TRAE对话框里说："我的电脑没有Python，帮我安装"。AI会引导你完成安装。
不用慌。把报错信息发给AI，要求它解释原因、提出修复方案并重新运行；修复后仍要检查结果和审计状态。
对话的优势是可以围绕同一问题持续定位和修改，但不能把“AI说已修复”当成验收完成。
追问它：“这个人数采用了什么统计口径？证据来自哪张表？请用另一条路径重新核对。”不要先把标准答案告诉AI。
常见原因包括缺考学生未排除、重复记录、表头被当成数据或“是否参与统计”字段未处理。查明原因后再决定是否修正。
参考本清单每一步的"对话指令"。但不用完全照搬——用你自己的话说就行，AI能理解自然语言。
一个简单的公式："帮我做XX" + "按XX标准" + "输出XX格式"。比如："帮我算各班平均分，按A/B/C/D/E分等级，输出一个表格"。
告诉AI："生成的HTML报告打开是空白的，帮我检查一下哪里有问题"。AI会检查代码，修复后重新生成。
本项目图表资源已经本地化。常见原因包括本地资源路径错误、脚本语法错误或数据文件未正确加载；要求AI检查浏览器报错并修复后重新验证。
可能是AI在处理大量数据时需要时间。等待30秒-1分钟。如果确实卡住了，输入："你现在在做什么？进度怎么样了？"——AI会告诉你当前状态。
如果确实停止响应，先要求它汇报已完成步骤和已保存产物，再从失败步骤重试，避免无依据地全部从头开始。
两者不是简单的“能与不能”。网页对话适合快速问答、解释和处理当前材料；TRAE工作区更适合持续、多文件、需要调用Python、保存脚本、生成文件和独立审计的项目。
成绩分析选择工作区，是因为我们需要的不只是一个回答，而是一条可检查、可修改、可重复运行的完整流程。
简单说：一次性问题用对话，持续项目进工作区。
可以从自然语言协作开始，不必先成为程序员。你负责说明目标、数据口径和验收标准，AI协助写代码、运行计算和生成文件。
不懂代码不等于不需要判断：人数、满分、异常处理和教学结论仍需你确认。
可以。把数学/英语成绩数据放到工作目录，用同样的方式提出任务，并确认AI先扫描新的数据结构、重新核对满分与统计口径。
如果数据格式不同，AI会适配。你需要确认的是：满分多少、等级线怎么划——直接告诉AI就行。