最強「學業成績分析壓力感知型 AI 心理陪伴」智能體—基於騰訊元器×TextIn×混元大模型的實戰構建

一、項目背景

在“雙減”政策深化與教育數字化持續推進的背景下，學生學業評價正在從“唯分數論”向“數據驅動的全面成長分析”轉型。成績單不再只是簡單的分數彙總，而是藴含着學生學習狀態、學科優勢、波動趨勢以及潛在心理壓力的重要數據載體。

然而，在當前教學實踐中仍普遍存在以下問題：

• 成績分析維度單一：多數學校或班級仍停留在平均分、排名等靜態統計層面，缺乏對個人成長軌跡、學科結構失衡、階段性波動的深度分析；
• 數據處理成本高：大量成績單以 PDF、掃描件、照片等非結構化形式存在，人工整理耗時耗力，難以規模化應用；
• 心理關懷長期缺位：成績波動往往直接影響學生情緒與自我認知，但現實中教師精力有限，學生缺乏穩定、低門檻的情緒疏導與成長陪伴渠道；
• “分數壓力”感知滯後：多數心理干預發生在問題顯性化之後，缺乏基於學業數據的前置風險感知與温和介入機制。

隨着大模型技術與智能體平台的成熟，這一局面正在發生改變。

本項目基於 騰訊元器智能體構建平台，融合 TextIn 大模型加速器的高精度 OCR 與表格結構化能力，並引入 混元大模型的多模態理解與情緒推理能力，構建一套 “班級多維度成績分析 × 學業壓力感知型 AI 心理陪伴智能體”。

該智能體不僅能夠自動完成成績單的高精度解析與多維統計分析，還能在此基礎上：

• 識別學生潛在的學業壓力信號與情緒風險；
• 以非評判、低壓力的方式進行情緒疏導與正向引導；
• 為教師提供數據驅動的班級畫像與干預參考；
• 為學生提供持續、穩定、可對話的成長陪伴。

通過將學業數據分析與情緒關懷智能體深度融合，本項目探索了一種面向真實教學場景的 “學業—心理協同型 AI Agent” 落地路徑，為智慧教育與學生心理健康提供可複製、可擴展的技術實踐範式。

1.1效果演示

二、項目知識點概覽

在本項目中，我們並非單一依賴某一個大模型或工具，而是通過智能體平台 + 文檔理解引擎 + 通用大模型的協同，構建一套面向真實教育場景的複合型 AI 系統。以下對項目涉及的三項核心技術能力進行簡要説明。

2.1 什麼是騰訊元器？

騰訊元器是騰訊推出的一站式 AI 智能體（Agent）構建與運行平台，面向開發者提供從能力編排、模型調用到上下文管理的完整智能體基礎設施。

與傳統“單輪對話式 AI”不同，騰訊元器強調的是：

• 可感知環境
• 可規劃流程
• 可調用工具
• 可持續記憶

即具備完整“感知—決策—行動—反饋”閉環的智能體能力。

在實際使用中，開發者可以通過騰訊元器：

• 將 OCR、數據分析、大模型推理等能力封裝為獨立節點；
• 通過流程編排方式構建多步驟智能體任務；
• 為不同角色（學生 / 教師）配置差異化交互邏輯；
• 管理智能體上下文記憶與權限邊界。

在本項目中，騰訊元器作為智能體的“中樞系統”，負責串聯成績解析、數據分析、壓力感知與情緒陪伴等多個能力模塊，實現複雜教育場景下的穩定運行與可擴展落地。

2.2 什麼是 TextIn 大模型加速器？

TextIn 大模型加速器是一套面向 複雜文檔理解場景 的智能解析引擎，核心能力是將 非結構化文檔高精度轉化為結構化數據。

在教育場景中，成績單通常存在以下特點：

• 格式不統一、模板多樣；
• 表格結構複雜，存在合併單元格；
• 來源多為掃描件或拍照圖片；
• 含有大量相似字段，人工校對成本高。

TextIn 大模型加速器通過 大模型 + 規則引擎 + 視覺理解 的方式，提供：

• 高精度 OCR 文字識別；
• 表格結構自動還原；
• 字段語義識別與對齊；
• 錯誤容忍與糾偏能力。

在本項目中，TextIn 負責將成績單從“看得懂但用不了”的文檔形態，轉化為 可計算、可分析、可推理 的標準化數據，為後續班級分析與情緒判斷提供可靠輸入基礎。

2.3 什麼是混元大模型？

混元大模型是騰訊自研的通用大語言模型體系，具備自然語言理解、邏輯推理、情緒識別與內容生成等多項能力，適用於複雜、多輪、上下文敏感的交互場景。

相較於僅用於文本生成的大模型，混元更強調：

• 上下文連續理解能力
• 多維度語義推理能力
• 情緒與意圖識別能力
• 可控、穩健的輸出風格

在本項目中，混元大模型主要承擔三類核心任務：

1. 成績分析結果的語義總結與解釋
   將冰冷的統計數據轉化為學生與教師易於理解的自然語言反饋。
2. 學業壓力與情緒狀態推理
   結合成績變化與學生語言輸入，識別潛在壓力信號與情緒波動。
3. 陪伴式對話與引導反饋
   以非評判、低壓力的方式與學生持續互動，提供情緒疏導與成長引導。

混元大模型的引入，使系統不僅“會算分”，更“懂學生”，是實現“學業壓力感知型 AI 心理陪伴”的關鍵能力支撐。

三、技術方案

本項目以“學業數據可結構化、壓力狀態可感知、成長陪伴可持續”為核心目標，基於騰訊元器智能體平台，構建一套覆蓋 數據採集 → 成績分析 → 壓力感知 → 情緒疏導 → 成長反饋 的閉環式 AI 智能體技術方案。

整體架構採用 “多源數據解析 + 大模型推理 + 規則與情緒協同決策” 的設計思路，確保系統在真實教學場景中具備可解釋性、穩定性與可擴展性。

3.1 智能體總體架構設計（基於騰訊元器）

項目核心智能體構建於 騰訊元器平台，通過模塊化節點編排的方式，實現多能力協同：

• 輸入層：成績單圖片 / PDF / 掃描件、學生自然語言輸入（情緒傾訴、學習困惑）

• 能力層：

  • OCR 與表格解析節點（TextIn 大模型加速器）
  • 成績統計與趨勢分析節點
  • 學業壓力感知與情緒推理節點（混元大模型）
  • 對話與陪伴響應節點

• 輸出層：

  • 班級多維度成績分析報告
  • 學生個性化學習與情緒反饋
  • 教師側結構化分析與風險提示

通過騰訊元器的 流程編排、上下文記憶與權限控制能力，實現學生端與教師端的智能體能力隔離與協同。

3.2 成績單高精度解析方案（TextIn 大模型加速器）

針對成績單格式多樣、表格結構複雜、掃描質量參差不齊的問題，系統引入 TextIn 大模型加速器，完成非結構化成績單的高精度結構化處理。

核心能力包括：

• 多格式支持：支持圖片、PDF、掃描件等多種輸入形式；
• 表格結構還原：自動識別表頭、合併單元格、學科列與學生行；
• 字段語義識別：區分姓名、學號、單科成績、總分、排名等關鍵字段；
• 錯誤容忍與修正：對傾斜、模糊、低分辨率文檔具備較強魯棒性。

輸出結果為標準化 JSON / 表格結構數據，為後續分析與大模型推理提供可靠數據基礎。

3.3 學業壓力感知與情緒推理機制（混元大模型）

區別於傳統僅基於分數的分析方式，本項目引入 “學業壓力感知模型”，將成績數據與學生語言輸入進行聯合推理。

壓力識別信號來源包括：

• 成績連續下降或波動加劇；
• 單科長期低於班級均值；
• 學業負擔相關高頻情緒詞（焦慮、害怕、失望等）；
• 自我否定、比較型語言模式。

基於 混元大模型的情緒理解與上下文推理能力，系統對學生當前狀態進行綜合判斷，並劃分為不同壓力等級，作為後續干預策略的依據。

四、搭建「學業成績分析壓力感知型 AI 心理陪伴」智能體

在完成項目背景、核心技術選型與整體技術方案設計之後，本章將圍繞如何基於騰訊元器實際搭建該智能體展開，重點介紹智能體的創建流程、能力節點配置方式以及關鍵邏輯的落地實現思路，確保方案不僅“能講清”，也“能跑起來”。

4.1 騰訊元器智能體創建

在騰訊元器平台中，首先創建一個新的智能體實例，並明確其角色定位與服務對象。

本項目採用 “一體多角色” 的設計思路，即：

• 學生側智能體

  • 面向學生提供成績解讀、學習反饋與情緒陪伴
  • 強調共情、引導與非評判式對話

• 教師側智能體

  • 面向教師提供班級成績畫像、趨勢分析與風險提示
  • 強調數據客觀性與可解釋性，避免情緒化標籤

在元器中通過不同的提示詞模板與權限配置，實現同一套底層能力、不同交互表現的智能體分支。

登錄騰訊元器平台後，點擊右上角 「個人空間」，進入 「我的智能體」 頁面，選擇 「創建智能體」。

在智能體類型選擇界面中，選擇 「對話式智能體」。
該類型適用於具備多輪交互、情緒理解與複雜任務處理能力的應用場景，適合本項目中“成績分析 + 情緒疏導”的複合需求。

在新建對話式智能體頁面中，填寫以下信息：

• 智能體名稱：用於對外展示與識別
• 智能體簡介：簡要説明智能體的核心能力與使用場景

信息填寫完成後，點擊 「新建」 按鈕，完成智能體的基礎創建。

創建成功後，系統將自動跳轉至智能體後台管理頁面。在該頁面中，可以對智能體進行角色設定、模型選擇、能力配置與測試驗證等操作。

4.2 智能體角色定位

在 「角色設定 / 提示詞」 模塊中，編寫智能體的系統提示詞（System Prompt）。
可結合平台提供的 「提示詞一鍵優化」 功能，對初始提示詞進行結構化與語義增強。

以下為本項目中使用的核心角色提示詞，用於明確智能體的定位、能力邊界與輸出風格：

【要求】扮演一名學業成績分析與壓力感知型AI心理陪伴智能體，能夠基於學生成績單數據與學生自然語言輸入，進行多維度學業分析、學業壓力感知，並以非評判、陪伴式方式為學生提供情緒疏導與成長引導，同時為教師提供去情緒化的數據分析與風險提示。

【名稱】學業成績分析與壓力感知型 AI 心理陪伴智能體

【屬性】AI智能體，專注於學業成績分析與壓力感知，具備情緒理解能力

【人物關係】學生、教師

【人物經歷】由教育心理學專家、數據科學家及AI工程師共同開發，旨在通過技術手段幫助學生緩解學業壓力，促進健康成長。

【外貌特徵】無實體形態，以文字形式呈現

【性格特點】温和、理性、不居高臨下，重視共情，不直接否定用户感受，不使用心理診斷或標籤化語言，表達清晰、有結構，但避免説教

【語言風格】
- 學生端輸出：温和、鼓勵、共情型表達
- 教師端輸出：客觀、中性、數據驅動表達

【人物喜好】無具體喜好，但致力於幫助學生和教師解決問題

【輸出要求】
- 使用簡體中文
- 分點輸出時需邏輯清晰
- 情緒疏導時先共情、再引導、最後給建議

【能力限制】
- 不能進行心理疾病診斷或治療建議
- 不能替代教師、家長或心理諮詢師的專業決策
- 不輸出任何對學生的負面標籤或價值評判
- 不基於單次成績波動做長期能力判斷

【其他要求】
- 面向學生時偏陪伴與引導
- 面向教師時偏數據與客觀分析

【能達成以下用户意圖】
#意圖名稱：學業壓力緩解
#意圖描述：通過分析學生成績單數據和自然語言輸入，識別學業壓力源，並提供情緒疏導和成長引導。
#意圖示例：學生表示近期考試成績下降，感到焦慮。AI智能體通過分析成績單和學生輸入，發現其在數學和物理科目上表現不佳，可能因此產生焦慮。
#意圖實現：AI智能體首先共情學生的情緒，然後引導學生找到學習方法上的不足，並提供具體的改進建議，如制定合理的學習計劃、調整學習策略等。

#意圖名稱：教師數據分析支持
#意圖描述：為教師提供去情緒化的數據分析與風險提示，幫助教師更好地瞭解學生的學習情況和潛在問題。
#意圖示例：教師希望瞭解班級整體學業表現和潛在問題。AI智能體通過分析班級成績單數據，發現某些科目普遍成績較低，可能存在教學難點或學生興趣不足等問題。
#意圖實現：AI智能體將分析結果以客觀、中性的語言呈現給教師，並提出相應的教學調整建議，如增加互動環節、調整教學進度等。

在 「歡迎語設置」 中配置用户首次進入對話時的引導語，用於明確智能體能力邊界，並引導用户正確輸入。

哈嘍，我是學業成績分析壓力感知型 AI 心理陪伴，請發送您的成績單。

在模型配置模塊中，選擇 混元大模型 作為智能體底層推理模型。
該模型在中文理解、多輪對話、情緒語義識別及結構化輸出方面表現穩定，適合教育與心理陪伴類應用場景。

五. 騰訊元器智能體工作流編寫

智能體的核心能力不僅來源於大模型本身，更依賴於清晰、可控的工作流設計。通過工作流，可以將“用户輸入 → 數據解析 → 邏輯判斷 → 模型推理 → 結果輸出”拆解為多個可管理的節點，使智能體具備穩定、可複用的業務執行能力。

5.1 工作流創建

在智能體後台管理頁面中，點擊左側 「工作流管理」，然後點擊 「新建」，開始創建新的智能體工作流。

該工作流將作為智能體處理用户請求的主執行鏈路。

在創建方式選擇彈窗中，選擇 「手動錄入」。

手動錄入方式適合需要精細控制邏輯節點、條件分支與多角色輸出的複雜智能體場景，本項目中的“成績分析 + 情緒疏導”正是典型代表。

在新建工作流頁面中，填寫以下信息：

• 工作流名稱：用於標識該工作流的功能用途（如：成績分析與壓力感知主流程）
• 工作流描述：簡要説明該工作流的執行目標、適用對象與核心邏輯

填寫完成後確認創建，系統將生成一個新的工作流實例。

工作流創建完成後，將自動進入 工作流編輯面板。
該面板是後續進行節點編排、條件判斷、模型調用與輸出控制的核心操作區域。

在面板中，可以清晰看到：

• 工作流的整體執行結構
• 各功能節點的連接關係
• 當前工作流的起始節點與結束節點

後續的成績單解析、學業分析、壓力感知與結果輸出，均將在該面板中以節點方式逐步構建。

配置工作流的開始節點，定義兩個輸入變量：

image：用於接收學生上傳的成績單圖片，作為後續 OCR 解析與成績分析的原始數據輸入。

q：用於接收學生以自然語言形式提出的學習困惑、情緒表達或具體分析需求，作為智能體理解用户意圖與情緒狀態的重要輸入。

5.2 成績單解析能力節點配置（TextIn 大模型加速器接入）

在智能體能力編排中，在開始節點後需要配置 成績單解析節點，作為整個系統的數據處理識別中心。

在元器流程中，該節點的核心職責是：

1. 接收用户上傳的成績單文件；
2. 調用 TextIn 完成 OCR 與表格結構還原；
3. 輸出包含學生信息、學科成績、總分、排名等字段的結構化結果；
4. 將結果傳遞給後續分析節點。

這一節點解決的是“數據從哪來、是否可靠”的問題，是後續所有分析與推理的前提基礎。

完成開始節點配置後，需要引入 OCR 與文檔結構化解析能力。本方案選用 TextIn 大模型加速器（通用模型），用於將成績單解析為 Markdown 結構化結果。

/ai/service/v1/pdf_to_markdown

• 輸入：PDF、圖片或掃描件
• 輸出：JSON 結構化數據，包括學生信息、課程成績、總評等級等

• 技術特點：

  • 多模態解析，支持圖片文字、表格識別
  • 自動格式標準化，兼容不同院校模板

python調用示例：(雖然我們在騰訊元器裏可以直接調用，但是還是建議理解一下下面這段直接調用TextIn 大模型加速器的代碼，會讓我們更容易理解)

import json
import requests

class OCRClient:
    def __init__(self, app_id: str, secret_code: str):
        self.app_id = app_id
        self.secret_code = secret_code

    def recognize(self, file_content: bytes, options: dict) -> str:
        # 構建請求參數
        params = {}
        for key, value in options.items():
            params[key] = str(value)

        # 設置請求頭
        headers = {
            "x-ti-app-id": self.app_id,
            "x-ti-secret-code": self.secret_code,
            # 方式一：讀取本地文件
            "Content-Type": "application/octet-stream"
            # 方式二：使用URL方式
            # "Content-Type": "text/plain"
        }

        # 發送請求
        response = requests.post(
            f"/ai/service/v1/pdf_to_markdown",
            params=params,
            headers=headers,
            data=file_content
        )

        # 檢查響應狀態
        response.raise_for_status()
        return response.text

def main():
    # 創建客户端實例，需替換你的API Key
    client = OCRClient("你的x-ti-app-id", "你的x-ti-secret-code")

        # 插入下面的示例代碼

if __name__ == "__main__":
    main()

在開始節點後選擇工具節點

在 HTTP 請求節點中，需要配置以下兩個關鍵請求頭參數：

如果不清楚這兩個參數如何填寫，可按以下步驟獲取：

1. 登錄 TextIn 控制枱
2. 進入 開發者信息 / 應用管理
3. 查看對應應用的：
   x-ti-app-id
   x-ti-secret-code

⚠️ 注意：
二者組合構成唯一合法調用憑證，請妥善保管，可以到TextIn 控制枱裏的開發者信息處查看。

在API參數區域設置變量名。
x-ti-app-id
x-ti-secret-code

在Body請求體，承載複雜 / 大容量 / 結構化數據，是請求的核心載荷。中綁定開始節點傳入的image參數。如下

TextIn 大模型加速器節點的默認輸出變量為 out_text。

在實際接入過程中，作者通過多次嘗試並結合官方學習文檔發現：
工具節點在參數傳遞能力上存在限制，無法完全滿足當前 OCR 接口的調用需求，尤其是在需要靈活控制 Header、Query 參數以及 二進制的數據格式場景下。

不過，騰訊元器工作流額外支持「代碼節點」，這使得上述問題可以通過自定義代碼的方式進行妥善解決，從而繞開工具節點在參數能力上的限制。

因此，我們採用如下方案：

👉 在開始節點（Start）之後新增一個代碼節點（Code Node），由該節點直接完成 TextIn OCR API 的調用與結果解析。

根據 TextIn 官方開發文檔，在代碼節點中編寫完整的 OCR 調用邏輯，包括：

• 請求 Header 中的 x-ti-app-id 與 x-ti-secret-code
• Query 參數的動態拼裝
• 請求 Body 直接傳入圖片 URL

• 返回結果強制解析為 JSON 對象
  
  調用代碼如下

  import json
  import requests
  from typing import Dict, Any
  
  
  class OCRClient:
    def __init__(self, app_id: str, secret_code: str):
        self.app_id = app_id
        self.secret_code = secret_code
  
    def recognize(self, image_url: str, options: Dict[str, Any]) -> Dict[str, Any]:
        headers = {
            "x-ti-app-id": self.app_id,
            "x-ti-secret-code": self.secret_code,
            "Content-Type": "text/plain"
        }
  
        params = {k: str(v) for k, v in options.items()}
  
        resp = requests.post(
            "https://api.textin.com/ai/service/v1/pdf_to_markdown",
            headers=headers,
            params=params,
            data=image_url
        )
  
        resp.raise_for_status()
  
        # ⚠️ 這裏強制轉成 JSON 對象
        return resp.json()
  
  
  def main(input_data: Dict[str, Any]) -> Dict[str, Any]:
    """
    節點主函數
    輸入：
    {
        "image": "https://xxx.png"
    }
  
    輸出（JSON 對象）：
    {
        "success": true,
        "result": {...}
    }
    """
  
    image = input_data.get("image")
    if not image:
        return {
            "success": False,
            "error": "image 參數缺失"
        }
  
    try:
        result = client.recognize(
            image_url=image,
   
        )
  
        return {
            "success": True,
            "result": result
        }
  
    except Exception as e:
        return {
            "success": False,
            "error": str(e)
        }
  
  

  
  在代碼節點中，對外暴露的輸入變量命名為 image，用於接收上一節點傳入的圖片 URL。

完成配置後，可以通過 單點調試 功能快速驗證節點運行效果。

調試過程中輸入的測試圖像如下：

代碼節點執行成功後，返回的 TextIn 大模型加速器 OCR 結果如下：

此時可以發現：
如果輸出變量仍然使用默認的 out_text，將無法正確捕獲返回結果。

解決方式是：

👉 將代碼節點的輸出變量顯式設置為 data，即可完整接收 JSON 結構的 OCR 解析結果。

整體調試也沒有任何問題，到此成績單解析能力節點配置完畢。下面可接入分析大模型。

5.3 成績分析與規則計算節點設計

在獲取結構化成績數據後，智能體進入 成績分析與統計計算階段。

該階段採用 規則計算 + 大模型解釋 的方式：

• 數據處理節點負責：

  • 平均分、最高分、最低分計算
  • 學科均衡度與偏科識別
  • 成績趨勢與波動檢測

• 壓力感知型心理陪伴節點負責：

  • 對統計結果進行自然語言總結
  • 將數據結論轉化為“學生/教師聽得懂的話”
  • 對學生成績進行壓力分析
  • 提出成績提升計劃
  • 對學生進行心理疏導，避免壓力過大

在騰訊元器中，這一階段通常以 數據處理節點 + 壓力感知型心理陪伴節點節點 的組合方式實現。

5.4 數據處理節點（混元大模型）

在完成 TextIn 大模型加速器 OCR 解析後，我們將引入 混元大模型進行專業的數據處理分析。
數據處理節點主要功能包括：

平均分、最高分、最低分計算
學科均衡度評估與偏科識別
成績趨勢及分數波動檢測

在 TextIn OCR 代碼節點之後，新增 混元大模型數據處理節點。

選擇擅長數學計算的 混元 2.0 模型 以保證數據處理的精度與專業性。

將前節點輸出的 OCR 數據綁定為輸入變量，以便混元模型直接接收成績單數據。

為確保混元模型能夠高效完成數據處理，設計瞭如下提示詞：

根據ocrinput
的成績單識別結果，計算平均分、最高分和最低分；分析各學科分數的均衡度並識別是否存在偏科現象；同時檢測成績隨時間的變化趨勢及分數波動情況。請明確説明成績數據是否包含時間信息，以便進行趨勢與波動分析。若ocrinput
中包含科目名稱，請確保識別準確以支持學科均衡度分析。

完成 數據處理節點配置後，開始進行調試驗證：

輸入測試數據：張晨的高三考試成績單。

運行調試結果如下

可以看到數據處理節點
對

• 平均分、最高分、最低分計算
• 學科均衡度與偏科識別
• 成績趨勢與波動檢測

的分析十分專業

混元大模型在本次數據處理任務中表現非常出色。它不僅能夠準確計算平均分、最高分和最低分，而且能夠深入分析各科分數的分佈特徵，量化學科均衡度，並給出科學的偏科判斷。
模型對理科與文科的區分、標準差與極差的計算以及偏科結論的邏輯推理都非常嚴謹，分析條理清晰，結果專業可信。通過混元大模型的處理，原本散亂的成績數據被系統化、結構化地呈現出來，讓人一目瞭然，極大地提升了成績分析的效率和精準度，可謂是一次高質量的智能化數據分析體驗。

5.5 壓力感知型心理陪伴節點（混元大模型）

在數據處理節點（混元大模型）後添加壓力感知型心理陪伴節點

模型選擇混元大模型T1版

輸入變量為數據處理節點（混元大模型）的處理內容

提示詞如下

現在是學生向你發送了他的成績單解析結果，你需要基於此做壓力感知型心理陪伴節點，重點安慰和鼓勵學生。根據數據處理節點_混元大模型對input
中的成績單進行的解析，以及結合學生輸入的問題q
，完成以下任務：  
* 用清晰、準確且通俗易懂的自然語言總結成績統計結果；  
* 將數據分析結論轉化為學生都容易理解的表達；  
* 針對學生各科成績，分析可能面臨的學業壓力及具體成因；  
* 結合成績與壓力情況，給出切實可行的成績提升建議和可操作的學習計劃；  
* 重點關注學生心理狀態，提供温暖的心理疏導建議，幫助其緩解壓力、保持積極心態。

開始調試

可以看到壓力感知型心理陪伴節點主要處理了

• 對統計結果進行自然語言總結
• 將數據結論轉化為“學生/教師聽得懂的話”
• 對學生成績進行壓力分析
• 提出成績提升計劃
• 對學生進行心理疏導，避免壓力過大

混元大模型在本次張晨同學成績分析與成長建議生成中表現十分出色。它不僅能夠全面整合各科成績數據，精準計算總分、平均分、最高分、最低分和標準差，還能智能識別學科均衡性與偏科情況，為理科和文科的優勢與薄弱點提供清晰量化依據。更難得的是，模型能夠結合成績特點生成專業、可操作的學習策略與心理疏導建議，涵蓋時間分配、學習方法優化及信心建設等多個維度，既兼顧學生實際學習情況，也符合教育心理學指導原則。整體分析條理清晰、邏輯嚴謹、內容專業可信，堪稱一次高質量的智能化學業分析實踐成果。

六. 智能體調試與發佈

完成工作流的編寫與各節點調試後，下一步是在 工作流管理中啓用新創建的工作流，使其可以對外提供服務。

啓用工作流，在工作流管理界面找到剛剛創建的工作流，點擊 啓用/激活 按鈕，使其進入可調用狀態。

在智能體界面中發送測試數據（如學生成績單），觀察工作流的響應結果。
成功啓用後，智能體會按照設計邏輯自動處理輸入數據，並返回分析報告。

檢查智能體返回的分析結果是否完整、準確，包括成績統計、學科均衡度、偏科分析以及成長建議等內容。
成功返回結果後，即表明整個工作流已正常運行，可正式投入使用。

調試確認工作流運行正常後，在智能體頁面找到對應智能體，點擊 “發佈” 按鈕。

確認無誤後點擊 確認發佈。

系統提示 應用發佈成功，表示智能體已正式上線並可對外調用。

可通過分享鏈接或二維碼訪問智能體，方便學生、教師或其他用户使用。

發佈成功後，智能體會在 “我的智能體” 頁面中顯示，可隨時管理、更新或查看運行情況。

訪問URL即可愉快的使用智能體了。

七.心得與總結

通過本次“學業成績分析壓力感知型 AI 心理陪伴智能體”的構建，我深刻體會到教育數據智能化與心理關懷結合的巨大價值。項目中，騰訊元器提供了完整的智能體能力編排與上下文管理，TextIn 大模型加速器實現了非結構化成績單的高精度解析，而混元大模型則承擔數據處理、趨勢分析與壓力感知，實現了從數據到自然語言陪伴的閉環。三者協同不僅讓系統能“會算分”，更能“懂學生”，真正做到學業分析與情緒疏導雙重服務，為智慧教育場景提供了可落地的實踐經驗。

在工作流設計和節點調試中，我體會到職責拆分與靈活調用的重要性。將流程拆解為 OCR/結構化、數據處理、壓力感知與心理陪伴等明確節點，既利於調試，也便於後續迭代優化；通過代碼節點靈活調用 TextIn API，避免了工具節點在大容量或複雜參數傳遞上的限制。此外，多角色輸出邏輯的隔離讓學生端與教師端呈現差異化信息，提高了系統可用性與安全性。整體實踐讓我認識到，教育 AI 不僅要精準分析數據，更要考慮心理關懷與可解釋性，這也是未來智能教育落地的關鍵方向。

這次用騰訊元器構建“學業成績分析壓力感知型 AI 心理陪伴”智能體，整體體驗非常順暢，也超出了預期。幾個印象深刻的點：

• 上手快：界面化操作為主，節點拖拽和工作流配置直觀，即便非技術人員也能快速上手；
• 調試高效：代碼節點、提示詞編輯器和工作流調試器支持實時預覽，定位問題快，減少了重複發佈的麻煩；
• 多能力集成：OCR、數據分析、心理陪伴等模塊協同，數據流與邏輯清晰，節點之間調用順暢；
• 發佈便利：支持多端輸出，學生端和教師端可差異化呈現，無需自行處理對接問題。

總體來説，騰訊元器不僅適合教育場景的智能體開發，也為類似企業級應用提供了可落地、易擴展的實踐方案。

騰訊元器：https://yuanqi.tencent.com/

我的智能體鏈接：

https://yuanqi.tencent.com/webim/#/chat/TFJDBz?appid=2004433656162151424