教学数据分析并不是把成绩交给模型，再等它生成一段结论那么简单。真正落到业务场景里，往往同时涉及班级统计、学生画像、分数分布、学科相关性、成绩趋势和知识点表现等多个维度。只要分析边界不够清楚，输出就很容易从数据解读变成泛化发挥，最终看起来完整，实际上难以落地。尤其在教育场景中，数据解释对口径一致性和输出稳定性要求很高。班级统计、学生画像、趋势分析和单次表现不能混在一起写，统计现象和原因推断也必须严格区分。因此，教学分析类智能体不能只追求“能回答”，更要做到“边界清楚、路由准确、输出稳定”。文章目录智能体介绍核心模型Node 节点工作流程应用场景总结智能体介绍这套工作流的定位非常明确，它不是一个开放式教育问答助手，而是一个围绕教学成绩统计结果进行解释输出的分析型工作流。外部系统通过 API 传入不同的问题类型后，流程会自动将请求分发到对应的专项分析节点，让模型只针对当前这一类数据结果进行说明，而不是在一次回答里把班级概述、学生画像、趋势判断和知识点分析全部揉在一起。从整体能力来看，这个工作流围绕“班级统计分析”和“学生个体分析”两大方向展开，内部又进一步细分为九类固定能力，包括班级成绩概述、整体班级分布概述、分数段统计、质量分档统计、学科相关性分析、学生基础画像、学生单次横向对比、学生多次考试趋势以及知识点表现趋势等。也就是说，它处理的不是一个模糊的“成绩分析问题”，而是一组被提前标准化定义好的分析任务集合。工作流在代码层的入口参数目前为request_path、data、role，其中request_path用于区分当前分析内容的类别，data承载提交需要分析的表单信息，role是确定身份从什么角色来分析这个数据；把company字段贯穿整个链路用于区分是做培训还是普通高中，做法就是在工作流入口参数里补上对应变量并在分支提示词中引用，保证后续节点能稳定取数。
