About · 关于我们
把经验教师的诊断方式，
交给 AI 执行。
我们相信：一次批改的价值，不在于告诉学生得了多少分， 而在于让他知道——下一次，该把注意力放在哪里。
Philosophy · 产品理念
市面上的学习工具大多在解决"有没有题"。 我们真正想解决的，是另一件事：批改完，然后呢？
一场考试给出的是分数；一份好的批改给出的，是"卡在哪一个概念、这个考点值几分、 下一步该重练什么"。我们把后者做成系统的主要输出。
凡是涉及判分、出数字的地方，答案一律来自确定性的题库与评分点（mark scheme）， 而不是让模型"读图猜"。模型负责理解你的问题与手写答案，判分标准永远由人定义。
一位经验教师说"这个学生是假懂"，背后是一套可复用的判断。 我们把这些判断写成数据化的规则，让它脱离具体的模型存在—— 换模型、换学科，这套经验都还在。
命中要点就直答，没有把握就问回来。宁可承认"这个我没有依据"， 也不给一个听起来对、其实错的答案。
FDE · 转化落地
我们用的方法叫 FDE（Forward Deployed Engineer，前置落地工程师）： 不远程"给方案"，而是进到真实的教学现场，把老师脑子里那套判断， 一步步翻译成一个能跑、能验证、能复用的系统。
不预设需求。跟着老师一起批一次真实的卷子，看学生到底卡在哪、 老师的时间到底花在哪。把模糊的抱怨，变成一个可以量化的具体问题。
把老师的判断拆成"卡点 → 考点 → 得分点 → 策略"。 能用确定性表达的部分（判分、定义、单位）落成数据库； 需要理解的部分（看图、读手写）交给模型。两者边界清晰。
每条规则都配一条"这条规则如果失效，会被发现"的检验。 不靠演示截图交差，而是在真实域名、真实数据上验收通过才算数。
这套方法最直接的产物，是一批能脱离具体模型存在的"规则资产"—— 它们让我们的 AI 助教在你换模型、换学科之后，教学口径依然一致。 这也是我们敢把它做成功能插件、开放给其他学校与机构的原因。
· 物理 AS 必背定义 → 速查表（命中即直答，不调模型）
· mark scheme 官方表述 → 逐点判分锚点
· 老师的"假性掌握"判断 → 错题本时间轴信号
· 学科切题规则 → 独立功能插件