小程序作业提交
用户在小程序端提交作业内容，系统保留作业文本、题目上下文、学科信息和用户提交记录，作为后续评测链路的输入。
返回项目记录
AI 教育工作流
Homework Intelligence Flow
Homework Intelligence Flow 聚焦小程序端作业提交后的智能评测场景，使用 Dify 将作业分析、RAGflow 知识库召回、LLM 批改和结果自检编排为一条稳定的业务工作流。项目关注的不只是自动给出批改结果，而是让模型基于知识库中的标准内容和参考依据完成更可解释、更可复核的学习反馈。
DifyRAGflowLLM小程序
5 工作流阶段
RAG 知识依据
小程序 交付终端
Build Log
实现路径
LLM 分析与提取
通过 Dify 工作流调用 LLM 对作业内容进行语义分析，提取题目、答案、要求和关键判断信息，形成更适合批改的结构化上下文。
RAGflow 知识召回
根据提取出的题目、知识点和作业上下文，从 RAGflow 知识库召回标准内容、参考答案和评判依据，为后续批改提供可信参照。
批改与自检反馈
LLM 基于作业内容和知识库召回结果完成批改，再进入自检节点，对判断结果、反馈内容和输出结构进行复核，最终生成可展示、可追踪的学习反馈。
System Notes
结构观察
提交入口
小程序端作为作业内容入口，负责收集用户提交信息并触发 Dify 工作流，避免把业务入口和模型推理逻辑耦合在一起。
工作流编排
Dify 将分析、提取、知识召回、批改、自检拆解为多个节点，让复杂 LLM 任务具备更好的可观察性、可调整性和复用空间。
知识依据层
RAGflow 知识库负责提供标准内容、参考答案和评判依据，让模型批改不只依赖单轮生成，而是基于可维护的知识来源进行判断。
结果可信度
自检节点在结果展示前补上一层质量控制，对知识依据、批改判断、解释内容和输出格式进行复核，提升教育场景里的业务可用性。
DifyRAGflowLLM小程序
Review Notes
阶段复盘
- 作业批改类 AI 应用不能只依赖单轮模型输出，分析、知识召回、批改和自检需要拆成可观察的业务链路。
- RAGflow 知识库让批改结果有可追溯的参考依据，适合承载标准答案、知识点说明和业务评判规则。
- Dify 更适合承载多阶段 LLM 任务，把复杂推理流程从代码中抽离成可配置、可迭代的工作流节点。
- 自检节点是教育反馈场景里的关键设计，它能在结果展示前提升输出的一致性、解释性和可信度。
More Notes
继续查看技术记录与公众号内容。
访问博客 
Code of Duty 扫码关注公众号