# **评分智能体（法官）模板 | 使用说明书 V1.0**

## **1. 智能体概述**

**名称：** 评分智能体（代号：“法官”）
**角色：** 文枢高级评价官 (Wenshu Senior Evaluation Officer)
**核心使命：** 本智能体的核心使命是扮演一个严谨、客观、公正的**“司法者”**。它接收**学生作文**、由“检察官”生成的**《具体评分规则》**以及作文的**元数据**，然后严格依据规则，对作文进行全面的定性评估和定量评分，最终输出一份详尽、结构化的综合评估报告。

它是一个纯粹的**规则执行引擎**。它的所有判断都严格基于输入的规则，不受任何外部知识或偏好影响，确保了评分过程的**绝对公正、一致和透明**。

## **2. 核心功能**

* **循证评估：** 严格遵循“规则 -> 证据 -> 推理 -> 结论”的逻辑，对作文的每一个评估点进行打分，并提供来自原文的证据支撑。
* **双重检查：** 同时执行对作文**内容质量**的深度评估和对**形式要求**的合规性检查。
* **自动计分：** 内置完整的计分逻辑，能够根据评估结果和扣分项，自动计算出各维度得分、内容质量分和最终得分。
* **结构化报告：** 输出一份详尽的JSON格式报告，完整记录了每一个评估点的评级、理由、证据，以及最终分数的完整计算过程。

## **3. 输入规范**

“法官”智能体需要**三个独立部分**作为输入才能开始工作。这三部分共同构成了它进行审判所需的全部“卷宗”。

1. **`学生作文文本 (student_essay_text)`**
    * **类型：** `String` (字符串)
    * **内容：** 学生作文的纯文本内容，应包含标题和正文。

2. **`具体评分规则JSON (scoring_rubric_json)`**
    * **类型：** `JSON Object` (JSON对象)
    * **来源：** **必须**是“检察官”智能体针对本次作文任务生成的、未经任何修改的完整JSON输出。
    * **关键作用：** 这是“法官”进行审判的**唯一法典**。它包含了所有评估标准、计分模型和检查指令。

3. **`作文元数据对象 (essay_metadata_object)`**
    * **类型：** `JSON Object` (JSON对象)
    * **来源：** 这部分数据需要由外部工具或系统在调用“法官”智能体**之前**预先处理并提供。**“法官”自身不负责统计这些数据。**
    * **关键作用：** 为形式要求检查提供客观、确定的数据依据。
    * **必填字段：**
        * `word_count`: (Number) 作文的总字数。
        * `has_title`: (Boolean) 作文是否有标题 (`true` 或 `false`)。
        * `typo_count`: (Number) 作文中错别字的数量。
        * *(可根据`formal_requirements_check`中的要求扩展其他字段)*

**输入结构概览 (在实际调用时，这三部分可能是API请求的不同参数):**

```
// 输入 1: 学生作文文本
student_essay_text = "青年的担当\n何为担当？范仲淹说‘先天下之忧而忧’..."

// 输入 2: 具体评分规则JSON
scoring_rubric_json = {
  "global_rules": { ... },
  "task_specific_rule": {
    "evaluation_list": [ ... ],
    "formal_requirements_check": [ ... ]
  }
}

// 输入 3: 作文元数据对象
essay_metadata_object = {
  "word_count": 856,
  "has_title": true,
  "typo_count": 2
}
```

## **4. 输出详解**

“法官”执行成功后，将输出一份单一的、结构化的JSON报告。该报告全面记录了本次评分的所有细节。

**输出结构核心：**

```json
{
  "evaluation_details": [
    // ... 包含了对 evaluation_list 中每一个评估点的详细定性评估报告 ...
  ],
  "scoring_summary": {
    // ... 包含了所有定量评分结果和计算过程 ...
  }
}
```

* **`evaluation_details`**: 这是一个数组，详细记录了**定性评估**的过程和结果。
  * 数组中的每一个对象都对应`evaluation_list`中的一个评估任务。
  * 每个对象都严格遵循`output_standard`格式，包含`rating` (A/B/C/D), `reasoning` (评级理由), 和 `evidence` (原文证据)。

* **`scoring_summary`**: 这是一个对象，清晰展示了**定量评分**的完整链条。
  * `dimension_scores_100`: 各个维度的百分制平均分。
  * `weighted_total_score_100`: 加权后的百分制内容总分。
  * `quality_score`: 换算后的实际内容质量得分。
  * `deductions`: 一个对象，详细列出了每一个形式检查项的扣分值和原因。
  * `total_deduction`: 形式要求的总扣分。
  * `final_score`: **最终得分** (`quality_score` - `total_deduction`)。

## **5. 使用示例 (端到端流程)**

**第一步：准备输入材料**

1. 获取**学生作文**的纯文本。
2. 使用“检察官”智能体生成本次任务的**《具体评分规则》JSON**。
3. 使用外部工具（如字数统计脚本）处理学生作文，生成**`作文元数据对象`**。例如，统计出字数为856，有标题，有2个错别字。

**第二步：调用“法官”智能体**

将上述三份材料作为输入，调用智能体。

**第三步：接收并解读输出（片段示例）**

您将收到一份完整的评估报告JSON。其中，`scoring_summary`部分可能会是这样：

```json
"scoring_summary": {
  "dimension_scores_100": {
    "思想内容": 92.5,
    "结构逻辑": 85.0,
    "语言表达": 88.0,
    "视野与素养": 90.0
  },
  "weighted_total_score_100": 89.43,
  "quality_score": 53.66,
  "deductions": {
    "标题检查": {
      "deduction_value": 0,
      "comment": "作文存在标题。"
    },
    "字数检查": {
      "deduction_value": 0,
      "comment": "作文字数为856，符合'不少于800字'的要求。"
    },
    "错别字检查": {
      "deduction_value": 2,
      "comment": "发现2个错别字，根据'每字扣1分'的规则，扣2分。"
    }
  },
  "total_deduction": 2,
  "final_score": 51.66
}
```

**解读：** 这份报告清晰地展示了作文在内容上表现优异（内容分53.66/60），但在形式上因错别字被扣2分，最终得到51.66分。整个评分过程透明、可追溯。

## **6. 最佳实践与注意事项**

* **输入一致性：** `作文元数据对象`中的字段必须与《具体评分规则》中`formal_requirements_check`部分的要求相对应。例如，如果规则中有“错别字检查”，那么元数据中就必须提供`typo_count`。
* **规则的权威性：** 绝对不要手动修改“检察官”生成的JSON规则。任何调整都应通过优化“检察官”的提示词或其输入来实现。
* **外部工具依赖：** “法官”的准确性部分依赖于外部工具提供的元数据的准确性。请确保用于生成`essay_metadata_object`的工具是可靠的。
* **原子化任务：** “法官”被设计为执行一次性的、无状态的评分任务。它不记忆历史评分记录，每次调用都是一次全新的、独立的审判。