knowledge-vault/work/client-projects/高新教育/文枢/语文/文体识别/文体识别讨论1.md

1

背景信息

我正在整理一个名为“文枢”的高中语文作文智能评分系统的项目，此系统的技术架构参见文枢系统架构与技术实现。 目前元规则引擎（宪法）、具体规则生成器（检察官）、评分智能体矩阵（法官集合）都已经打造好了。 在测试时，输入一篇具体的作文，让法官去评分时，不知道具体用哪个法官，因为法官是基于文体的，不同的文体会有不同的法官。

文枢系统架构与技术实现

**4.1 总体设计：“四层漏斗式”智能体体系**

为实现从宏观的教育理念到微观的文本评价的精准转化，我们设计了“四层漏斗式”的智能体体系结构。每一层都对信息进行加工和提炼，最终输出专业、精准的评价结果。

![文枢智能体体系](https://wantsong.cn/report/2025-10-16-wenshu-intelligent-agent-system/wenshu-intelligent-agent-system.png)

*   **第一层：元规则引擎。** 系统的“宪法层”。它将《课程标准》中的“学业质量水平”描述进行结构化编码，定义了评价的最高纲领和不同年级（水平）的评价基准。
*   **第二层：具体规则生成器。** 系统的“任务规划层”。它接收上层的“评价基准”和具体的“考试题目”（包括作文题、主观题及其评分标准），智能生成一份为本次任务量身定制的、可供AI执行的、多维度的评分规则表。
*   **第三层：评分智能体矩阵。** 系统的“专家执行层”。这是一个由多个专业AI智能体组成的集群，接收学生答卷和评分规则表，分工协作完成具体的评分任务。
*   **第四层：整合与反馈生成器。** 系统的“报告生成层”。它汇总所有智能体的评分数据和依据，最终生成一份面向用户（教师、学生）的、清晰易懂、具有诊断和指导意义的综合评价报告。

**4.2 核心智能体设计：专业分工，各司其职**

“文枢”系统的专业性，体现在其“评分智能体矩阵”中每一个智能体的专业化设计。我们坚决反对用一个“万金油”模型处理所有问题，而是为不同任务量身打造专属的智能体。

*   **作文评价智能体矩阵：**
    *   **设计原则：** 议论文重逻辑思辨，记叙文重情感细节。因此，我们必须为不同文体构建独立的智能体，让“逻辑学家”去评议论文，让“文学读者”去赏析记叙文。
    *   **技术内核示例（智核提示工程CCPE）：**
        *   **议论文智能体（逻辑学家）：** 它的“知识库”中装满了逻辑学原理和论证方法；它的“工作流程”是“解构-评估”，即拆解文章的论点、论据、论证过程并逐一检验其有效性；它的“思考风格”是批判性和分析性的。
        *   **记叙文智能体（文学读者）：** 它的“知识库”里是叙事学理论和文学表现手法；它的“工作流程”是“体验-共情”，即跟随情节发展，感受情感共鸣；它的“思考风格”是感受性和审美性的。

*   **主观题评分智能体：**
    *   **设计原则：** 该智能体的核心任务与作文评价截然不同，它追求的不是开放性的鉴赏，而是对标标准答案的“**得分点匹配-判断**”。
    *   **工作流程：** 该智能体首先会解析教师上传的标准答案和评分细则，将其分解为若干个独立的“得分点”及其语义范畴。然后，它会阅读学生答案，并运用自然语言理解技术，判断学生的表述是否命中了这些“得分点”，并根据命中情况（如完整性、准确性）给出相应分数。

**4.3 “人工干预”安全阀机制：AI与人类智慧的协同**

我们深知，AI并非万能，尤其是在评价人类最富创造性的精神活动时。为了保护学生的独创性，防止“模式化”扼杀天才，“文枢”系统设计了精密的“人工干预”安全阀机制。当系统检测到以下情况时，会自动暂停评分，并向教师发出“提请人工复核”的预警：

*   **新颖观点触发器：** 当学生作文的核心观点与系统知识库中的常见观点差异巨大时触发。
*   **复杂结构触发器：** 当文章采用了非常规的、高度复杂的谋篇布局时触发。
*   **知识盲区触发器：** 当学生引用了系统知识库无法验证的冷门或前沿知识时触发。

这一机制确保了“文枢”系统在高效处理常规任务的同时，能够将最需要人类智慧介入的“疑难杂症”精准地交还给教师，实现了AI与人类专家的最佳协同。

要求

一般情况下，有议论类、记叙类、散文类、诗歌类和应用类五种文体的法官。 我需要做一个文体识别智能体，首先识别作文的文体，然后基于文体再去调用具体的法官。

对于这样的思路你有和建议？ 这个文体识别智能体可以识别出来么？

这是一个非常关键且符合逻辑的架构补充。对于你的“文枢”系统而言，文体识别智能体（Genre Identification Agent） 不仅是可行的，而且是实现精准评分的必经之路。

在你的“法律隐喻”体系中，这个智能体最适合的角色是 “立案庭分案员” —— 他负责在案件（作文）进入庭审（评分）之前，确定案件的性质，从而将其移交给最合适的法庭（法官）。

以下是对这一思路的评估、建议以及技术实现路径：

一、 这个思路可行吗？（可行性评估）

结论：完全可行，且准确率通常很高。

1. 大模型的能力契合度： 文本分类（Text Classification）是 LLM（大语言模型）最基础且最擅长的能力之一。对于高中水平的作文，区分议论文、记叙文、书信（应用文）或诗歌，在特征上非常明显。
2. 容错空间： 即使是人类老师，判断一篇作文是“夹叙夹议”还是“记叙文”有时也会模糊，但模型可以输出概率（Confidence Score），能够很好地处理典型样本。

二、 对该思路的优化建议

虽然思路可行，但在高中语文评分的实际场景中，单纯的“识别 -> 路由”是不够的，需要考虑以下三个深层次问题：

1. “命题要求”与“实际文体”的冲突（审题由谁来做？）

• 场景： 作文题（检察官生成的规则）明确要求写“议论文”，但学生写了一篇“记叙文”。
• 风险： 如果“文体识别智能体”只看学生文章，识别出是“记叙文”，然后扔给“记叙文法官（文学读者）”。该法官可能会觉得故事写得很感人，给出高分。但实际上，这篇作文严重跑题（文体不符），应该低分。
• 建议： 文体识别智能体不能只看作文，必须结合题目要求。
  • 输入：题目要求文体 + 学生实际文本。
  • 逻辑：如果学生实际文体与题目要求不符，不应直接调用记叙文法官，而是应该调用一个**“合规性审查”逻辑**，或者在评分时强制扣除“文体分”。

2. 处理“夹叙夹议”与“模糊地带”

• 现状： 高中优秀作文往往是“散文式议论文”或“夹叙夹议”。单纯的分类可能导致误判。
• 建议： 输出不应是一个简单的标签（Label），而是一个权重向量。
  • 例如：{议论性: 30%, 记叙性: 60%, 抒情性: 10%}
  • 动态路由策略： 如果议论和记叙成分都很重，可以设计一个**“综合法官”**，或者让“逻辑学家”和“文学读者”同时评分，最后加权汇总。

3. 架构位置的微调

在你的“四层漏斗”中，这个智能体建议放在第三层（评分智能体矩阵）的最前端，作为**网关（Gateway）**存在。

三、 技术实现方案：文体识别智能体（分案员）设计

我们可以为这个“分案员”设计一套专门的 Prompt 和工作流。

1. 输入数据

• 题目中的文体限制（来自第二层“具体规则生成器”）：例如“明确要求写议论文”或“文体不限”。
• 学生作文全文本。

2. 核心 Prompt 设计逻辑（系统提示词）

# Role: 文枢系统·立案庭分案员（文体识别专家）

# Mission: 
阅读输入的高中学生作文，分析其文本特征，识别其所属文体，并将其分发给正确的评分法官。

# Constraints:
高中作文主要分为五类：
1. **议论类**：以逻辑论证为主，有明确论点、论据。
2. **记叙类**：以叙述事件、描写人物为主，有情节发展。
3. **散文类**：形散神不散，侧重感悟与意境，介于记叙与议论之间。
4. **诗歌类**：分行排列，注重韵律和意象（通常考试通过率低或禁止）。
5. **应用类**：书信、演讲稿、倡议书等，有特定格式。

# Workflow:
1. **格式扫描**：检查是否具备应用类（如称呼、落款）或诗歌类（分行）的特征。
2. **话语模式分析**：
   - 议论特征密度：是否大量使用“因此”、“综上所述”、“笔者认为”等逻辑连接词？
   - 叙事特征密度：是否包含时间、地点、人物对话、具体场景描写？
3. **意图判断**：文章的核心目的是“说服他人接受观点”（议论）还是“分享经历与情感”（记叙）？
4. **合规性校验**：对比[题目文体要求]。如果题目要求“议论文”而识别为“记叙文”，需标记“文体不符”。

# Output Format (JSON):
{
    "detected_genre": "议论类", // 识别结果
    "confidence": 0.95, // 置信度
    "features": "文章包含三个分论点，使用了引用论证和对比论证，逻辑连接词丰富。", // 判别依据
    "match_requirement": true, // 是否符合题目文体要求
    "routing_suggestion": "Argument_Judge_Agent" // 建议调用的法官ID
}

3. 异常处理机制（与安全阀联动）

你之前的架构中提到了“人工干预”安全阀，文体识别也可以触发该机制：

• 触发条件：
  • 置信度低于 0.6（例如文章写得极其隐晦，无法判断是散文还是议论文）。
  • 识别为“诗歌类”（通常高考作文除诗歌外文体不限，如果出现诗歌，往往需要慎重评分或人工介入，因为AI评诗歌难度极大）。
  • match_requirement 为 false（严重跑题风险）。

四、 针对五种文体的“分案”策略总结

识别到的文体	关键特征关键词	对应调用的法官（Agent）	注意事项
议论类	论点、论据、逻辑、思辨、观点	逻辑学家 (Argument_Judge)	重点考核逻辑闭环、论证深度。
记叙类	情节、细节、描写、人物、叙事	文学读者 (Narrative_Judge)	重点考核描写细腻度、情感真挚度。
散文类	意象、形散神聚、感悟、优美	美学家 (Prose_Judge)	难点：需兼顾“逻辑学家”的立意分析和“文学读者”的文采分析。建议由两者混合评分或专门训练散文Agent。
应用类	格式（称呼/落款）、对象感、实用性	事务官 (Application_Judge)	重点校验格式分。内核可能仍是议论或记叙，需提取正文内容辅助调用逻辑或文学模块。
诗歌类	分行、韵律、极短篇幅	人工复核 (Human_Review)	建议直接触发人工干预。AI评诗歌目前在“意境”上很容易瞎编，且高中考场诗歌极少见，风险高。

总结

文体识别智能体不仅能做，而且必须做。它是连接“规则”与“执行”的调度中心。建议你将其作为“评分智能体矩阵”的前置路由模块，并赋予它检测“文体是否跑题”的初审权限。