评审总览 / AI+特色
人工智能是实验内容，不是附加的聊天窗口
按申报书 3-4（3）“人工智能应用设计”的三层结构与表 3 说明。AI 给出预测、推荐与解释，学生核验后自行决定，并对最终交付的参数负责。本页为功能说明。
① 专项模型
高斯过程代理模型 + 带可行性约束的贝叶斯优化
- 是实验内容本身，练习和正式考核都可使用
- 学生只用本人的试制数据训练代理模型，读出高不确定区域
- 获取推荐点后自主决定是否采纳，采纳与否都须留下理由
- 第 20 步在同等预算下比较人工迭代与 AI 辅助寻优的最佳可行成形效率
② 大模型助教
经平台统一接入的通义千问、DeepSeek 等模型
- 在第 1、10、14、19、21、23 步获得实验当前步骤、校验错误、模型偏差、判据冲突和试制失败原因等上下文
- 提供方案设计建议、模型偏差解释、判据差异解读、推荐依据解读、不稳健原因诊断和反思建议
- 快捷提问只讲原因和核对方向，不直接给出参数答案
③ 评价与画像
自动赋分、能力画像、教师复核
- 由平台完成，AI 建议不计分
- 大模型助教在练习模式开放，正式考核时关闭，不影响实验完整完成
实验前、中、后的作用
实验前 · 第 1 步
辅助方案设计
大模型助教解释目标与约束如何影响后续寻优。
学生决定：自行选择目标与约束，系统按任务书判定
实验中 · 第 10、14 步
解释偏差与判据差异
解释模型与实测偏差的物理原因；解读两套判据结论差异的来源。
学生核验：以验证集误差数值、两张窗口图的差异格核对
实验中 · 第 18—21 步
代理模型与推荐决策
代理模型给出预测均值与不确定性；贝叶斯优化推荐下一试制点，助教解读推荐依据、诊断不稳健原因。
学生决定：采纳或拒绝并写明理由，采纳照常消耗预算
实验后 · 第 23 步
反思与改进建议
大模型助教提出反思与改进建议。
学生记录：在报告中写明 AI 建议的采纳、不采纳及理由
AI 推荐与学生决定分开记录：采纳不采纳· 每次都写明理由 · 正式考核关闭大模型
表 3 人工智能在实验前、中、后的作用
| 环节 | 步骤 | AI 形式 | 作用 | 学生的核验与决定 |
|---|---|---|---|---|
| 实验前 | 第 1 步 | 大模型助教 | 辅助方案设计：解释目标与约束如何影响后续寻优 | 学生自行选择目标与约束，系统按任务书判定 |
| 实验中 | 第 10 步 | 大模型助教 | 解释模型与实测偏差的物理原因 | 学生以验证集误差数值核对 |
| 实验中 | 第 14 步 | 大模型助教 | 解读两套判据结论差异的来源 | 学生以两张窗口图的差异格核对 |
| 实验中 | 第 18 步 | 高斯过程代理模型 | 给出预测均值与不确定性 | 学生读出高不确定区域 |
| 实验中 | 第 19 步 | 贝叶斯优化＋大模型助教 | 推荐下一试制点；助教解读不确定性与推荐依据 | 学生决定采纳或拒绝并写明理由，采纳照常消耗预算 |
| 实验中 | 第 20 步 | 专项模型结果比较 | 同等预算下人工与AI寻优效率对比 | 学生引用真实运行数值 |
| 实验中 | 第 21 步 | 大模型助教 | 诊断不稳健的原因 | 学生以重复试制合格率核对 |
| 实验后 | 第 23 步 | 大模型助教 | 反思与改进建议 | 学生在报告中记录 AI 建议的采纳、不采纳及理由 |
| 全程 | — | 自动评价与能力画像 | 分项赋分、能力画像、成长档案 | 教师复核确认 |
实验容器中的 KMEP AI
大模型助教运行在实验容器右侧（左任务、中软件、右 KMEP AI）。实验软件按平台容器协议上报当前步骤和诊断信息（不超过 10 条，不含身份与参考解）。平台对正式考核关闭大模型，正式模式下实验仍可完整完成。
人机协同决策
实验方法之一：AI 推荐与学生决定分开记录，学生对每次采纳或拒绝写明理由。第 20 步在同等配额下与人工迭代做对比，且允许出现 AI 不占优的结果；软件按实际数值判定而不预设结论。
推荐由学生自己的数据训练
推荐点由学生自己的试制数据实时训练得到：第 18 步要求学生读出预测不确定性的分布，第 19 步要求逐轮写明采纳或拒绝的理由，并由系统核对理由与预测值的相符性。超参数固定，同一输入下推荐可复现、可核验。
伦理安全
发送给大模型的上下文不含身份信息、教师参考解和原始数据文件；代理模型只用学生本人的试制记录训练，不混用他人数据；正式考核时关闭大模型，客观分不依赖大模型输出。查看伦理安全