教学正确性、迁移与学习效果

区分系统会做与学生学会

教育效果至少分五层：Agent自身答题正确、互动和提示策略、学生当场表现、迁移与延迟保持，以及师生负担和长期结果。模型输出标准答案只是第一层；学生在充分提示下答对，也不能直接记成独立掌握。聊天满意度和使用时长可以提供体验信号，却不能替代学习增益。

先核正确性和教学过程

对数学、代码、单位和步骤使用确定性验证，检查题目和标准答案质量。教师rubric评估误解诊断、提示是否泄题、解释是否适龄、是否适时求助以及不同基础学生能否受益。将提示量、原作答、修改和最终结果连成轨迹，避免只看最后一条正确回答。教师覆盖模型判断应保留理由和证据。

设计真正未见的测量

按学生、班级、学校与题型家族划分数据，避免同一人的相近session或一道题的数字改写跨越训练与test。前后测使用等值新题，迁移题检验结构理解，延迟测量观察保持。测试期间控制RAG、memory和教师提示可见范围，记录缺席与未完成，不把只有愿意继续使用的人留下来计算效果。

用合适实验估计因果效果

上线后可采用适当随机试验或分阶段设计，预先写主要学习指标、样本预算、观察期与停止规则。按学生、教师或班级等实际实验单位处理相关性，报告分组基线、差异区间和缺失情况。只比较自愿使用者与未使用者会混入动机、基础和教学资源差异，不能直接解释为Agent带来的效果。

研究来源有适用边界

Tutor CoPilot论文研究教师在实时辅导中获得AI支持，提供了测学生掌握和教学行为的例子；它不是对任意学科、年龄或全自动教学的保证。其他研究的模型、提示、课程、教师和任务不同，不能搬用一个增益百分比作为产品承诺。先复现适用测量，再在自己的场景中建立证据。

发布和持续观察

把题库、课程版本、模型、教学策略、student-state schema与评分器纳入发布合同。看总体效果也看弱基础、语言不同和特殊需要等合适切片，避免平均改善掩盖局部伤害。若版本更会给答案却降低独立作答或增加教师负担，应重新设计干预，而非仅优化点赞率。所有数据使用、标签和保留遵守明确资格与纠正流程。

观察窗口、缺失处理与评分规则应在试验前冻结，结果解释同时保留不确定性。