当前位置: 首页 > news >正文

第四章:大模型(LLM)】08.Agent 教程-(7)使用 LangGraph 的作文评分架构

第四章:大模型(LLM)

第八部分:Agent 教程

第七节:使用 LangGraph 的作文评分系统

本节将介绍如何使用 LangGraph 构建一个 作文评分系统(Essay Scoring System)。该系统能够自动对学生作文进行评分,并给出反馈意见。我们将结合 LLM(大语言模型)LangGraph 的可视化流程管理能力,实现从作文输入到评分输出的完整流程。


1. 系统概述

作文评分系统主要功能如下:

  1. 作文输入:用户(学生)提交作文文本。

  2. 文本预处理:对作文进行分词、去除噪音字符、标准化格式。

  3. 评分模块

    • 基于 LLM 的内容理解。

    • 根据评分标准(如结构、语法、内容完整性、创新性)生成分数。

  4. 反馈生成

    • 生成具体的修改建议和评价。

    • 可选择生成详细报告或简要反馈。

  5. 输出结果:展示作文分数与反馈内容。

核心技术:LangGraph 用于搭建评分流程图;LLM 用于自然语言理解与评分生成。


2. LangGraph 构建流程

LangGraph 是一个 可视化 Agent 流程设计工具,可以将复杂的多步骤任务通过节点和连线的形式构建。

2.1 节点设计

作文评分系统的节点设计如下:

节点名称节点类型功能描述
用户作文输入Input接收用户提交的作文文本
文本清洗Function对作文文本进行预处理,如去除特殊符号、统一格式
语法检查Function调用 LLM 分析语法错误和拼写问题
内容评分Function调用 LLM 根据评分标准打分
结构评分Function分析作文结构,如开头、段落、结尾的完整性
创新性评分Function判断作文的创意和思维深度
反馈生成Function综合各项评分生成文字反馈
输出结果Output将评分和反馈展示给用户

2.2 节点连接

流程图逻辑:

用户作文输入 → 文本清洗 → 语法检查
↓
内容评分 → 结构评分 → 创新性评分 → 反馈生成 → 输出结果

LangGraph 中,每个节点都可以配置对应的函数或 LLM 调用接口,流程可视化且支持调试。


3. LLM 调用示例

在作文评分中,我们可以使用 LLM 对作文进行内容理解和评分。以下是一个 Python 调用示例(伪代码):

from langgraph import Node, Graph
from llm import LLM
# 初始化 LLM
llm = LLM(model="gpt-5-mini")
# 定义作文评分节点函数
def score_essay(text):
prompt = f"请根据以下评分标准对作文打分,并给出反馈:\n文本内容:{text}\n评分标准:结构30%,语法20%,内容40%,创新性10%"
response = llm.generate(prompt)
return response
# 创建 LangGraph 节点
input_node = Node("作文输入", type="Input")
score_node = Node("评分生成", type="Function", func=score_essay)
output_node = Node("结果输出", type="Output")
# 构建图
graph = Graph()
graph.add_nodes([input_node, score_node, output_node])
graph.connect(input_node, score_node)
graph.connect(score_node, output_node)
# 执行评分流程
result = graph.run("这是学生提交的作文文本")
print(result)

注意:LangGraph 支持直接可视化流程,同时可以在节点上调试函数或 LLM 调用。


4. 评分流程说明

  1. 用户输入作文:界面输入或文件上传。

  2. 文本清洗

    • 去除多余空格、换行符。

    • 统一标点符号。

  3. 语法检查

    • 识别拼写错误。

    • 检查基本语法问题。

  4. 内容评分

    • 根据作文主题、论点、论据判断内容完整性。

  5. 结构评分

    • 判断开头是否有引入,段落是否连贯,结尾是否总结。

  6. 创新性评分

    • 判断作文的新颖程度、观点独特性。

  7. 生成反馈

    • LLM 生成具体修改建议和提升方向。

  8. 输出结果

    • 展示分数与文本反馈,可导出为 PDF 或在线展示。


5. 可视化效果

如果在 LangGraph 中构建,该流程图大致如下:

+------------+      +-----------+      +-------------+
| 用户作文输入 | ---> | 文本清洗  | ---> | 语法检查    |
+------------+      +-----------+      +-------------+
|
v
+-------------+
| 内容评分    |
+-------------+
|
v
+-------------+
| 结构评分    |
+-------------+
|
v
+-------------+
| 创新性评分  |
+-------------+
|
v
+-------------+
| 反馈生成    |
+-------------+
|
v
+-------------+
| 输出结果    |
+-------------+

在 LangGraph 中,节点可以拖拽修改、增删,实时调试评分效果。


6. 拓展功能

  • 多学生批量评分:支持上传多份作文,批量处理。

  • 个性化评分标准:教师可自定义评分权重和标准。

  • 可视化统计:生成班级作文分数分布图。

  • 反馈改进追踪:记录学生作文变化,生成成长报告。


7. 小结

通过 LangGraph + LLM,作文评分系统实现了:

  • 自动化评分与反馈生成。

  • 流程可视化、易于调试和维护。

  • 灵活拓展功能(批量评分、定制化标准、统计分析)。

LangGraph 的节点化设计让教师可以轻松调整评分逻辑,而 LLM 则提供了强大的自然语言理解能力,使作文评分更智能、更高效。

http://www.jsqmd.com/news/788/

相关文章:

  • 详细介绍:您必须知道的 10 大 Highcharts 性能优化技巧—— 提升加载速度与交互体验的实战建议
  • PHP8.5 Pipeline Operator 你应该了解的 8 个特性
  • Nvidia Orin DK 本地 ollama 主流 20GB 级模型 gpt-oss, gemma3, qwen3 部署与测试 - 实践
  • Mysql查询条件里的字符串不加引导索引失效
  • 详细介绍:在Ubuntu平台搭建RTMP直播服务器使用SRS简要指南
  • 实用指南:在 k8s 上部署 Kafka 4.0 3节点集群
  • Django HttpRequest 对象的常用属性 - 指南
  • 完整教程:Ajax-day2(图书管理)-弹框显示和隐藏
  • 实用指南:C语言基础【20】:指针7
  • civil 3d com api 帮助文档
  • 完整教程:【教程4>第8章>第28节】OFDM完整通信链路项目FPGA开发22——提取导频
  • 实用指南:万字详解架构设计:业务架构、应用架构、数据架构、技术架构、单体、分布式、微服务都是什么?
  • WebSockets与Socket.io渗透测试实战指南
  • 深入解析:spring boot3.0整合rabbitmq3.13
  • 完整教程:VLAN划分——TRUNK
  • 现代操作系统-音频处理技术1 Linux驱动底层
  • mcp-server-chart chart mcp 服务
  • 元推理:人和事物,都是针对性的存在着与必然因果,残缺之美
  • 人和事物,都是针对性的存在着与必然因果,残缺之美
  • ArcEngine10.2中融合工具Dissolve的bug
  • Linux驱动适配I2C/SPI例子
  • [重要] PySimpleGU控件函数用法整理
  • 使用XState测试分布式微服务的完整指南
  • 含“华”量超高的奥迪,卖爆了
  • 某些外审专家的意见,真是臭不可闻
  • 智元首次明确七人合伙人团队
  • 大模型赋能的具身智能:自主决策和具身学习技术最新综述
  • ST首批中国产MCU,价格曝光
  • ABC424
  • 解决 Windows 无法挂载 HTTP WebDAV(AList,OpenList)的问题