# Langflow Batch Run 教程：按固定评分规准给六份简答题生成逐项反馈

本次实际运行：Python标准库参考程序、业务边界检查与HTML渲染。未安装或运行Langflow，未调用模型、创建真实自动化、发送消息、建第三方PR或部署。人工基准和错误样稿均明确标注。

## 文件

input.json：原创输入；node-fields.json：字段教材，不能直接当平台导出文件导入；prompt.md：任务约束；schema.json：规范化观察结构；reference.py：本站手写参考；reference-output.json：实际本地输出；reference.html：参考产物；review-template.json：读者填写目标工具结果。

## 本地运行

```bash
python3 reference.py
python3 verify.py
```

用浏览器打开reference.html。不依赖模型或第三方账户。

## 真实平台步骤

1. 阅读题目和三项人工规准
rubric.json有trace/context/uncertain三项，各0–2分；answers.csv含6份虚构回答，ST05空白。人工基准不作为伪造的模型答复，教师有权修正规准与得分。

2. 用Read File读取Table
Langflow1.12.6中Read File上传answers.csv，选择Structured Content/Table输出，Inspect确认id和answer两列都在。不要先清理掉空回答。

3. 连接Batch Run与语言模型
语言模型的LanguageModel端口接Batch Run，Table接DataFrame；Column Name明确填answer。若留空，所有列可能转TOML，不符合本题单一正文输入约束。

4. 填写统一规准和结果字段
启用System Message并粘贴prompt.md，要求三项分数、原文依据和改进建议。输出后把原始id并回结果，batch_index从0开始，不是ST01的学号。

5. 先运行六行并Inspect结果
观察每行model_response是否对应当前回答，空回答也有记录。失败行记录状态，不用其他学生的答案补齐；扩量前核对模型/组件版本及每行费用。

6. 对照人工评分和原句
reference.html实际渲染六条人工评分及原文，ST02“以后再猜”是待纠正内容。把自己的AI结果放入review-template.json，逐项人审，保留至少一项分歧，不能把模型分数叫客观成绩。

7. 导出复核表并保存原始结果
保留原文、模型原分、人审分、理由和ID。非敏感练习可用于流程学习，真实学生资料先按所在机构规则处理；本题不是高风险考试自动终审系统。

## 版本与许可

Langflow1.12.6；评分是辅助反馈，人工规准与金标另保留。每行模型调用可能单独收费；先6条再扩量，不能声称模型评分客观或批次顺序完全代表输入ID。

## 来源

- https://docs.langflow.org/batch-run
- https://docs.langflow.org/read-file
- https://docs.langflow.org/get-started-installation

## 验收边界

6份原创非敏感科普简答，3项评分规准各0–2分；Batch Run读取answer列输出逐项分数、原文证据和改进建议。交含answer_id、原文、model_response、batch_index的结果表与教师复核表。验收6行齐、空回答保留、评分不超界、引用来自对应回答，展示至少一个AI与人工分歧。

目标产品实跑时保存原生输出，不得把本包人工/手写参考改名冒充模型返回。所有人物、订单与规则均为虚构练习数据。

渲染说明：input.html、operation.html、reference.html和figures是随当前原创输入冻结的实际浏览器预览；修改输入后重新运行会更新reference-output.json，静态HTML不会自动重绘。目标软件原生结果请另存。