一、工作流总览
编程教学中,代码纠错、调试与运行验证是常态化环节,教师难以兼顾每位学生。本文给出一套可复现的本地 AI 编程导师工作流:以本地大模型负责语义反馈,以自托管代码执行引擎负责安全评测,覆盖「诊断—自适应练习—自动评测—薄弱点定位」,适合职业院校与企业内训。
二、自适应闭环四阶段
1. 诊断评估:批阅学生首份代码,定位语法、逻辑与风格薄弱点,生成个性化学习路线。
2. 自适应练习:按薄弱点推送难度匹配的题集,跳过已掌握内容,保持「最优挑战区」。
3. 自动评测:在沙箱中运行学生代码,按正确性、风格、效率给逐行反馈,模拟人类助教。
4. 薄弱点定位与认证:聚合历次表现,输出能力画像与结业建议,供教师抽检确认。
三、最小可运行示例
下面示例用 Python 在沙箱中运行学生代码,并调用本地 Ollama 模型生成反馈。注意对执行做超时与资源限制。
import subprocess, ollama
def run_student(code_path):
r = subprocess.run(['python', code_path],
capture_output=True, text=True, timeout=30)
return r.returncode, r.stdout, r.stderr
def feedback(code, stdout, stderr):
resp = ollama.chat(model='qwen2.5-coder', messages=[
{'role': 'system', 'content': '你是编程助教,用中文指出错误并解释原因'},
{'role': 'user', 'content': f'代码:
{code}
输出:
{stdout}
错误:
{stderr}'}
])
return resp['message']['content']
四、上邦提醒
AI 编程导师是助教而非替考。落地时应要求学生提交「AI 协作记录」(用了哪些工具、如何验证输出),教师定期抽检;对低龄学习者须有人类导师在环,避免 vibe coding 式依赖。本文为教学技术实践,不替代教师角色。
参考来源
AI-Powered Intelligent Programming Tutor: Adaptive Learning and Auto-Evaluation - IEEE CI2A(2026)
面向高教:搭建课堂编程智能工作流,华硕弘道 Ultra 的 AI 教学实践 - 大江新闻
GitHub Copilot 文档:代码评测与反馈 - docs.github.com