附录A 项目证据包与评价量规

一、章级学习记录与综合项目证据包

第1—11章以理解技术为主，不要求每章建立复杂工程目录。学生可以用一份章级学习记录保存最少而充分的证据：

chXX-learning-record/
├─ task.md                # 技术问题、输入、输出和边界
├─ input/                 # 样例、数据或材料说明
├─ experiment.ipynb      # 需要代码时提供完整Notebook
├─ result.md              # 首轮结果与控制变量比较
├─ test.md                # 正常、边界、陌生和故障样例
└─ decision.md            # 采用、限用、改进、不用或转交

第1章可以用一张学习记录表代替文件目录。第2—11章根据技术需要提交Notebook；不要求为了形式额外制作网页、数据库、版本差异文件或长篇对话记录。

学习记录还应注明本章在家庭项目线中的角色：主项目、跨章阶段、受控案例或迁移任务。阳台植物园、家庭空气与用能观察站等跨章项目沿用同一个项目编号；本章只新增当前技术所需的材料，并在result.md中列出交给下一阶段的数据、模型、固定测试、来源记录和未解决问题，避免每章重新做一个互不相干的演示。

第12章综合项目连接多个模型、工具或设备，再使用完整证据包。提交前删除个人信息、访问密钥和未经授权的图片、声音或文档。

chXX-project/
├─ README.md              # 项目目标、使用者、边界、运行和停止方式
├─ task-context.md        # 交给开发与学习AI的任务、材料和验收条件
├─ input/                 # 模拟、脱敏或经授权的原始材料
├─ src/ 或 notebook.ipynb # 完整代码、配置和运行入口
├─ tests/cases.json       # 正常、边界、陌生、故障样例及预期行为
├─ output/first/          # 首轮中间结果和最终结果
├─ output/final/          # 修改后结果
├─ evidence/dialogue.md   # 关键AI对话与学生核对
├─ evidence/error.log     # 一次真实错误或失败输出
├─ evidence/change.diff   # 如修改程序，保留一次限定修改差异
├─ evidence/regression.md # 修改前后固定样例回归
├─ system-card.md         # 数据、模型、规则、工具、设备和人的说明
└─ decision-card.md       # 采用、限制、改进、不用或转交

README.md至少写清：项目解决什么问题；如何从头运行；需要哪些输入和环境；哪里使用了应用中的AI；开发与学习AI帮助了什么；谁负责确认；哪些情况必须停止。

tests/cases.json中的每条样例至少包含编号、类型、输入或文件路径、测试目的、预期行为、实际行为和是否通过。失败样例不能只测程序报错，还要测试资料缺失、陌生输入、低置信度、权限拒绝和模型不可用。

decision-card.md用一页回答：证据支持在哪些条件下使用；最不能接受的错误；人工确认点；云端、本地端、设备端或不用AI的选择；隐私、费用和维护负担；停止与转交条件；下一次改进还缺什么证据。

其中数据来源、构成、授权和限制可参考“数据说明表”的思想，模型用途、评价条件和不适用场景可参考“模型卡”的思想[9-10]。本书把两者缩减成适合课堂项目的证据字段，不要求机械照抄研究模板。

二、学习与项目评价量规

每项0—2分，总分20分。0分表示缺失或存在关键错误，1分表示部分完成且仍需指导，2分表示证据完整、解释准确。普通章节可以用学习记录和现场说明提供证据；第12章使用完整证据包。建议16分以上达到要求；“技术准确性、实现或实验完整性、测试证据、安全与维护”任一项为0，应修改后再评。

项目展示不单独以界面美观计分。现场答辩至少运行一个失败样例，指出系统图中的模型、规则和人工确认点，并说明一项没有采纳的AI建议及理由。