前言¶

在語文和英語教學場景裏，作文批改是最耗教師時間的環節之一：逐篇讀、按評分標準打分、寫評語、給升格方向，一個班幾十篇下來就是一整晚。程序化這條路也不好走——作文評價主觀性強，傳統規則或分類模型很難穩定輸出分數和有建設性的評語。

下面介紹一個把這件事交給通用 Agent 的 Skill：作文智能批改評分。它按評分標準對語文作文和英語作文給出分數、評語與升格建議，覆蓋中考、高考作文批改和日常教學反饋。

這是什麼¶

作文智能批改評分 是一個基於通用 SKILL.md 格式的大模型 Skill，座標 @kunlungrowth/edu-essay-grader，由發佈者「崑崙增長」維護，來源標記爲 enterprise，分類 education，當前版本 1.2.1。

它解決的問題是：讓 Agent 在「作文批改、語文作文、英語作文、評分標準、寫作評價、作文評語、批改」等觸發詞下，接管作文批改流程，輸出結構化的評價結果，而不是每次都讓開發者或教師手寫批改邏輯。

核心功能¶

根據官方頁面信息，該 Skill 的能力邊界如下：

• 多維度智能批改：面向語文作文與英語作文兩類寫作任務。
• 按評分標準給分：輸出分數，而不是隻有定性評價。
• 作文評語：給出針對本文的評語。
• 升格建議：指出修改方向，幫助學生把作文改到更高檔次。
• 覆蓋範圍：中考、高考作文批改，以及日常教學反饋。
• 觸發詞：作文批改、語文作文、英語作文、評分標準、寫作評價、作文評語、批改。

需要說明的是，官方資料未披露具體的維度數量（例如內容、結構、語言各佔多少分）以及所依據評分標準的版本來源。這些細節需要在實際調用時驗證，不能默認它適配某一地區當年細則。

安裝與啓用¶

官方頁面未提供安裝命令、目錄路徑或配置文件字段，因此這裏不給出處不明的安裝步驟。

可以確認的是：該 Skill 在 SkillHub 頁面上的標籤爲 requires_api_key=false，意味着按頁面信息它不要求額外配置 API Key，但是否仍依賴 Agent 自身的模型憑證，需要以實際運行環境爲準。

啓用方式以你所用的 Agent 宿主爲準：在 Cursor、Codex CLI 或 Claude Code 中按各自的方式從 SkillHub 加載該 Skill，加載後使用觸發詞或直接提出批改請求。各家宿主的加載路徑不一致，請以宿主文檔爲準，官方 Skill 頁面沒有逐一說明。

典型用法¶

官方資料未提供可復現的調用示例，包括請求格式、參數字段和返回結構。在拿到官方示例之前，下面只給出使用方式的方向性描述，不虛構接口簽名：

1、把學生的作文文本作爲輸入，同時說明文體（記敘文、議論文、英語作文等）和適用場景（中考、高考、日常練習）。
2、觸發批改後，Skill 按評分標準輸出分數、評語與升格建議。
3、把輸出交給教師複覈，而不是直接作爲最終成績。

適用場景與注意¶

適合的場景：

• 教師在中考、高考備考階段需要批量處理作文、又希望評語有統一口徑時。
• 日常教學中需要給學生反饋修改方向，而教師逐篇寫評語成本過高時。
• 開發者要把作文批改做進自己的教學產品或內部工具時。

需要注意的限制：

• 作文評價本身主觀性強，同一篇作文在不同評分標準下分數可能不同，Skill 的輸出應視爲參考，最終成績由教師確認。
• 官方資料未寫明評分標準的具體版本與地區適配範圍，用於正式考試批改前必須先驗證它是否符合你的考綱。
• 評語和升格建議的質量取決於輸入作文的完整性，只給片段或錯別字較多的文本時，輸出參考價值會明顯下降。
• 頁面上的評分與下載量爲平臺統計值，會隨時間變化；撰寫本文時該 Skill 的頁面評分爲 100000，下載量 1358，安裝量 0。
• 平臺標註 requires_api_key=false，但模型調用本身是否有成本、是否受速率限制，需要在實際環境中確認。

小結¶

作文智能批改評分把「給作文打分、寫評語、提升格方向」這一步標準化爲一個可被 Agent 調用的 Skill，適合語文和英語教學中重複性高、又需要一致口徑的批改場景。它的價值在於減少教師逐篇手寫的成本，而不是替代教師對最終評價的判斷。官方地址：https://api.skillhub.cn/kunlungrowth/edu-essay-grader