Sinhala Scorer：基于本地LLM四智能体管道的僧伽罗语作业自动评分系统

Sinhala Scorer是专为僧伽罗语设计的智能评分系统，采用四智能体NLP管道和本地大语言模型，可在完全离线环境下对学生答案进行自动化评估，解决低资源语言教育中自动评分工具匮乏的痛点。

自然语言处理技术主要惠及英语等主流语言，僧伽罗语等低资源语言可用智能工具稀缺。教育领域中，教师需花费大量时间批改作业，而自动评分工具往往不支持本地语言。Sinhala Scorer项目针对此痛点，提供完整的本地化智能评分解决方案。

系统核心为模块化四智能体架构：

1. 输入解析与预处理：处理僧伽罗语文本（字符规范化、分词等），转化评分标准为内部表示；
2. 内容理解与语义匹配：利用本地LLM进行语义比对，判断答案核心观点是否覆盖评分点；
3. 评分决策与权重计算：综合完整性、准确性等因素，分配分数比例；
4. 结果生成与反馈输出：生成分数及详细反馈。 本地LLM选择原因：隐私保护、离线运行适配网络不佳环境、降低API成本。完全离线实现：预下载模型权重、本地推理引擎、量化压缩模型、RAG技术引入外部知识；评分标准采用结构化设计，保证客观性与灵活性。

系统可靠性通过以下方式保障：建立人工评分基准数据集验证准确性；计算Cohen's Kappa等人机评分一致性指标量化性能；设计置信度机制，低置信度结果提示人工复核。

Sinhala Scorer的应用场景包括：大规模考试辅助初筛与标准化评分；日常作业提供即时反馈加速学习闭环；教师培训作为评分一致性校准工具。该系统有望提升僧伽罗语教育评估的效率与公平性。

当前系统局限性：更适用于客观性题目，对创造性开放性问题评分能力有限。未来方向：引入多模态支持（如手写答案识别）、开发自适应学习机制优化准确性、扩展到其他南亚语言。

Sinhala Scorer成功将LLM技术应用于低资源语言教育场景，平衡隐私保护与实用性。其四智能体架构为复杂NLP任务设计提供参考，完全离线运行模式为网络基础设施薄弱地区的教育技术普及指明方向。