多智能体当“编程老师”？这篇研究让C语言代码知识点标注更精准

一、论文信息

信息类别	具体内容
论文原标题	基于多智能体协作的学生代码知识点自动标注方法——以C语言为例
主要作者	刘佳琦、高志泽樟、孟宪佳、孙霞（通信作者）、冯筠（通信作者）
研究机构	西北大学计算机学院（西安，710127）
APA引文格式	Liu, J. Q., Gao, Z. Z. Z., Meng, X. J., Sun, X., & Feng, Y. (2025). Automatic Knowledge Point Annotation for Student Code Based on Multi-Agent Collaboration: A Case Study of C Language. Computer Science. https://link.cnki.net/urlid/50.1075.TP.20250911.1012.016
网络首发信息	2025年9月11日网络首发，收录于《计算机科学》（ISSN 1002-137X，CN 50-1075/TP）

二、一段话总结

针对传统“习题导向”知识点标注忽略学生编程个体差异、单智能体难以处理大规模代码分析的问题，西北大学团队提出多智能体协作的C语言代码知识点自动标注方法：构建“语句层-代码块层-函数层”三层次知识点体系，设计“知识点标注-任务分析-整合反馈”三个智能体（带自检迭代机制），基于363份大一新生C语言代码实验。结果显示，该方法（尤其Proposed-MAS-R版本）在完整性、准确性等五维度评分均优于直接用LLM的基线方法，被选为最佳方案比例达49.86%，且与人类专家评审高度一致，最终实现代码知识点的自动化、可解释标注，为编程教学个性化评估提供技术支撑。

三、思维导图

四、研究背景：编程教学中的“标注困境”

1. 传统知识点标注的“两大盲区”

想象一个场景：老师布置“求1到100求和”的C语言题，学生A用for循环写对了，学生B用while循环但少加了1（结果错），学生C直接写死答案（结果对但没用到循环）。
传统“习题导向”标注会认为：这道题关联“循环结构”知识点，学生A掌握、B/C没掌握——但这明显不准：

• 盲区1：忽略个体差异：学生A用for、B用while，都是对“循环结构”的不同应用，但传统方法只记“循环”这个标签，看不到差异；
• 盲区2：忽略细节价值：学生B虽然结果错，但while循环的语法用对了，传统方法因“结果错”直接否定，没发现他其实掌握了部分知识点。

这就是论文指出的核心问题：传统方法以“习题”为核心，只关注“题对应什么知识点”，不关注“学生代码里实际用了什么知识点”，相当于“看题判掌握，不看过程判对错”。

2. 大规模教学的“技术拦路虎”

随着编程课人数增多（比如一个班100人，每人提交3份代码，就是300份），人工标注根本忙不过来——而且代码写法千差万别：有的变量名乱起但语法对，有的逻辑绕但功能实现，单靠一个“智能系统”（比如直接用ChatGPT分析）也不行：

• 单智能体像“一个老师批所有作业”，容易漏看细节（比如没发现gets函数的安全问题）；
• 分析逻辑单一，没法同时兼顾“语法对不对”“功能达不达标”“知识点用得好不好”，反馈总是“泛泛而谈”（比如只说“代码错了”，不说错在“条件判断缺失”）。

正是这些问题，让研究团队想到：能不能用“多个智能体分工协作”，像“教学组”一样一起批代码？这就是研究的起点。

五、创新点：三个“突破传统”的设计

1. 从“盯题”到“盯代码”：标注对象转型

传统方法“先看题，再给题贴知识点标签”，研究反过来“先看代码，从代码里拆知识点”——比如同样是“密码合法性检查”题，有的学生用了if-else，有的用了switch，系统会分别标注“选择结构（if-else）”“选择结构（switch）”，而不是统一标“选择结构”，真正体现学生的实际写法差异。

2. 三层次知识点体系：像“拆积木”一样拆代码

把C语言知识拆成“语句-代码块-函数”三层，就像把一栋房子拆成“砖块-房间-整栋楼”，每个层次对应不同分析重点：

• 语句层（砖块）：看单个代码行对不对（比如int a=5;是不是正确定义变量）；
• 代码块层（房间）：看多个语句的逻辑对不对（比如for循环里的判断条件有没有写错）；
• 函数层（整栋楼）：看模块化设计好不好（比如自定义的check_password函数参数传对了吗）。
  这种划分让标注更细，不会“一棍子打死”（比如语句对但代码块错，能精准定位问题）。

3. 多智能体“教学组”：分工+自检

设计三个智能体像“老师组”一样协作，还能自己检查纠错：

• 标注智能体（知识点老师）：专门找代码里的知识点，比如“这里用了for循环”；
• 分析智能体（功能老师）：专门查代码能不能实现题目要求，比如“密码检查没加长度判断，功能不达标”；
• 反馈智能体（总结老师）：把前两个老师的结论整理成报告，比如“知识点：for循环（对）；问题：条件判断缺失（错）；建议：加if(len<8)判断”；
• 自检机制：如果标注智能体漏了知识点，自己会回头重查，直到查全或达到最大迭代次数（比如最多查3次）。

六、研究方法与实验：怎么验证“多智能体”好用？

1. 研究方法：分三步走

第一步：建“三层次知识点库”

先整理C语言核心知识点，比如语句层的“变量定义”（编号1214）、代码块层的“for语句”（编号2440）、函数层的“函数递归”（编号4140），每个知识点都写清楚“是什么、怎么判断对不对”（比如“gets函数属于不安全输入，判断为错”）。

第二步：搭“多智能体系统”

用JSON格式让三个智能体互通数据：

• 标注智能体输出：{"level":"代码块层","code_snippet":"for(int i=0;i<n;i++)","skill_id":2440,"verification":true}（意思是“代码块层，for循环，知识点2440，用对了”）；
• 分析智能体输出：{"status":"不通过","error_type":"条件判断缺失","skill":["2112（选择结构）"]}（意思是“功能不达标，错在条件判断，关联知识点2112”）；
• 反馈智能体汇总这两个结果，生成带代码片段、错误原因、建议的报告。

第三步：加“自检迭代”

每个智能体做完后，会自己“检查”：比如标注智能体发现漏了“gets函数”这个知识点，就重新分析代码，补充标注；如果检查3次还漏，才停止。

2. 实验设计：公平对比

（1）实验数据：真实学生代码

来源：某大学《C语言程序设计》大一新生作业，共363份，覆盖8道题（比如“密码合法性检查”“数组排序”），其中：

• 功能正确：169份（46.56%）；
• 功能错误：194份（53.44%），包括编译错误60份、逻辑错误63份等（覆盖常见新手问题）。

（2）对比方法：4种方案PK

方法类型	具体方案
基线方法（LLM）	Baseline：直接用Qwen3-30B模型整体分析代码
基线改进	Baseline-R：Baseline+深度思考（让模型多思考一步“有没有漏知识点”）
实验组（多智能体）	Proposed-MAS：用三个智能体协作分析
实验组改进	Proposed-MAS-R：Proposed-MAS+深度思考（每个智能体都多思考一步）

（3）评估标准：5个维度打分

找5个“LLM虚拟专家”（用同一Qwen模型），按1-5分（5分最好）评以下维度：

1. 完整性：有没有标全代码里的知识点？
2. 准确性：标对了吗？有没有把“错的”标成“对的”？
3. 合理性：报告结构清不清晰？有没有废话？
4. 错误识别能力：能不能找到代码里的错，还归因到知识点？
5. 教育指导性：给的建议能不能帮学生改进？

（4）人类专家验证

为了确认LLM专家的评分靠谱，找3位计算机专业老师（人类专家），双盲评审30份代码（隐去方法标识），对比人类与LLM的评分。

3. 实验结果：多智能体赢了

（1）五维度评分：实验组全领先

方法	完整性	准确性	合理性	错误识别能力	教育指导性	被选最佳方案比例
Baseline	3.18	3.31	3.05	3.31	3.17	6.06%
Baseline-R	3.96	4.14	3.69	3.51	3.86	20.11%
Proposed-MAS	4.15	4.52	4.17	3.75	3.97	23.97%
Proposed-MAS-R	4.36	4.59	4.41	3.83	4.17	49.86%

关键结论：Proposed-MAS-R（多智能体+深度思考）在所有维度都拿了最高分，近一半（49.86%）被选为“最佳方案”，比Baseline（6.06%）高8倍多。

（2）人类与LLM评审一致

人类专家给Proposed-MAS-R的“错误识别能力”评3.80分，LLM评3.83分，差异仅0.03；“最佳方案”选择率人类评50%，LLM评49.86%，几乎一样——说明LLM的评分靠谱，多智能体的优势是真实的。

七、主要成果与贡献

1. 核心成果（表格总结）

成果类别	具体内容
方法成果	提出“三层次知识点体系+多智能体协作”方法，解决传统标注的个体差异忽略、细节缺失问题
实验成果	多智能体方法在5个核心维度优于LLM基线，最佳方案选择率达49.86%，人类验证一致
应用成果	生成的分析报告能精准指出“知识点掌握情况+错误原因+改进建议”，可直接用于教学

2. 领域贡献

（1）理论贡献

• 首次将“多智能体协作”用于学生代码知识点标注，突破单智能体的分析局限；
• 提出“语句-代码块-函数”三层次体系，为编程语言知识点建模提供新框架。

（2）应用贡献

• 对老师：不用人工批代码，系统能自动出“知识点报告”，快速发现学生共性问题（比如很多人不会条件判断）；
• 对学生：能拿到“精准反馈”（比如“你gets函数用错了，建议换fgets”），而不是“代码错了”这种模糊评价；
• 对智能教育：为“个性化编程教学”打基础（比如根据学生漏的知识点推荐练习）。

3. 开源与数据集

目前论文未提及代码开源或数据集公开信息，后续可关注作者团队（西北大学计算机学院）的研究主页获取更新。

八、关键问题（问答）

Q1：传统“习题导向”标注和研究提出的“代码导向”标注，核心区别是什么？

A：核心区别在“标注对象”和“关注点”：

• 习题导向：以“习题”为对象，关注点是“这道题对应什么知识点”，比如“密码题对应选择结构”，不管学生代码实际怎么写；
• 代码导向：以“学生代码”为对象，关注点是“代码里实际用了什么知识点”，比如同样是密码题，学生A用if-else就标“if-else”，学生B用switch就标“switch”，能体现个体差异。

Q2：三个智能体是怎么协作的？有没有具体例子？

A：以“密码合法性检查”的错误代码（用gets函数、无条-件判断）为例：

1. 标注智能体先分析代码，标对“for循环（对）”“变量定义（对）”，标错“gets函数（错）”；
2. 分析智能体检查功能，发现“没加密码长度判断，功能不达标”，归因到“选择结构（知识点2112，错）”；
3. 反馈智能体汇总：“知识点：for循环（对）、gets函数（错）、选择结构（错）；错误：无长度判断、gets不安全；建议：加if(len<8)、换fgets”；
4. 自检：如果标注智能体漏了“选择结构”，会回头重查，补充标注。

Q3：实验中“深度思考”模式为什么能提升效果？

A：深度思考模式让模型/智能体多了“自我反思”的步骤：

• 比如Baseline（直接LLM）可能看完代码就标知识点，漏了“gets函数”；
• Baseline-R（LLM+深度思考）会多问自己一句“有没有漏输入相关的知识点？”，然后发现“gets函数没标”，补充上去；
• 多智能体+深度思考（Proposed-MAS-R）则是每个智能体都反思：标注智能体反思“漏知识点没”，分析智能体反思“错归因对没”，进一步提升准确性。

Q4：研究的局限性是什么？未来怎么改进？

A：局限性和改进方向对应：

1. 局限性：只针对C语言，适配Python/Java等语言需调整；
   改进：后续优化智能体的代码解析规则（比如适配Python的缩进语法），构建跨语言框架；
2. 局限性：实验样本仅来自1所大学，代表性不足；
   改进：扩大样本到多所学校、不同专业（比如非计算机专业）的学生；
3. 局限性：评估主要靠LLM专家，人类专家参与少；
   改进：开展大规模人工评审，优化评估指标（比如增加“学生是否易懂”维度）。

九、总结

这篇论文针对编程教学中“代码知识点标注难”的痛点，提出了“多智能体协作+三层次体系”的解决方案，通过真实学生代码实验验证了方法的有效性——核心价值在于“从‘看题判对错’到‘看代码评细节’”，让智能标注更精准、更贴近教学需求。

虽然目前只适配C语言、样本有限，但为后续研究指明了方向（跨语言、扩样本）。对于编程老师、智能教育研究者来说，这篇论文的方法和思路具有很强的参考意义，尤其在“个性化编程教学”落地中能发挥重要作用。