AI作业批改配置：从零搭建自动批改服务的完整步骤

知识分享

2026-10-26 02:00

17 阅读

想自己搭一套AI作业批改服务，核心工作其实分三块：准备一台能跑Python的服务器、接上可用的模型接口、把批改程序用Web服务跑起来并配好反向代理。
下面按零基础也能照做的顺序展开，环境以常见的Ubuntu 22.04加Python 3.10为例，其他发行版命令略有差异，思路一致。

先确认服务器和模型接口是否就绪

动手前需要准备三样东西：
一台有公网IP的Linux服务器（建议2核4G起步，
模型调用走API时对本地算力要求不高）、
一个可用的模型API Key（或本地部署的模型服务地址）、
一个域名（可选，
用于HTTPS访问）。

登录服务器后先检查基础环境：

cat /etc/os-release
python3 --version
pip3 --version

如果Python版本低于3.9，建议用apt install python3.10升级或改用pyenv管理。
接着安装虚拟环境和常用依赖：

apt update
apt install -y python3-venv python3-pip nginx

避坑点：不要直接用系统Python全局安装批改程序的依赖，容易和系统包冲突。
后面统一用虚拟环境隔离。

部署批改程序并配置模型参数

假设批改程序是一个Python Web应用（Flask或FastAPI均可），先创建独立目录和虚拟环境：

mkdir -p /opt/ai-grader && cd /opt/ai-grader
python3 -m venv venv
source venv/bin/activate
pip install flask requests gunicorn

把批改程序代码放到/opt/ai-grader/app.py，关键配置通过环境变量注入，避免硬编码密钥。
新建配置文件：

cat > /opt/ai-grader/.env <<'EOF'
MODEL_API_BASE=https://你的模型服务地址/v1
MODEL_API_KEY=你的API密钥
MODEL_NAME=你的模型名称
GRADER_PORT=8000
EOF

程序启动时读取这些变量，
例如在app.py中用os.environ.get("MODEL_API_KEY")获取。不要把API Key提交到代码仓库或写进前端页面。

如果批改程序需要读取学生提交的作业文件，提前建好上传目录并赋予运行用户写权限：

mkdir -p /opt/ai-grader/uploads
chown -R www-data:www-data /opt/ai-grader/uploads

用Gunicorn托管并配好Nginx入口

开发环境用flask run可以，生产环境建议用Gunicorn托管。
先手动测试启动：

cd /opt/ai-grader && source venv/bin/activate
gunicorn -w 2 -b 127.0.0.1:8000 app:app

看到Listening at: http://127.0.0.1:8000说明程序已跑起来。
用curl验证接口：

curl -X POST http://127.0.0.1:8000/grade -H "Content-Type: application/json" -d '{"answer":"测试答案"}'

返回批改结果即表示模型接口调用正常。
接着配置systemd让服务开机自启：

cat > /etc/systemd/system/ai-grader.service <<'EOF'
[Unit]
Description=AI Grader Service
After=network.target

[Service]
User=www-data
WorkingDirectory=/opt/ai-grader
EnvironmentFile=/opt/ai-grader/.env
ExecStart=/opt/ai-grader/venv/bin/gunicorn -w 2 -b 127.0.0.1:8000 app:app
Restart=always

[Install]
WantedBy=multi-user.target
EOF
systemctl daemon-reload
systemctl enable --now ai-grader
systemctl status ai-grader

最后配置Nginx反向代理，把外部请求转发到本机8000端口。
在/etc/nginx/sites-available/ai-grader中写入：

server {
    listen 80;
    server_name 你的域名;
    client_max_body_size 20m;
    location / {
        proxy_pass http://127.0.0.1:8000;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
}

启用站点并重载：

ln -s /etc/nginx/sites-available/ai-grader /etc/nginx/sites-enabled/
nginx -t && systemctl reload nginx

常见报错与避坑清单

配置过程中最容易卡在几个地方，提前留意能省不少时间。

502 Bad Gateway：通常是Gunicorn没启动或端口不对。先systemctl status ai-grader看服务状态，再curl 127.0.0.1:8000确认本地端口是否通。
模型接口返回401或403：检查.env里的MODEL_API_KEY是否被正确加载，systemd服务需要EnvironmentFile指向该文件，修改后要systemctl restart ai-grader。
上传大文件失败：Nginx默认限制1MB，需在server块加client_max_body_size，同时确认批改程序本身的文件大小限制。
中文乱码或评分格式错乱：确认请求和响应都使用UTF-8编码，Nginx配置中可加charset utf-8;。
权限问题导致上传目录不可写：运行用户为www-data时，确保/opt/ai-grader/uploads属主正确，否则批改请求会报500。

另一个容易忽略的点：如果模型服务在国内访问较慢，Gunicorn的worker超时时间可能需要调大，在启动参数中加--timeout 120，避免长文本批改被中断。

验证批改效果和运行状态

配置完成后，从外网访问http://你的域名/，提交一份样例题，观察是否返回评分和评语。
建议同时检查三项：

服务日志：journalctl -u ai-grader -f，确认每次请求都有正常响应记录。
Nginx访问日志：tail -f /var/log/nginx/access.log，确认请求状态码为200。
模型调用耗时：如果批改程序记录了耗时，观察单次请求是否在可接受范围内，超时请求会体现在Gunicorn日志中。

如果后续需要HTTPS，可用certbot --nginx申请证书，注意域名已解析到服务器。
整套AI作业批改配置跑通后，再根据实际作业量调整Gunicorn的worker数量和模型并发限制，避免高峰期请求堆积。

两个常见疑问

批改程序必须用GPU服务器吗？ 不一定。
如果模型调用走外部API，普通CPU服务器即可；
只有本地部署大模型时才需要GPU，且要按模型显存要求选卡，具体以模型官方文档为准。

配置改完后需要重启哪些服务？ 修改.env或程序代码后重启ai-grader；
只改Nginx配置则执行nginx -t && systemctl reload nginx即可，不必重启系统。

整套流程的核心是隔离运行环境、密钥走环境变量、入口统一由Nginx管理。
按上面的步骤逐项检查，遇到异常优先看服务状态和日志，多数配置问题都能定位到具体环节。

AI智能辅导系统搭建：从服务器到可运行的最小闭环