这项任务先解决什么
先核对输入裁剪、尺寸、颜色与标签顺序，再看测试图片是否来自训练。把错误按类别和场景拆开，检查是否背景替代了目标特征。不要反复根据同一测试集调参后仍把它称为独立验证。
错误若集中在新背景，先检查训练样本是否让背景与类别绑定。不要立即增加训练次数；检查输入裁剪和标签是否一致，再用新样本验证，原测试集一旦参与调参就更新其状态。
从首个异常反推，不从猜测换件
排查AI 教学平台对照任务时先保存最早出现差异的时间和现象，再逐层比较输入、流程与结果。由教研与采购团队先提出一个能被证据否定的假设，安排最小验证动作。若改动没有影响现象，应返回原状态并记录；不要将连续尝试后偶然恢复等同已经找到原因。
按方向拆成不同的问题
排查层1需要保留这项判断：设备会执行复杂动作不代表学生能理解其机制。。将对应步骤拆开观察：写清本单元要解释的概念；标出学生可修改的输入与程序；在陌生样本上进行一次演示。先说明哪一步已经被证据支持，再说明下一步需要什么资料；如果无法观察中间状态，就把原因保持未确认，避免从最终失败反推唯一故障。
排查层2需要保留这项判断：教师电脑可用不能代替学校受限账号环境测试。。将对应步骤拆开观察：使用教学电脑账号安装环境；从官方最小示例开始修改；重新启动设备确认版本已更新。先说明哪一步已经被证据支持，再说明下一步需要什么资料；如果无法观察中间状态，就把原因保持未确认，避免从最终失败反推唯一故障。
排查层3需要保留这项判断：更多训练轮次不自动证明模型更适合真实课堂场景。。将对应步骤拆开观察：检查教案是否提供非演示样本；让学生分组标注并讨论歧义；另存未参与调整的验证集合。先说明哪一步已经被证据支持，再说明下一步需要什么资料；如果无法观察中间状态，就把原因保持未确认，避免从最终失败反推唯一故障。
对照试验只改变一个条件
先固定当前输入样本、真实类别、预测类别、模型版本、人工帮助与新样本结果，再选择一项最可能影响结果的条件复测。每次标出原状、改动和观察，不删除失败记录。若使用“封装演示设备”，要特别检查学生能改哪些变量；如果环境变化已经超出原方案的适用条件，先修订任务书，而不是继续用旧结论解释新现象。
把技术边界放到实际动作里
本次核对还要保留两条具体提醒。第一，更多训练轮次不自动证明模型更适合真实课堂场景。；对应动作是检查教案是否提供非演示样本。第二，汇总评分不能掩盖某项关键功能根本无法使用。；可从记录完成条件与人工协助开始复核。它们应进入操作说明或问题单，而不是只出现在结尾。若结果与预期不同，先查这些动作是否真的完成，再决定是否需要修改原任务。
AI课程与模型交接：怎样填写本次任务
本场景工作表字段为资料、来源/许可、版本、复跑动作、状态。例如示范行“样本与标签 / 待核对 / 待填 / 核对划分 / 未执行”仅展示填写关系；实际运行后用自己的观察替换，不保留示例当结果。填写时重点对应输入样本、真实类别、预测类别、模型版本、人工帮助与新样本结果，让一次选择、操作或修改能找到原始依据。表头中的状态应区分未执行、已观察和仍待确认，适用条件改变时另开一行，而不是覆盖旧结果。
本场景最容易误判的两件事
围绕“模型训练分数很高却总认错：从标签到输入逐层查”，可以把这两个问题用于复核。训练次数多一定更好吗？ 先看新样本表现与任务范围，不能只看训练集分数。 另一项是：持续费用要列哪些？ 账号、内容、算力或支持依赖应逐项询问并书面确认。 两者应与本次任务的实际条件一起判断。
原始资料阅读
Make a Pick and Place Robot — Lesson Plan
https://education.lego.com/en-gb/lessons/ev3-cim/make-a-pick-and-place-robot/
Built-in Examples
https://docs.arduino.cc/built-in-examples/
AI Risk Management Framework
https://www.nist.gov/itl/ai-risk-management-framework