培训平台的AI监考，本质上是一套“多模态数据采集+计算机视觉/规则引擎判定+告警留存”的自动化流水线。它在规模化监控上的能力确实超越真人，但在复杂情境的理解力上，目前还无法完全替代真人监考。
代码逻辑：从采集到判定的技术链路
AI监考这套系统的后端逻辑，归根结底可以分为四个核心模块，整体架构是微服务加上实时流处理。
- 身份核验（入场门禁）：调用人脸识别API（比如FaceNet、ArcFace），提取面部128维特征向量，然后跟库里的基准照片算欧氏距离。同时还得做活体检测——眨眼、摇头、纹理分析，防止照片或视频蒙混过关。伪代码逻辑大致是：
if cosine_similarity(capture_embedding, db_embedding) < threshold: deny_entry()。 - 行为分析（CV推理）：前端通过WebRTC传视频流，后端用OpenCV、YOLO、MediaPipe这些工具提取关键点。比如，检测欧拉角（Pitch/Yaw/Roll）来判断头姿和视线，看有没有长时间低头、转头；用YOLO模型在画面里圈出手机、书本、第二张人脸这些违禁品；引入滑动窗口或LSTM，过滤掉瞬时误报（比如偶尔挠头），只有当异常行为持续N秒才触发告警。
- 环境与监控（非视觉维度）：浏览器沙箱会监听
visibilitychange事件，检测切屏，或者直接把浏览器锁死，不让开新标签页；还会监控剪贴板和键盘输入节奏。音频分析则通过频谱检测人声交谈或异常敲击声。 - 风险聚合与处置：采用加权评分机制，
Risk_Score = Σ(行为权重 × 频次)。分数超过阈值，系统就会自动截图存证、弹窗警告，甚至强制交卷，所有事件写入Kafka或Redis实时日志。
操作路径：管理员与考生两端流程
- 管理后台（配置侧）
- 登录后台，进入考试管理，新建或编辑一场考试，然后找到防作弊设置那一栏。
- 开启AI监考，勾选需要监控的维度，比如人脸核验、切屏限制、违禁物品识别等。
- 设定灵敏度阈值，比如视线偏离超过15秒、切屏超过3次就算违规。
- 考试结束后，查看监考报告，复核AI标记出来的异常帧和时间轴。
- 考生端（执行侧）
- 登录平台，下载或启动安全浏览器、客户端。
- 设备调试：授权摄像头和麦克风，完成光线和环境自检。
- 身份比对：拍一张实时照片，或者按要求完成指定动作（活体检测）。
- 进入全屏考试，画面持续抓拍，终端随时可能收到违规提示。
AI监考能否达到真人监考的效果？
直接说结论：在标准化违规检出上，AI确实比真人强；但在复杂情境判断上，它又远不如真人。目前业内最主流的方案，其实是“AI初筛加人工复核”。
- AI的优势（超越真人）
无死角规模化：同时监控几千人也没问题，不会疲劳，不会因为注意力分散就漏掉切屏或者微小动作。
客观一致性：算法标准统一，没有人为偏见，也不会打瞌睡。对于技术型作弊，比如切屏、代考导致人脸不符，检出率能达到90%到95%。
全量留痕：自动录制屏幕和摄像头画面，证据链完整，随时可以追溯。 - AI的短板（不及真人）
高误报率：推一下眼镜、思考时仰头、光线闪一下、背景有电视声，都容易被判成作弊，搞得考生很焦虑。
缺乏语境理解：真人监考能分辨出“考生弯腰捡笔”和“偷看小腿上小抄”的区别，AI光靠姿态角，根本搞不清意图。
对抗性局限：对于物理隐蔽作弊，比如没有屏幕的隐形耳机、特殊手势暗号，或者利用AI代答这类逻辑型作弊，纯视觉监控很难识别出来。
