此前我们讨论过双量表体系的证据链审查口径，本文换个方向，拆解工程实现：CARS 与 Gesell 两套量表如何在一台端侧设备上各自独立成立、AI 融合层承担什么职责、输出环节如何守住边界。对评估这类系统的技术方或采购方而言，实现层的三个设计原则，比参数更能说明系统的严谨程度。
一、量表独立成立：不合并、不换算
第一原则是两套量表各自独立。CARS 与 Gesell 的题项体系、计分方式、常模参照完全分开维护，设备端的量表引擎按各自的原始口径计分，不做任何跨量表换算或合并。为什么坚持这一点？因为两套量表测量的维度与适用场景不同，任何提前合并都会破坏各自的常模参照系，也让后续审计无从核对。独立性是可审计性的前提：报告上的每个分数都能回溯到对应量表的原始题项。
二、采集层：自然活动状态下的行为数据
量表数据的行为素材来自孩子在体感活动中的自然表现，而不是坐在桌前的应试式问答。采集依托无穿戴单目动捕链路：普通摄像头输入，识别模型输出 342 个人体骨骼节点，全链路 60 帧、单帧周期 16.7 毫秒，识别准确率≥98%（标准光照与标准机位条件下）。全程无需佩戴任何设备，孩子在近似日常活动的状态中被观察，这是行为数据质量的前提——穿戴设备会改变儿童的自然动作模式，这本身就是干扰源。
三、融合层：AI 的职责是交叉提示，不是改分
融合层的设计职责有明确边界：基于两套量表的独立结果与行为观察数据，AI 给出交叉提示与观察重点推荐，两套体系在融合中互相迭代渗透，形成平台级的判断支持。关键约束是：融合模型不修改任何量表的原始分，不产生跨量表的合成新分。它的输出是"建议关注的方向"，不是"新的诊断分数"。这个约束写在模型规范里，也在每次模型迭代时被重新验证——融合能力在增强，量表原始分的独立性在每次迭代后保持不变。
四、输出层：边界写死在报告模板里
报告生成模块的模板层面固化了两条规则：其一，结论性质表述为"筛查与观察支持，不替代临床诊断"，这句话不可被运营端修改或删除；其二，报告呈现两套量表的独立结果与融合观察建议，三者分区展示、不互相混排。输出环节的确定性，保证了无论哪台设备、哪个场次生成的报告，口径完全一致。工程上还有一个值得注意的细节：报告生成发生在设备端本地，不依赖云端服务，这既是数据不出设备的延续，也意味着报告生成不受网络条件影响——在商场、影院、酒店这类网络环境复杂的场所，本地闭环是体验稳定性的保障。三条原则连起来看：量表独立保证可审计，融合受限保证不越界，本地闭环保证数据安全与稳定输出。实现层的克制，恰恰是这类系统最值得审查的部分。
常见问题
两套量表的结果会不会互相干扰？ 不会。两套量表的计分与常模完全独立，AI 融合层只做交叉提示与观察重点推荐，不修改任何原始分数。
识别参数在什么条件下会下降？ ≥98% 的准确率以标准光照与标准机位为前提，逆光、镜面反射与多人重叠场景会有程度不同的下降，部署时通过点位勘察规避。