把奖学金申请表交给本地AI，他先给模型上了三道锁

一个学生打开奖学金申请页面，还没开始写自己的学业情况，先得翻译界面。“申请人法定全称命名”“当前注册分类”“同期教育资助声明”——问题本身很普通，措辞把它们变成了一道阅读理解题。

这个学生是虚构的，项目里的奖学金门户也是虚构的。开发者把这条边界划得很清楚：不冒充任何机构，不代交别人的申请，也不暗示一个没经过检验的工具能搞定所有公共服务。他要测的是一整条无障碍填表路径，而不是替谁把表交上去。

AccessPath 是一个本地优先的无障碍填表向导，内置三张虚构表单：学生奖学金申请、社区工作坊报名、家庭支持咨询。它直接读取真实的 HTML 源码，由本地 Qwen 模型给出更通俗的标签和解释，原始说明始终并排保留。用户逐项核对准备清单，一次只回答一个问题，全部复核后，再自己决定要不要提交。

结尾是一个真会动的动作。确认之后，受控的 Playwright 浏览器会填写单独部署的虚构门户、提交表单，并读回真实的本地回执。用户还能查看操作记录，事后删掉保存的答案。

要减掉的重复负担是“解码”：记住哪个短语对应哪个熟悉的问题，反复回去找说明，判断某个字段到底适不适用于自己。这个应用做的事，是在需要的那一刻把信息递到手边，同时把决定权留在填表人手里。

演示视频长 1 分 58 秒，展示的是当前午夜蓝界面，配有旁白和同步字幕。一段真实的 Playwright 录制走完了整个奖学金流程，用的是合成演示学生和 student@example.org：打开原始门户、触发原生校验、请求新的本地 Qwen 推理、把解释和证据对照、走完准备项和问题、复核答案、确认提交、读取回执、检查活动记录、删除草稿。全程合成信息，不向任何真实机构发送内容。

三道锁是怎么上的

起点是证据。每张受支持的门户都是一个真实 HTML 文件，由独立的本地应用提供。解析器从中提取字段 ID、标签、描述性说明、必填标记、下拉选项、长度限制、格式模式、数值边界、字段分组、条件必填、准备项和歧义备注，还会对源码做哈希。这份解析出来的结构，同时控制校验规则和浏览器选择器。

Qwen 拿到的是源码元数据，不是申请人的答案。它返回一份结构化的通俗标签和简短解释，字段 ID 必须与源码完全一致。一道守卫会拒绝字段说明、选项和 HTML 属性里都不存在的数字；额外的过滤器会拦下关于资格、截止日期、付款、上传以及可选字段必填措辞的无依据说法。

这些守卫的职责很窄：抓特定类型的错误，不证明每一句改写都忠实。所以界面保留原始说明，并明确标注 AI 措辞只是建议。清单项和校验规则直接从源码提取，不由模型生成。

开发中出过一次失败，把这条界线照得很清楚。Qwen 给邮箱字段的解释加了一条“120 字符上限”，第一版守卫把它拒了，因为说明文字里没提这个数字。可那个输入框确实带着 maxlength=“120”。模型是对的，校验器不完整。开发者把解析出的 HTML 约束补进守卫，这次修正靠的是观察到的证据，而不是假定模型每句话都对。

向导按 DOM 顺序推进，只显示当前有效的问题。奖学金申请人说自己还有其他资助，资助方的问题才会出现；改答“否”，保存时那段失效的细节会被移除。工作坊的无障碍备注可以留空，家庭人数必须是源码边界内的整数。

提交前，API 先校验答案和准备清单，再生成一个十分钟有效的确认凭证，摘要存在本地。改动任何一个答案都会让它失效。一个原子事务会在浏览器自动化启动前消费掉它，防止重放触发重复动作。复核页上的同意框仍要用户亲手勾选，提交按钮初始是禁用的。

浏览器拿到的是固定选择器和已复核的答案，不是模型生成的浏览计划。它从干净的上下文启动，没有账号 Cookie，并拦截配置的本地门户源之外的所有网络请求。模型没有任何可以自行提交的工具。

SQLite 把草稿存在设备上，浏览器只存一个高熵草稿标识和阅读偏好。审计描述记录动作，但不重复姓名、邮箱和答案。删除会移除草稿及其活动记录，并启用 SQLite 安全删除。数据库没有加密，删除也不构成对操作系统备份或另行生成的视频文件的承诺——这些限制写在界面和 README 里。

测出来的数字

测试同时覆盖逻辑和真实路径。11 个后端测试检查提取、条件、校验、同意门、过期、重放、源码变更、浏览器失败、审计隐私、来源拒绝和删除。5 个浏览器测试覆盖响应式工作区、带真实本地推理的奖学金流程、纯键盘完成社区表单并保存续填、经由真实浏览器边界的家庭支持提交，以及纯文本代理故障后不丢草稿的恢复。

八种视图与配置组合的 axe 扫描，在所选 WCAG 标签下报告零违规。重设计后的界面用横向导航、高对比蓝色控件、可见进度和随大字号重排的布局。这些是开发者自测的证据，不是 WCAG 认证。开发者没有招募残障参与者，也没做过可用性研究，因此不对这类测试作任何声称。

三张表单的新鲜推理耗时分别是 3.33 秒、2.00 秒、1.99 秒，跑在一块共享的 RTX 4090 上。18 个预期字段全部按顺序提取，每条生成的解释都通过了已实现的守卫。这些是模型已在本地就绪时的固定样本测量，不是冷启动基准，也不代表任意网站。原始生成文本、哈希、摘要、耗时和计数都保存在评估 JSON 里。

开放权重让语言这一步能跑在应用所在的同一台设备上。模型只看到虚构的表单说明，没有云端 AI 兜底，也没有付费 API 依赖。这也让行为可被检查：有人能定位确切的模型摘要、重跑评估、把生成的解释和来源并排查看、在支持的本地 Qwen 配置内换模型、改进守卫。解析器、确认边界、浏览器适配器和测试都是普通应用代码，可以和模型输出分开审阅。

最有价值的那条界线是：模型被允许解释，而确定性的代码继续对要求和动作负责。这个分工让一个小型开放模型变得有用，又不必假装它是申请人处境的权威。它也给了贡献者具体的改进位置——更清晰的证据、更强的校验、更好的键盘测试、更诚实的错误恢复。

还有活要干。原型只支持这三张虚构表单；提交过程中服务器崩溃，可能留下需要人工核对的草稿；没有多用户认证，数据库也没加密；语音交互和获准的真实站点适配器仍是后续工作。这些都是把当前范围说清楚、保持可测的理由。

这里没有“填表速度提升百分之多少”的说法，因为没做过这样的研究。演示能证明的更具体：八个源码字段变成一次一个的有效问题；条件细节只在相关时出现；原始说明始终可达；保存的进度能扛过刷新；一次复核过的动作只在确认后抵达真实的虚构门户。之后用户能看到发生了什么，并把保存的答案删掉。

省下的是反复查找、解码、把表单说明一直记在脑子里的那份力气。下一步的评估应该找同意的参与者来测完成度、错误、理解和投入。在那之前，这个项目可以诚实地展示工作流，而不编造人的结果。

一张让人困惑的表，能把简单问题变成一场考试。AccessPath 想拿走一点这场考试：一句更清楚的话，一个管得住的步骤，以及足够让你自己做决定的空间。