在估计器的train_and_evaluate函数中，恢复检查点可能不起作用的原因是没有正确配置恢复检查点的参数。下面是一个解决方法的示例代码：

import tensorflow as tf

# 定义模型函数
def model_fn(features, labels, mode):
    # 定义模型结构和计算图
    
    # 返回模型预测结果、损失函数和训练操作等信息
    return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions, loss=loss, train_op=train_op)

# 定义估计器
estimator = tf.estimator.Estimator(model_fn=model_fn, model_dir='checkpoint_dir')

# 定义输入函数
def input_fn():
    # 定义读取数据的逻辑
    
    # 返回特征和标签
    return features, labels

# 定义训练和评估的参数
train_specs = tf.estimator.TrainSpec(input_fn=input_fn, max_steps=num_train_steps)
eval_specs = tf.estimator.EvalSpec(input_fn=input_fn)

# 训练和评估模型
tf.estimator.train_and_evaluate(estimator, train_specs, eval_specs)

要确保恢复检查点起作用，需要满足以下几个条件：

1. 在定义估计器时，设置model_dir参数为之前保存检查点的目录。
2. 确保在训练和评估时使用的输入函数相同，并且能够读取之前保存的特征和标签。
3. 在train_and_evaluate函数中，传入正确的训练和评估参数。

这样，当使用train_and_evaluate函数训练和评估模型时，会自动从恢复检查点开始训练，并在评估过程中使用最新的检查点。