本文面向AI指导老师，梳理DeepSeek API从账号开通、密钥管理到模型调用、教学提示词设计与成本控制的完整路径，帮助零基础读者快速跑通首个可用原型。 在AI指导老师场景中，机构与个人开发者最常遇到的需求，不是从头训练大模型，而是把稳定、低成本、可批量调用的语言模型接入答疑、教案生成、作业反馈与学习路径规划。DeepSeek API 以兼容 OpenAI 协议、中文表现扎实和按量计费著称，显著降低了从零开发的门槛。真正的上手难点并不在“发出一个请求”，而在账号开通、密钥管理、模型选择、提示词设计、流式输出、异常重试与成本控制之间形成可复用的闭环。下面从四个关键环节展开，每一步都对应AI指导老师日常工作中的真实约束。
1. 账号开通与密钥管理
DeepSeek API 的入口是 platform.deepseek.com，注册流程与常见云平台接近，使用手机号或邮箱完成账号创建后，进入控制台即可看到 API Keys、用量统计和计费信息。新账号通常会有一定额度的体验金或赠送 tokens，具体数量与有效期以控制台公告为准，不宜把演示方案建立在赠送额度长期存在的前提上。对于AI指导老师这类需要持续调用模型的场景，建议先完成实名与支付绑定，再创建独立的 API Key。Key 只在创建时完整显示一次，关闭页面后无法再次查看，因此必须立即复制到安全的密码管理器或服务端环境变量中，而不是散落在聊天记录、桌面文档或前端代码里。 密钥管理常被零基础开发者忽视，却是教学产品能否稳定运行的第一道门槛。若把 Key 写入浏览器端 JavaScript，任何访问者都能通过开发者工具提取并盗用；若提交到公开 Git 仓库，自动化爬虫可在几分钟内扫描到并产生异常消费。更稳妥的做法是为开发、测试、生产分别创建不同 Key，并在网关层记录调用来源、限制单日额度、设置用量告警。AI指导老师应用往往涉及学生姓名、成绩、作文等敏感信息，Key 一旦泄露，不仅带来费用风险，还可能引发内容安全与数据合规问题。国内网络环境通常可直连 api.deepseek.com，若遇到连接超时，应优先检查 DNS、代理和防火墙规则，而不是反复更换 Key。
2. 请求链路与模型选择
DeepSeek API 兼容 OpenAI 的 Chat Completions 协议，这是快速上手的关键。开发者可以用熟悉的 openai Python 或 Node.js SDK，把 base_url 指向 ，把 api_key 替换为 DeepSeek 控制台生成的密钥，然后调用 chat.completions.create。消息数组由 system、user、assistant 三类角色构成，system 用来设定“AI指导老师”的身份与教学策略，user 放学生问题，assistant 保存历史回答。对于零基础读者，最短路径是先在本地 Python 环境安装 openai 包，用环境变量读取 Key，发送一条“请用初中生能懂的解释光合作用”的请求，确认返回结构、用量字段和错误码，再逐步封装成教学工具。 模型选择直接决定效果、延迟和成本。deepseek-chat 适合日常答疑、教案生成、题目改写、学习计划等通用任务，响应快且价格低；deepseek-reasoner 面向数学证明、复杂代码、多步逻辑推理等场景，会先输出思维链再给答案，但延迟更高、输出 token 更多。AI指导老师设计产品时，可以按任务复杂度路由：普通问答走 deepseek-chat，学生上传压轴题或需要分步推导时切到 deepseek-reasoner。两个模型的上下文窗口通常为 64K tokens，足以容纳课程大纲、错题记录和较长学生作文，但要注意最大输出限制，避免一次要求生成整本练习册。调用参数中，temperature 控制随机性，教学场景建议偏低以保证稳定；max_tokens 防止超长输出；stream 决定是否流式返回。请求链路本质上经过认证、限流、路由、推理和计费五个环节，理解这条链路后，401、402、429 等错误就不再神秘。
3. 教学场景的提示词与流式输出
AI指导老师的核心不是“让模型答题”，而是让模型按照教学法引导学习。一个可复用的 system 提示词应包含角色、目标、学习者画像、约束和输出格式。例如面向初中数学，可以设定“你是耐心的一对一AI指导老师，面对基础薄弱的学生；不直接给出最终答案，先确认已知条件，再给一步提示，学生尝试后继续追问；每次回复不超过一百五十字，最后用一个问题检查理解”。这样的提示词能显著降低模型直接报答案的概率，也让多轮对话更接近真实辅导。对于作业批改，可以要求模型输出 JSON，包含得分、错误类型、改进建议和下一题推荐，再配合 response_format 强制 JSON 模式，方便后端直接入库。提示词不是一次写死的，应收集学生反馈与失败案例，按周迭代。 流式输出是教学互动体验的分水岭。把 stream 设为 true 后，模型会逐段返回 token，前端可以像打字机一样显示内容，首字等待从数秒缩短到通常数百毫秒到两秒，学生在等待过程中更愿意停留。实现时要处理 SSE 数据块拼接、异常中断和最终用量统计，不能只把片段拼成字符串就结束。多轮对话还需维护 messages 历史，但历史越长，输入 token 越多，成本越高，因此可以保留最近若干轮，并把更早内容压缩成摘要。一些晚辅工具的经验是，把“先提示后答案”的 system 提示与流式输出结合后，单次答疑平均交互轮次增加，但学生独立完成率提升，因为模型不再一次性给答案。AI指导老师还应设置安全兜底，当学生询问与学习无关的敏感内容时，按预设话术拒绝并转交人工。
4. 成本控制与异常处理
DeepSeek API 按输入和输出 token 计费，缓存命中的输入价格通常显著低于未命中，输出价格又高于输入。以 deepseek-chat 为例，输入缓存命中约零点五元每百万 tokens，未命中约两元每百万 tokens，输出约八元每百万 tokens，实际价格与优惠以平台计费页为准。AI指导老师场景中，一次简短答疑可能消耗五百到一千五百 tokens，一篇作文批改可能达到三千到八千 tokens，若日活一千人、每人三次调用，月成本会迅速放大。优化方向包括压缩 system 提示词、把固定课程说明放在前缀以提升缓存命中、限制 max_tokens、对历史对话做摘要、把批量批改任务改为异步队列，以及为不同任务设置模型路由。成本监控应细化到每个功能、每个班级甚至每个用户，发现异常曲线及时排查。 异常处理决定服务能否在真实课堂中可用。401 通常表示 Key 错误或未正确读取环境变量，402 表示余额不足，429 表示触发限流或并发过高，500 与超时则来自服务端或网络波动。对 429 和 500 应采用指数退避重试，并加入随机抖动，避免大量请求同时重试造成二次拥堵；对 401 和 402 不应盲目重试，而应触发告警并切换备用 Key 或降级到轻量模型。日志中要记录请求 ID、模型名、token 用量、延迟和错误码，但必须脱敏学生姓名、手机号和成绩。教学产品还应设置内容安全过滤与人工复核入口，尤其涉及未成年人时，不能让模型输出替代教师评价。把成本、异常和安全纳入日常巡检后，DeepSeek API 才能从演示脚本变成可长期运行的AI指导老师基础设施。
