从账号、插件、API到教学治理，梳理 VS Code 接入 DeepSeek 的完整路径，兼顾调试效率、成本控制与密钥安全。
AI指导老师在教学时经常遇到学员把 DeepSeek 网页版和 API 混为一谈，或者在插件配置里填错 Base URL。VS Code 作为主流编辑器，接入 DeepSeek 后能形成补全、对话、调试和代码审查的连续工作流。下面按环境准备、插件配置、协同使用和教学治理四个层面展开。
1. 环境与账号准备
在开始配置前，AI指导老师需要带学员确认 VS Code 版本、DeepSeek 开放平台账号和网络出口。VS Code 建议使用 1.85 以上版本，扩展宿主和密钥存储机制更稳定，Continue、Cline 等插件对语言模型协议支持也更完整。DeepSeek 开放平台需要单独注册，完成实名与充值后创建 API Key，这个 Key 只显示一次。很多初学者误以为 DeepSeek 网页版账号可以直接登录插件，实际插件调用的是开放平台接口，必须通过 API Key 鉴权。模型方面，deepseek-chat 适合通用对话与代码生成，deepseek-reasoner 更擅长复杂推理和算法调试，但响应更慢、思维链占用更多输出 token。
教学环境还要处理网络与代理。DeepSeek API 域名为 api.deepseek.com，若学员在公司内网或校园网，需要确认 HTTPS 出站、代理证书和超时设置。AI指导老师可以准备一个最小项目，例如单文件 Python 脚本或小型 Node 服务，让学员先跑通请求再接入编辑器。API Key 不应写进 settings.json 或提交到 Git，建议放入 .env 并由插件读取，或使用 VS Code 的密钥存储能力。创建 Key 时按学员、班级或项目分开发放，后续才能定位滥用和费用异常。若控制台提示余额不足，插件通常表现为 402 或 429，而不是编辑器崩溃，教师需要提前说明这些状态码含义。
账号准备还包括理解计费与上下文限制。DeepSeek API 按输入和输出 token 计费，缓存命中通常有折扣，长上下文和频繁自动补全会快速累积用量。教学前应明确哪些操作走 API，哪些操作用本地搜索或文档。对于算法课，deepseek-reasoner 可以展示推理过程，但不应把完整思维链当作标准答案；对于 Web 开发课，deepseek-chat 在函数补全和错误解释上更均衡。学员完成创建 Key、设置预算、测试 curl 或 SDK 请求后，再进入插件配置，能减少一半以上的排错时间。
2. 插件与API配置路径
VS Code 本身不内置 DeepSeek 支持，需要借助扩展。插件市场里带 DeepSeek 字样的扩展很多，但质量参差，AI指导老师应优先选择开源、可审计、支持 OpenAI Compatible 接口的工具，例如 Continue、Cline 和 Roo Code。它们不绑定单一模型，配置里选择 OpenAI 协议，Base URL 填 ，API Key 填 DeepSeek 开放平台生成的密钥，模型名填 deepseek-chat 或 deepseek-reasoner。Continue 使用 config.yaml，Cline 在设置页选择 OpenAI Compatible 后逐项填写，Roo Code 的路径类似。若插件只允许填 OpenAI Key 而没有 Base URL，通常无法接入 DeepSeek。
配置完成后必须做连通性验证。最简单的办法是在插件聊天框输入“用一句话解释闭包”，观察是否流式返回。若返回 401，通常是 Key 错误或多余空格；404 多为 Base URL 或模型名写错；429 可能是余额不足、并发限制或触发频率保护；连接超时则检查代理、DNS 和防火墙。AI指导老师在演示时可以把错误状态码做成对照表，但正文教学更应让学员学会看插件日志和开发者工具网络面板。部分插件把“模型名称”和“部署名称”分开，DeepSeek 没有部署名概念，留空即可。还要注意上下文窗口设置，填得过大可能让插件发送超长历史，导致费用上升和响应变慢。
教学场景建议统一配置模板。教师可以在课程仓库放一份脱敏的 config 示例，用环境变量占位，让学员复制后只改自己的 Key。Cline 支持多配置文件，Continue 可按项目覆盖，便于区分课堂演示和真实项目。配置文件中可以限制自动补全触发字符、最大 token、请求超时和重试次数，避免一个 Key 被全班共用导致限流。若学校有统一网关，可把 Base URL 指向内网网关，再由网关转发 DeepSeek，这样能集中审计和限额。完成插件配置后，学员应能在一个窗口内完成对话、选中代码解释、生成提交信息等操作，而不是在浏览器和编辑器之间反复复制粘贴。
3. 代码补全、对话与调试的协同
接入成功后，VS Code 中的 DeepSeek 不应只被当作聊天机器人。更高效的是把补全、对话、调试串成工作流。编写函数时让 deepseek-chat 根据注释和上下文补全参数校验、异常处理；阅读陌生模块时选中代码后让模型解释数据流；遇到报错时把堆栈、相关文件和运行命令一起发给模型。AI指导老师要提醒学员，DeepSeek 的补全质量依赖上下文，打开过多无关文件会稀释提示信号，也会消耗 token。对于 Python 数据类、TypeScript 接口和单元测试，模型通常能给出可运行草稿，但仍需本地执行 pytest、jest 或类型检查验证。
调试环节更能体现 deepseek-reasoner 的价值。算法题、并发问题、数据库事务异常往往需要多步推理，reasoner 会先分析可能原因再给修改建议，适合作为结对调试者。但教师应要求学员先提供最小可复现信息，包括期望结果、实际结果、错误信息和已经尝试过的修改。Cline 等代理式插件可以读取工作区文件并直接提出 diff，此时要强调审查环节，不能让模型自动接受所有修改。可以先用 deepseek-chat 快速定位，再用 reasoner 深入分析，最后让模型生成回归测试。这样既控制成本，也避免把调试责任完全交给模型。
实际教学中可以设计一个递进案例。例如学员实现 Flask 登录接口，运行后返回 500，日志显示数据库连接池耗尽。第一步让模型解释 traceback，第二步让它检查连接创建和释放位置，第三步生成一个并发测试脚本，第四步根据测试结果修改上下文管理器。整个过程记录提示词、模型选择和 token 用量，作为复盘材料。另一个常见场景是前端组件状态更新异常，模型能根据组件树和 Hook 依赖给出排查方向。关键不是让模型替学员写完整项目，而是让学员学会拆分问题、提供有效上下文、验证模型输出。只有这样，VS Code 接入 DeepSeek 才从能聊天变成能解决问题。
4. 教学场景中的成本、安全与效果评估
成本和费用是班级教学绕不开的问题。DeepSeek API 按量计费，自动补全如果每次击键都请求，费用会迅速上升，因此应设置触发延迟、最小字符数和最大输出 token。教师可以按学员或小组分配独立 Key，在开放平台控制台查看用量，并设置预算告警。对于大班，建议用 LiteLLM、One API 等网关统一转发，把 DeepSeek Key 留在网关侧，给学员发放限额虚拟 Key，同时记录请求日志。这样既能避免 Key 泄露，也能在课堂上快速定位是谁的请求触发限流。还要教学员理解缓存命中、上下文长度和模型选择对成本的影响，例如简单补全用 deepseek-chat，复杂推理才用 deepseek-reasoner。
安全与合规同样重要。API Key 一旦进入 Git 历史、截图或聊天记录，就可能被他人调用并产生费用。AI指导老师应要求学员使用环境变量、VS Code 密钥存储或网关虚拟 Key，并在提交前运行 secret 扫描。代码隐私方面，公网 DeepSeek API 会把提示内容发送到服务端，企业课程和真实项目需要先脱敏，去掉数据库密码、用户数据和内部域名。对保密要求高的场景，可以考虑本地部署 DeepSeek 开源模型，或通过内网网关调用经批准的模型服务。插件本身也要审查权限，避免安装来源不明的扩展读取工作区文件。教师应在第一节课就讲清楚哪些代码可以上传、哪些必须替换，而不是等到事故出现再补救。
效果评估不能只看生成得快不快。更有意义的指标包括建议采纳率、测试通过率、调试耗时、代码审查缺陷数和学员独立解决问题的能力。AI指导老师可以在课程前后设置同类任务，对比使用 DeepSeek 前后的完成时间与错误类型，同时收集学员对提示词的修改记录。评估时还要关注依赖风险，例如学员是否跳过文档阅读、是否直接接受模型给出的安全漏洞代码。可以要求每次 AI 辅助修改都附一段说明：问题是什么、模型建议是什么、为什么采纳或拒绝。经过几轮训练，学员会形成可迁移的 AI 协作习惯，这比记住某个插件的按钮位置更有价值。
