围绕DeepSeek的模型分工、结构化提示、工作流搭建与风险控制，给出一套可教学的实操路径，帮助AI指导老师提升交付质量。
DeepSeek在近两年快速进入办公、教育和开发场景，R1的推理展示与V3的低成本调用让很多团队把它纳入日常工具。但真正拉开差距的并非是否用过，而是能否根据任务选择模型、约束输出并验证结果。AI指导老师需要把这种经验转成可复用的方法，让学员在真实项目中稳定获得可用结果。
1. 辨明DeepSeek的模型分工与调用入口
DeepSeek常见入口包括网页版、移动端和API。网页与App提供“深度思考”和“联网搜索”开关，前者调用推理模型，后者用于补充实时信息；API里deepseek-chat对应通用对话模型V3，deepseek-reasoner对应推理模型R1。V3响应快、成本低，适合摘要、翻译、文案、常规问答和格式生成；R1在数学、代码、逻辑链路和复杂决策中更稳，但输出更慢、token消耗更高。指导老师应让学员先判断任务属性：确定性强、需要多步推理时选R1，高吞吐、模式化生成时选V3。
API兼容OpenAI风格，base_url通常设为，通过模型名切换能力。不同版本的上下文窗口在64K到128K级别，长文档不能整本塞入，要按章节切片并保留元数据。举例来说，合同条款风险审阅适合用R1逐条标注风险、依据和修改建议；营销文案批量改写则适合用V3，并配合较高temperature获得更多表达变化。把“任务—模型—入口—成本”写成检查表，比让学员死记模型名称更有效。
还要注意模型知识截止和联网开关差异。未联网时无法保证最新政策、价格、赛事结果；联网后也要查看引用来源。教学中可做一个对照实验，让同一问题分别交给V3和R1，记录耗时、结构、事实错误和可用度，学员很快建立模型选择直觉。
2. 以结构化提示词换取稳定输出
很多失败案例来自提示词只有一句“帮我写个方案”。DeepSeek虽然对自然语言宽容，但稳定输出需要角色、任务、背景、输入、约束、格式和验收标准。比如让模型生成课程大纲，要说明学员基础、课时、目标、案例行业、禁用词、输出表格字段。对R1，官方不建议再写“请一步步思考”，因为模型会自行推理；可以要求它在最终答案前给出“推理摘要”和“不确定点”。
温度与格式控制同样重要。API中temperature默认1.0，通用对话可到1.3，数学和代码建议0，翻译1.3；top_p默认1。需要JSON时，明确字段和类型，并给一个极小样例。长文任务采用分段生成，先大纲再逐节扩写，再让模型按检查表自审。举例：让DeepSeek输出“AI讲师训练营”10节课大纲，要求每节包含目标、练习、交付物和评估标准，再用R1找出难度断层，人工调整。
少样本示例与否定约束同样关键。给两个输入输出样例，比抽象描述“专业一点”有效；同时写“如果资料不足，列出缺失信息，不要编造”“不要使用夸张形容词”“引用原文并标注页码”。这些约束能降低幻觉和风格漂移。指导老师可以带学员做提示词对照：同一任务分别用一句话版本、结构化版本和带示例版本，比较输出稳定性，再沉淀为团队模板。
3. 把单次问答升级为可复用工作流
教学场景中，单次问答价值有限，工作流才能复制。推荐“三遍法”：第一遍让V3生成框架和素材，第二遍让R1检查逻辑、补边界条件，第三遍让V3按目标格式改写并生成检查清单。以AI指导老师设计“提示工程实战课”为例，先用V3列出模块，再用R1评估每模块的先修知识和常见误区，再让V3生成讲师手册、学员练习和评分表。
文件上传与知识库问答是高频场景。网页和App可上传常见文档，适合让模型基于内部资料回答，但长文档要按章节切片，提问时限定“仅依据上传文档回答，引用页码，找不到说不知道”。API可结合向量库做检索增强，先召回再生成，减少无关内容干扰。若资料含表格，最好转成Markdown或CSV，并在提示中说明字段含义，模型解析准确率会更高。
批处理与自动化能把效率进一步放大。把重复任务做成模板，如作业批改、代码解释、面试题生成、会议纪要整理。用API批量跑数据，保存输入输出，人工抽检。案例：训练营用DeepSeek生成50道AI产品经理面试题，R1按难度和岗位匹配度打分，讲师保留前20题并改写。这样既保留了模型的速度，也把质量控制留在人手中。
4. 守住事实校验与数据安全底线
DeepSeek可能产生幻觉，尤其在政策、医疗、法律、财务等高风险领域。指导老师要教学员把输出当“草稿”而非“答案”。要求模型给出依据、引用来源、区分事实与推测；对关键数据用联网搜索或权威数据库交叉验证。若上传文档问答，提示“仅依据文档，标注页码，无法确认时明确说明”。还可以让R1先列出反例和潜在风险，再让V3整理成可读报告，形成交叉检查。
隐私与合规不能依赖模型自觉。不要把身份证号、客户名单、未公开财务数据、源代码密钥等敏感信息输入公共入口。企业可考虑API数据协议、私有化部署或本地模型，至少做脱敏和权限隔离。生成内容用于对外发布时，要检查版权、事实和偏见，并按平台要求标识AI生成。
建立复核机制比追求“万能提示词”更重要。重要任务采用双模型交叉验证或人工专家复核，低风险任务抽检。把失败案例纳入教学，比如让学员对比R1和V3对同一法律条款的解释，找出幻觉点。只有把验证写进流程，DeepSeek才能真正成为教学和交付的稳定生产力。
