以 DeepSeek 为生成核心，串联文档切分、向量检索、重排与提示工程，给出 AI 指导老师搭建 RAG 的实战路径与调优方法。
大模型的知识截止日期和幻觉问题，使 AI 指导老师无法只靠通用对话完成专业答疑。RAG 检索增强生成把外部知识库接入生成过程，让回答有依据、可追溯、能更新。DeepSeek 在中文理解、推理能力和接口成本上具备优势，适合作为 RAG 的生成与推理核心。对 AI 指导老师而言，真正要解决的不是“能不能问”，而是如何把课标、教材、教案、题库和错题记录变成可检索、可验证、可迭代的教学知识资产。
1. 理解 DeepSeek 与 RAG 的协同机制
RAG 的核心不是让模型记住更多，而是在回答前先找到可靠依据。一个完整的 RAG 链路包含索引、检索、重排、生成四个阶段，DeepSeek 在其中主要承担查询改写、答案合成与复杂推理。它的 API 兼容 OpenAI 调用，deepseek-chat 适合日常问答与内容组织，deepseek-reasoner 适合需要多步推理的教学诊断。由于 DeepSeek 官方接口主要提供生成模型，向量化环节通常由 BGE-M3、text-embedding-3-large 等嵌入模型完成，再存入 FAISS、Milvus 或 Qdrant 等向量库。这样分工能发挥各自优势：嵌入模型负责语义召回，DeepSeek 负责理解与表达。
在 AI 指导老师场景中，协同机制体现得尤为明显。学生问“这道二次函数题为什么总是算错”，系统先用嵌入模型从错题本、知识点讲义和教师笔记中召回“最值”“判别式”“分类讨论”等片段，再让 DeepSeek 根据片段生成错因分析和分层练习。DeepSeek 的 64K 上下文可以容纳多段资料，但上下文窗口大不等于检索可以粗糙，因为无关内容会稀释注意力，增加幻觉风险。因此，RAG 的关键是让 DeepSeek 在有限、干净、可追溯的上下文里工作。
进一步看，DeepSeek 还能反向优化 RAG。比如用 deepseek-chat 对用户口语化问题做查询改写，把“这题咋办”扩展为“二次函数最值 判别式 错因 教学建议”，提高召回率；也可以对候选文档做轻量级相关性判断，过滤明显不相关片段。对于 AI 指导老师而言，理解这种协同机制，才能避免把 RAG 做成简单的“文档拼接加问答”，而是形成检索、推理、表达相互校准的教学支持系统。
2. 构建可检索的 AI 指导知识库
AI 指导老师的知识库通常包含课程标准、教材章节、教案、课件、题库、错题记录、教研文章和课堂实录。原始资料格式复杂，PDF 有页眉页脚、双栏排版和公式，PPT 有大量图片，视频只有字幕可用。入库前需要做清洗：统一编码、去除广告和重复段落、修复断行、把表格转成结构化文本，并为每个片段打上学科、年级、知识点、难度、来源、版权和更新时间等元数据。元数据决定了后续能否按“初中数学”“二次函数”“易错题”等条件过滤，避免检索时跨学段、跨学科串味。
切分策略直接影响检索质量。按固定字数切分简单，但容易把一道题的题干和解析拆散；按标题、段落和语义切分更符合教学资料结构。实践中，中文教学文档的片段可控制在 300 到 800 个 token，重叠 50 到 100 个 token，保证上下文连续。对题目类内容，最好以“题干加解析加知识点标签”为一个完整片段；对课标类内容，以条款或主题为单位。嵌入模型可选择 BGE-M3、bge-large-zh、m3e 等中文表现稳定的模型，向量库可选 Chroma 快速验证，Milvus、Qdrant、PGVector 适合生产环境，Elasticsearch 则便于做关键词与向量的混合检索。
DeepSeek 可以在知识库构建阶段承担自动化工作。把清洗后的教案和题解交给 deepseek-chat，让它生成摘要、知识点标签、常见错因和变式题，再由教师审核入库。某 AI 指导老师团队曾把三千多道题按知识点和难度重新打标，并用 DeepSeek 生成检索问答对，使向量召回从“模糊相关”提升到“可讲可练”。但必须注意隐私与版权，学生错题、成绩和教师原创资料要脱敏，外部资料要确认授权，敏感内容不能直接进入向量库。知识库不是一次建完，而是随教学进度持续更新的资产。
3. 检索、重排与提示工程的调优
真实教学提问往往口语化、省略多、带情绪，直接拿原句检索效果不稳定。可以用 DeepSeek 做查询改写和扩展：把“函数图像怎么画”改写成“二次函数图像 开口方向 对称轴 顶点 列表描点”，也可以生成多个子查询并行召回。HyDE 思路是先让 DeepSeek 生成一个假设答案，再用假设答案去检索，适合概念解释类问题。召回阶段不要只依赖向量相似度，BM25 对公式、术语、题号很敏感，向量检索擅长语义匹配，两者用 RRF 融合后通常更稳。先召回 20 到 50 个候选，再用 bge-reranker 或 Cohere Rerank 重排，保留 5 到 10 个高相关片段送入生成。
提示工程要把教学规范写进系统提示。可以要求 DeepSeek 只依据给定上下文回答，引用来源编号，遇到资料不足时明确说“当前知识库没有依据”，并区分事实、推断和教学建议。对于 AI 指导老师，输出结构可以固定为知识点定位、错因分析、讲解步骤、例题变式和检查问题，但不要写成僵硬模板，而要通过少量示例让模型学会教学语气。温度建议设在 0.1 到 0.3，降低自由发挥；deepseek-reasoner 适合复杂诊断，但响应更慢，日常答疑可用 deepseek-chat。上下文压缩也很重要，把长文档摘要成关键要点，再交给模型生成，可减少 token 成本与干扰。
调优需要用数据说话。检索侧看 Recall@k、MRR、NDCG，生成侧看忠实度、答案相关性、上下文精度和召回率，RAGAS 等框架可以辅助评测。AI 指导老师可以每周抽取真实提问做回归测试，记录“检索不到”“引用错误”“讲解超纲”等 bad case，分别调整切分、嵌入、重排和提示词。比如学生问“根据新课标如何设计跨学科主题学习”，若召回的是旧版课标，就要检查元数据过滤和版本管理；若答案空泛，则要增加案例片段和输出约束。调优不是一次性动作，而是围绕教学效果持续校准的循环。
4. 教学场景落地与持续迭代
RAG 在 AI 指导老师场景中可覆盖备课、答疑、作业反馈、教研和教师培训。备课时，教师输入课题和学情，系统检索课标、教材、优秀教案和历年试题，DeepSeek 生成教学目标、重难点、活动设计和分层作业；答疑时，学生按知识点提问，系统给出带引用的讲解和变式练习；作业批改后，RAG 结合错题记录生成个性化补练建议。部署上，轻量验证可直接调用 DeepSeek API，通过 OpenAI 兼容接口快速接入；对数据敏感的场景，可选用 DeepSeek 开源模型或蒸馏版本地部署，配合 vLLM、Ollama 等推理框架，但本地部署需要评估显存、并发和运维成本。
成本与安全决定落地能否持续。API 调用按 token 计费，长上下文和重复检索会快速推高成本，因此要设置缓存、批处理和召回上限，常见问题直接命中缓存答案，复杂问题再走完整链路。安全方面，学生姓名、成绩、家庭信息必须脱敏，知识库权限按角色隔离，教师可见教研资料，学生只能访问所属学段和课程内容。生成内容还要做审核，避免绝对化评价、超纲建议和不当价值观。AI 指导老师不是替代教师，而是把教师从重复检索和基础答疑中解放出来，让教师专注于诊断、激励和教学设计。
持续迭代依赖日志、指标和版本管理。每次问答都应记录检索片段、模型版本、提示词版本、响应时间和用户反馈，形成可追溯的教学数据链路。关键指标包括首次解决率、引用准确率、教师采纳率、学生完成率和人工转接率。某机构在教师培训中使用 DeepSeek 加 RAG 搭建“AI 指导老师”，把新教师常见问题沉淀为知识库，新教师遇到课堂管理、作业设计等问题时先获得带依据的建议，再由导师复核，培训周期和重复答疑量明显下降。随着教材更新和学情变化，知识库、提示词和评测集都要同步升级，RAG 才会越用越准。
