面向零基础读者，覆盖 DeepSeek V3 网页端、App、提示词、文件与 API 用法，帮助 AI 指导老师快速上手并落地教学。 很多 AI 指导老师第一次打开 DeepSeek 时，会被 V3、R1、deepseek-chat、deepseek-reasoner 这些名称绕晕，真正影响上手速度的并不是模型参数，而是入口选择、提示词写法和 API 接入。把这三件事拆开，零基础用户也能在半小时内完成第一次有效对话，并逐步把 DeepSeek V3 嵌入备课、出题、学情分析和家校沟通流程。
1. 认识 DeepSeek V3 的能力边界
DeepSeek V3 是深度求索发布的混合专家模型，官方模型卡给出的规模是 671B 总参数、每个 token 激活约 37B 参数，训练数据量约 14.8T tokens，并采用 MLA 注意力、DeepSeekMoE 和 FP8 混合精度训练。对普通用户来说，这些数字的意义在于：它既能保持大模型的知识覆盖和语言组织能力，又把推理成本压到可商用的水平。网页端和 App 默认的通用对话能力，通常就对应 V3；在 API 里，模型名 deepseek-chat 指向 V3，deepseek-reasoner 则指向偏重推理的 R1。很多教程把两者混为一谈，导致用户以为“深度思考”就是 V3 的开关，实际它是切换到另一类模型。
从教学场景看，V3 的强项是中文理解、长文本归纳、代码生成、表格整理和结构化输出。它能读入课程标准、教材章节、学生作文和会议纪要，并按指令改写成教案、题目、评语或家长信。官方文档标注其上下文窗口达到 128K，意味着一次可以处理较长材料，但最大输出长度和文件解析能力会随版本调整，使用前应以控制台和官方文档为准。需要提醒的是，V3 不是实时搜索引擎，知识截止时间之后的信息未必准确；网页端和 App 的联网搜索需要手动开启，API 默认不联网，若要求它回答最新政策或赛事，必须补充来源或自行接入搜索工具。
理解边界还能避免教学事故。上传图片时，DeepSeek 主要通过 OCR 提取文字，并不等于完整的多模态视觉理解；上传 PDF、Word、Excel、PPT 后，复杂表格、扫描件和公式可能出现错位，最好先让它复述关键信息，再进入正式任务。涉及学生姓名、成绩、家庭信息时，应先匿名化或脱敏，再用“请基于以下材料生成……”的处理。掌握这些边界后，V3 就是一个可靠的教学助手，而不是无所不能的答案机器。
2. 从注册到首次对话的最短路径
网页端入口是 chat.deepseek.com，手机端在应用商店搜索 DeepSeek 下载官方 App。注册通常使用手机号或邮箱，完成验证后即可进入对话界面。界面中间是输入框，下方或侧边能看到联网搜索、深度思考、上传文件等按钮；如果只是写教案、改作文、解释概念，保持默认的 V3 通用对话即可，遇到数学证明、复杂逻辑题再打开深度思考。第一次使用时不要急着问“你是谁”，直接给一个真实任务更容易判断效果，例如“请用初中生能理解的语言解释光合作用，并给出三个课堂提问和一个易错点提醒”。
网页端和 App 的差异主要在交互。App 支持语音输入，适合在通勤或听课现场快速记录灵感；网页端更适合长文本粘贴、文件上传和多窗口对照。点击回形针可以上传 PDF、Word、Excel、PPT、TXT 等文件，系统会提取文字并放进上下文。需要联网时先点亮联网搜索，再在问题中写清“请给出来源链接和发布日期”，否则模型可能凭记忆作答。若对话变长，建议新建会话，把关键背景重新贴入，避免旧上下文干扰新任务。
API 路径也不复杂。打开 platform.deepseek.com，注册后创建 API Key，在 OpenAI SDK 或兼容 OpenAI 的客户端中，把 base_url 设为 ，model 填 deepseek-chat，api_key 换成自己的密钥，即可发送请求。首次调用建议用一句简单提示测试连通性，再逐步加入系统提示词、温度参数和流式输出。充值时先小额试用，观察 token 消耗，再决定是否批量处理。把网页端当成“手动工作台”，把 API 当成“自动化流水线”，两条路径配合，AI 指导老师就能覆盖从即时问答到批量生成的不同需求。
3. 提示词设计与文件处理实战
DeepSeek V3 对中文指令的跟随度较高，但“写得好”和“写得像”之间差在提示词结构。一个稳定的写法是角色、任务、背景、约束、输出格式五要素。例如：“你是一名初中物理教研员，请为《浮力》设计 45 分钟教案，面向基础中等班级，包含三个课堂提问、一个演示实验、分层作业和板书要点，用 Markdown 表格输出，公式用 LaTeX。” 这比“帮我写浮力教案”多出对象、时长、难度、产出格式，模型不需要猜，返工率会明显下降。如果任务复杂，可以要求它先复述需求，确认后再生成，或者先给大纲、再逐节扩写。
文件处理是 DeepSeek V3 的高频场景。上传一份 30 页的课程标准后，可以先问“请提取核心素养和学段目标，用表格列出原文页码”，再问“请把其中‘科学探究’部分改写成 45 分钟课堂活动”。对于 Excel 成绩表，先让它识别列名和缺失值，再让它按班级统计均分、及格率和分数段；对于学生作文，先脱敏，再批量给出分项评分和修改建议。长文件不要一次塞满所有问题，分轮处理能减少遗漏；涉及数字和引用时，要求它标注来源或回答“材料中未提及”，可以显著降低幻觉。
联网搜索和参数设置也影响输出质量。网页端开启联网后，提问应带上时间范围、地域范围和来源偏好，例如“请查 2025 年国内中小学人工智能教育相关政策，列出文件名称、发布日期和官网链接”。API 中 temperature 控制随机性，写教案、批改、信息抽取可设在 0.2 到 0.4，创意文案和故事生成可设在 0.7 到 1.0；top_p 一般保持默认，除非需要更聚焦或更发散。多轮对话里，把“不要编造”“不确定就说明”“按 JSON 输出”等约束放在最后一遍强调，模型更不容易忽略。
4. API 接入与教学场景落地
当网页端无法满足批量任务时，API 就成为 AI 指导老师的核心工具。最低可用代码可以沿用 OpenAI Python SDK：client = OpenAI(api_key=”你的密钥”, base_url=”https://api.deepseek.com”)，然后调用 client.chat.completions.create(model=”deepseek-chat”, messages=[…])。流式输出设置 stream=True，适合在自建工具里逐字显示；非流式适合批处理。系统提示词里写清身份、输出格式和禁用事项，用户消息里放具体材料。若处理几十份作文，可以用 pandas 读取 Excel，循环调用 API，把结果写回 CSV，并加入重试、超时和限流；并发不要一上来开太高，先从 2 到 3 路开始，观察错误率和余额消耗。
教学落地可以从五个高频环节切入。备课环节，让 V3 把教材章节转成教案、PPT 大纲和分层练习；出题环节，给定知识点、难度分布和题型比例，让它生成题目与解析，再人工审核；学情分析环节，把匿名化成绩表交给它，输出班级薄弱点和干预建议；家校沟通环节，把学生表现转写成温和、具体的家长信；教研环节，上传课堂实录文字稿，让它总结教师提问类型和学生回答密度。每个环节都值得沉淀一套提示词模板，记录模型、温度、输入样例和输出效果，形成可复用的教学资产。
成本与合规是长期使用的前提。DeepSeek API 按输入和输出 token 分别计费，缓存命中通常更便宜，批量任务要设置 max_tokens 防止失控输出，长材料先做摘要再送入后续步骤。学生姓名、身份证号、家庭住址、成绩排名等敏感信息应在本地替换为编号，原始数据不要上传到第三方接口。API Key 不要写进前端代码或公开仓库，建议放在环境变量或服务端。把提示词版本、调用日志和人工审核规则固定下来，DeepSeek V3 就能从聊天窗口变成稳定的教学组件，支撑备课、出题、批改和教研的日常流程。
