DeepSeek R1 以强推理和开放权重受到关注，本教程从版本选择、调用配置、提示设计到本地部署，帮助读者系统掌握其用法。
DeepSeek R1 是深度求索推出的推理模型，它把长思维链、开放权重和较低调用门槛放进同一套工具链。对AI指导老师而言，学会使用它不只是会提问，还要理解模型在什么任务上可靠、在什么参数下稳定、如何把推理过程转化为教学价值。下面从四个关键环节展开，覆盖从入门到落地的主要路径。
1. 版本选择与能力边界
DeepSeek R1 并不是单一模型，而是一个包含完整版、Zero 版本和多个蒸馏版本的家族。完整版采用 MoE 架构，总参数量达到 671B，推理时激活约 37B，适合复杂数学、代码和长链条分析。R1-Zero 更接近纯强化学习实验产物，可读性和稳定性不如正式版。蒸馏版则把推理能力迁移到 Qwen 和 Llama 系列的小模型上，常见规模有 1.5B、7B、8B、14B、32B 和 70B，消费级显卡更容易运行。选择版本时，AI指导老师要先判断任务是高难度推理还是常规问答，前者优先完整版或 API，后者可用蒸馏版降低成本。
能力边界同样重要。R1 擅长分解问题、逐步验证、处理代码和数学题，但它不擅长实时信息、精确日期和未公开数据。它可能生成看似合理但事实错误的推理链，尤其在专业领域术语密集时。教学场景中，应把 R1 当作推理助手而非知识库，要求它给出假设、验证步骤和不确定性说明。若涉及课程标准、考试大纲或内部教材，需要配合检索增强生成，把可信资料注入上下文，再让模型基于资料作答。
对 AI指导老师来说，版本选择还关系到成本、延迟和隐私。API 调用适合快速试验和批量任务，本地部署适合处理学生数据或学校内部资料。完整版 671B 通常需要多卡服务器，蒸馏版 32B 在 24GB 显存上可量化运行，7B 版本甚至能在普通笔记本上完成简单推理。明确版本矩阵后，后续的调用配置和提示设计才有稳定基础。
2. 网页端与 API 的调用配置
网页端和移动 App 是最低门槛的入口。用户开启“深度思考”后，R1 会展示推理过程，适合观察模型如何拆解问题。提问时要把背景、目标、限制条件和期望输出写清楚，例如让模型为初中物理设计一节关于浮力的探究课，要求包含实验步骤、常见误区和评价量规。网页端适合单次深度任务和演示，但批量处理、自动化工作流和系统集成需要 API。DeepSeek API 兼容 OpenAI 风格，基础地址为 ，模型名称为 deepseek-reasoner，开发者可用现有 SDK 快速迁移。
API 响应通常包含 reasoning_content 和 content 两部分，前者是思维链，后者是最终回答。多轮对话中，应把 content 作为助手消息加入历史，不要把 reasoning_content 回传，否则可能触发接口错误或浪费上下文。流式输出能改善体验，但推理阶段可能长时间没有最终内容，需要设置合理超时和重试。温度、top_p 等采样参数对 deepseek-reasoner 的支持有限，官方建议温度在 0.5 至 0.7 之间，实际使用可优先保持默认，通过提示词控制风格。系统提示在 R1 中效果不稳定，关键指令最好放在用户消息里，并重复强调输出格式。
在教学机构中，API 配置还要考虑并发、费用和日志。批量批改作文时，可以把学生文本分块，要求模型先识别论点、证据和逻辑漏洞，再给出评分建议。调用日志应脱敏保存，避免泄露学生隐私。若需要 JSON 输出，可在提示中明确字段、类型和示例，但不要依赖模型百分百遵守，服务端仍需校验。稳定的调用链路包括密钥管理、限流、缓存和失败降级，这些工程细节决定 R1 能否从演示工具变成日常教学基础设施。
3. 提示词结构与推理引导
R1 对提示词结构比较敏感，清晰的任务框架能显著提升输出质量。一个可复用的模板包含角色、背景、任务、约束、输出格式和自检要求。角色可写“你是一位有十年经验的AI指导老师”，背景交代学生年级、知识基础和课程目标，任务描述具体动作，约束限定字数、语气和禁止事项，输出格式说明分段、表格或 JSON，自检要求模型在给出答案前验证关键步骤。对数学题，可要求它先列已知条件、再推导、并代入检验；对代码题，可要求它先说明思路、再给实现、并列出测试用例。
推理引导的关键是让模型展示中间过程，而不是只给结论。可以要求 R1 在回答前用“推理草稿”拆解问题，再输出面向学生的简洁解释。对于复杂任务，采用分步提示：第一步让模型复述问题并识别目标，第二步生成解题路径，第三步逐步执行并检查，第四步总结成教学语言。若结果不稳定，可加入少量示例，让模型模仿格式和深度。需要避免的是模糊指令，例如“帮我备课”或“写得好一点”，这类提示会让模型自由发挥，输出难以直接用于课堂。
在 AI指导老师场景中，提示词还要服务于教学目标。让 R1 设计课堂提问时，可以要求它按布鲁姆认知层次生成问题，从记忆、理解到应用、分析、评价和创造。让 R1 批改作业时，可以要求它先判断学生答案与标准答案的差异，再给出针对性反馈，并提供一道变式练习。让 R1 生成学习路径时，可以要求它按周拆分目标、资源、练习和评估。提示词越贴近真实教学流程，R1 的推理能力越容易转化为可执行的教学方案。
4. 本地部署与教学场景工作流
本地部署适合对数据隐私、网络稳定性和长期成本敏感的场景。常见方案包括 Ollama、LM Studio、llama.cpp、vLLM 和 SGLang。Ollama 适合快速体验，安装后运行 ollama run deepseek-r1:7b 即可拉取蒸馏版；LM Studio 提供图形界面，方便教师在没有命令行经验时切换模型；vLLM 和 SGLang 适合服务器端高并发推理，可结合 OpenAI 兼容接口接入现有平台。硬件方面，7B 至 8B 模型量化后可在 8GB 至 12GB 显存运行，14B 建议 16GB 以上，32B 建议 24GB 以上，70B 需要 48GB 以上，完整 671B 则通常需要多张 80GB 显存的专业卡。
本地部署不是终点，工作流整合才决定价值。AI指导老师可以把 R1 接入备课系统，自动生成教案初稿、分层练习和课堂活动；接入学习管理系统，根据学生提交的答案生成诊断报告；接入知识库，用检索增强生成回答课程相关问题。以作文教学为例，工作流可以设计为：学生在线提交作文，系统调用 R1 分析结构、论据和语言，教师端查看推理摘要和修改建议，教师复核后推送个性化反馈。这样既保留模型的效率，也保留教师对学术标准和价值观的把关。
部署后还要建立评估机制。可以固定一组教学任务，比较 R1 与人工答案在准确性、完整性和可读性上的差异，记录失败案例并迭代提示词。对于低年级学生，输出要增加可读性约束，避免过长思维链造成理解负担。对于高风险场景，例如考试评分和升学建议，模型只能作为辅助，最终决策必须由教师完成。把版本选择、调用配置、提示设计、本地部署和人工复核串成闭环，DeepSeek R1 才能从新鲜工具变成稳定的教学生产力。
