从入口选择、提示词设计、教学场景到API集成，系统拆解DeepSeek高效用法，帮助AI指导老师把模型能力转化为可落地的教学与工作效率。 DeepSeek已经不只是“另一个聊天机器人”。对AI指导老师而言，它更像一个可配置的教学助理：既能快速生成课程材料，也能在代码辅导、学习路径规划和知识库答疑中承担重复劳动。真正拉开效率差距的，不是会不会提问，而是能否理解模型入口、提示词结构、教学场景适配和API自动化这四个环节。下面按实操顺序展开，每一步都围绕可复用的工作流，而不是零散技巧。
1. 快速定位可用入口与模型选择
DeepSeek目前主要通过三条路径使用：网页版、移动端App和API平台。网页版适合在电脑上做长文档处理、课程大纲设计和材料整理，登录后可以直接对话，也能上传文件；移动端App适合通勤、课间等碎片时间答疑，支持语音输入和拍照上传，便于快速记录学生问题；API平台面向需要批量处理和工具集成的场景，AI指导老师可以把模型接入自己的答疑机器人、题库系统或学习管理系统。三条路径共用同一账号体系，但使用重心不同，建议先明确任务类型，再选择入口，避免在移动端做复杂推理，也避免在API里重复手工提问。
模型选择决定响应速度与推理深度。DeepSeek Chat对应通用对话模型，响应快、成本低，适合日常问答、文案润色、信息归纳和格式化输出；DeepSeek Reasoner对应深度推理模型，会在回答前展示思考过程，适合数学证明、代码调试、逻辑分析和复杂教学方案设计。网页版通常提供“深度思考”和“联网搜索”开关，前者调用推理模型，后者让模型检索最新信息。文件上传方面，网页版可读取PDF、Word、Excel、PPT和图片中的文字，但扫描件和复杂表格仍可能出错。涉及学生隐私、内部试题和未公开数据时，应先脱敏，再决定是否上传。
对AI指导老师来说，一个稳定的入口策略是：桌面端网页版负责深度备课和长材料分析，移动端App负责即时答疑和灵感记录，API负责自动化与规模化任务。日常任务先用Chat快速产出初稿，遇到需要多步推理、代码修复或方案权衡时切换到Reasoner。需要最新政策、论文或行业数据时开启联网搜索，但必须核对原始来源。把入口和模型对应到具体任务，能减少“反复换工具”的时间损耗，也能让后续提示词模板更容易沉淀。
2. 构建高效提示词的结构化方法
高质量提示词不是越长越好，而是信息完整且约束清晰。一个适合教学场景的结构通常包含七部分：角色设定、背景信息、任务目标、输入材料、输出格式、限制条件和参考示例。例如，让模型为“零基础大学生”设计“四周Python入门计划”时，可以写成：“你是一位有十年经验的Python教学导师，请为每周只有五小时学习时间的零基础大学生设计四周入门计划，输出Markdown表格，包含周次、主题、核心知识点、实操作业和评估标准，不要使用列表。”这样的提示词把对象、时长、产出形式和禁用项都交代清楚，模型就不容易给出泛泛而谈的课程表。
V3与R1在提示词上有不同侧重。V3对格式敏感，适合用明确模板、分步指令和示例来约束输出；R1会自动进行链式推理，不需要反复写“请一步步思考”，但可以要求它“先分析约束条件，再给出方案，并附上风险提示”。在API中，temperature参数影响随机性，教学材料生成建议设在0.3到0.7之间，客观题和评分量规可以更低，创意案例和讨论题可以稍高。如果输出太长，可通过max_tokens限制长度；如果需要流式展示，可以开启stream参数。对R1而言，过长的few-shot示例反而可能干扰推理，直接给出清晰问题和评价标准通常更有效。
提示词需要迭代，而不是一次成型。实际操作中，可以先让模型输出大纲，确认结构后再逐节扩写；遇到模糊需求，要求模型先提出三个澄清问题；涉及事实和数据时，要求它标注来源并说明不确定性。AI指导老师应把常用提示词按“课程设计”“代码辅导”“测验生成”“学习反馈”分类存档，形成可复用模板库。每次使用后记录哪些约束有效、哪些输出需要人工修改，逐步把个人经验转化为团队资产。这样即使更换模型版本，核心工作流也不会被轻易打乱。
3. 教学场景中的实操路径
备课环节最适合发挥DeepSeek的长文本和结构化生成能力。以“机器学习入门”为例，可以上传一章教材，要求模型提取核心概念、生成一个生活化案例、配套三道讨论题和一段可运行的Python代码。案例可以设定为“根据天气数据判断是否带伞”，让决策树从特征选择、信息增益到剪枝逐步展开。模型还能按学生水平分层：基础层完成概念填空，进阶层修改代码参数，挑战层比较不同算法。教师需要审核知识点准确性和代码可运行性，尤其是库版本、数据格式和边界条件，不能直接照搬。
答疑和代码辅导是AI指导老师高频使用场景。把学生常见问题整理成FAQ，再让模型用苏格拉底式提问引导，而不是直接给答案。例如学生问“为什么我的循环报错”，可以要求模型先询问报错信息、代码片段和预期结果，再逐步提示缩进、变量作用域或类型错误。上传报错截图或代码文件后，模型能解释错误原因、给出修复方案，并生成一道类似练习用于巩固。对于编程作业，应明确禁止直接提交AI生成代码，而是把AI定位为“调试伙伴”和“解释器”，要求学生复述修改逻辑并提交调试记录。
评估与知识库建设同样可以落地。让模型根据评分量规生成客观题、主观题参考答案和常见误答分析，教师再调整分值权重和表述。把课程大纲、讲义、作业要求、FAQ放入长上下文，模型可以快速回答“本周作业截止时间”“项目评分标准”等问题，适合搭建课程问答机器人。需要注意，长上下文并不等于不会遗漏，关键信息应放在前部或重复强调，并要求模型引用原文位置。学术诚信方面，应设计过程性评价，如草稿、反思日志、口头答辩，降低直接复制AI答案的空间。
4. API与自动化集成教学工具链
当使用频率上升，手工复制粘贴会成为瓶颈，API集成是下一步。DeepSeek API兼容OpenAI格式，在platform.deepseek.com创建密钥后，可以把base_url设为，模型名填写deepseek-chat或deepseek-reasoner。Python中可以用openai库调用，也可以使用httpx、requests等直接发送请求。成本按百万tokens计费，Chat模型输入和输出价格处于低位，Reasoner略高，但用于批量出题、自动批改客观题和生成学习报告仍然划算。流式输出适合聊天界面，非流式适合后台批处理；并发较高时要设置重试和退避，避免因限流导致任务失败。
自动化场景可以围绕教学闭环展开。批量出题时，把知识点列表和难度分布传入API，让模型生成题目、答案和解析，再写入题库；自动批改时，客观题直接比对，主观题先让模型按评分量规给出分项建议，教师复核后发布；学习报告可以把学生练习记录、错题标签和课堂表现汇总，要求模型输出优势、薄弱点和下一步计划。结合Dify、Coze等平台，还可以把课程资料作为知识库，搭建带引用来源的问答机器人。关键是把模型放在“生成初稿”和“辅助判断”的位置，最终决定权保留给教师。
工程与安全细节决定集成能否长期稳定。API密钥必须保存在后端环境变量或密钥管理服务中，不能写进前端代码或公开仓库。对输入做长度限制和敏感信息过滤，对输出做格式校验和事实抽查；重要任务可以同时调用Chat和Reasoner，比较结果后再采用。缓存常见问题的回答能显著降低成本，日志记录则方便追踪错误和优化提示词。把课程数据、学生隐私和第三方服务条款纳入评估，明确哪些数据可以出校、哪些必须本地处理。当这些环节被打通，DeepSeek就不再是临时问答工具，而是AI指导老师日常工作中稳定、可扩展的基础设施。
