围绕鉴权接入、教学对话编排、流式与工具调用治理、成本合规四个环节，给出AI指导老师可复用的工程方法与落地要点。
AI指导老师落地时，API调用不是一次性的连通测试，而是贯穿模型选型、教学对话、工具执行与数据治理的持续工程。DeepSeek API以OpenAI兼容接口降低迁移成本，但真正决定体验的，是鉴权、提示词、流式响应和成本控制等细节能否形成稳定闭环。
1. 接口接入与鉴权基线
DeepSeek API 提供与 OpenAI SDK 兼容的调用，服务端通过 OpenAI(api_key=..., base_url="https://api.deepseek.com") 初始化客户端，再向 deepseek-chat 或 deepseek-reasoner 发起对话请求。AI指导老师系统应把密钥放在服务端环境变量或密钥管理服务中，由后端网关统一转发，而不是写入浏览器端脚本或移动端包体；一旦密钥进入前端，学生端抓包即可获取，机构随后面对的不仅是账单风险，还有课程资料与对话记录的泄露风险。鉴权头使用 Bearer API key，生产环境要区分开发、测试和正式密钥，并按业务线设置独立配额，便于定位异常调用来源。
接入基线还包括超时、重试和可观测性。对话请求应设置连接超时与读取超时，遇到 429 限流时读取服务端返回的退避提示，采用指数退避并加入随机抖动，避免同一时刻大量重试形成二次拥塞；对 5xx 错误只重试幂等请求，对已经产生计费的流式响应要记录请求标识和消费 token，防止重试造成重复扣费。日志中不要完整记录学生姓名、手机号和原始作答，保留 trace id、模型名、耗时、状态码和 token 用量即可，这样既满足排障需要，也符合教学数据最小化原则。
2. 教学对话的提示词编排
AI指导老师的提示词不能停在“你是一位老师”这种泛化角色设定上，而要把学段、学科、教学目标、学生画像、允许使用的知识范围和输出格式拆成可维护的模板。系统消息负责稳定约束，例如要求先诊断错因再给提示、不直接代写作业、对不确定内容明确说明；用户消息承载题目、答案和上下文；少样本示例用于固定批改口径和追问风格。数学辅导中常见的错误是把“给出答案”写进系统提示，结果模型跳过过程直接输出结果，改用“先判断错误类型，再给一级提示，学生追问后给二级提示”的分层策略，答题体验会更接近真实教师。
多轮对话需要控制上下文长度，不能把整学期聊天记录反复送入模型。可行做法是按知识点和维护窗口保留最近若干轮，把更早内容压缩成学习状态摘要，包括已掌握概念、反复出错步骤和当前情绪状态；同时通过检索增强把课程标准、教材片段和错题解析作为外部知识注入，减少模型凭记忆编造。参数上，作业批改和评分建议适合较低温度以稳定口径，开放讨论和写作启发可以适度提高温度；无论哪种场景，都要用固定评测集对比提示词版本，记录准确率、提示有效率和人工复核比例，而不是只看单次对话是否“像老师”。
3. 流式响应与工具调用治理
AI指导老师的问答页面通常采用流式输出降低等待感，DeepSeek API 通过 stream=True 返回增量内容，前端按服务端推送的分片追加文本。工程上要处理首 token 延迟、分片乱序防护、断线重连和用户中途取消，服务端在取消时及时关闭上游连接，避免继续计费；对包含公式和代码的回复，还要在流式结束后做一次格式校验，防止半截 Markdown 破坏渲染。流式响应不适合直接拼接工具调用结果，较稳妥的编排是先完成工具查询，再把结构化结果放入上下文发起最终回答。
工具调用让AI指导老师能查询课表、题库、学习进度和计算器，但工具层必须做参数校验、学生身份鉴权和幂等控制。以查询作业系统为例，模型只能拿到当前登录学生的授权令牌，工具服务要校验学生 ID 与课程关系，对写操作增加二次确认，对返回字段做脱敏和长度裁剪，避免把班级排名、教师备注等敏感信息带进对话。对支持工具调用的模型，可以在系统提示中明确工具用途和禁止事项；对推理型模型，则要评估其工具调用能力与延迟，必要时把复杂推理和工具执行拆成两个步骤。每次工具调用都应记录入参摘要、耗时和结果状态，形成可回放链路，方便定位“模型选错工具”还是“工具返回错误”。
4. 成本控制与合规边界
DeepSeek API 按输入和输出 token 计费，并区分缓存命中与未命中的输入价格，AI指导老师如果把完整讲义、历史对话和题库解析全部塞进每次请求，成本会快速放大。控制成本要从上下文治理入手，系统提示保持精简，教材片段按需检索，历史对话做摘要，批改任务只传当前题目和评分标准，输出侧设置合理的 max_tokens 以避免模型生成超长点评。对重复出现的课程问答可以建立缓存，对非实时任务采用队列批处理，对高并发时段设置租户级配额和降级策略，当 429 或延迟升高时先返回模板化提示，再异步补发完整回答。
合规边界同样属于调用攻略的一部分。AI指导老师面向未成年人时，需要遵循个人信息保护与生成式人工智能服务管理的相关要求，采集前说明用途，传输前移除姓名、学号、住址等直接标识，日志保留期限与删除机制要写进数据处理规范。模型输出要经过内容安全过滤和教师复核，涉及心理危机、医疗建议和升学承诺的内容不能由模型单独作答，应转入人工流程。供应商数据使用条款、区域部署要求和跨境传输评估应进入采购清单，网关层统一配置敏感词检测、审计留痕与权限回收策略。
