围绕DeepSeek API与Coze的鉴权配置、插件与工作流调用、教学场景编排及成本稳定性治理，给出可复用的接入路径。
AI指导老师类应用真正落地时，难点往往不在模型本身，而在模型能力与平台编排之间的衔接。DeepSeek提供较强的中文理解与推理能力，Coze则承担会话管理、知识库检索、插件调用和发布渠道，把两者打通需要处理密钥安全、请求封装、返回解析、提示词约束和成本控制。接入并非填入一个API Key就能完成，而是一条从账号准备到教学场景验证的完整链路，任何一环粗糙都会在真实用户对话中放大为答非所问、超时或费用失控。
1. 账号、密钥与模型选型的前置准备
接入前需要分别完成DeepSeek开放平台与Coze空间的账号准备。DeepSeek侧要创建API Key并确认账户余额与可用模型，通常选择deepseek-chat承担通用答疑和文本生成，deepseek-reasoner用于数学推导、代码解释等需要显式推理的环节。密钥应保存在Coze的密钥管理或环境变量中，避免直接写进插件描述或工作流节点，否则一旦Bot共享给协作成员，密钥就会随配置泄露。教学团队还应建立密钥轮换记录，按项目而非按个人发放，便于后续审计调用量和定位异常。
模型选型要结合AI指导老师的实际任务分层。作文批改、知识点讲解、学习计划生成对延迟敏感，适合deepseek-chat并控制max_tokens；错题归因、物理大题拆解可以接受更长等待，再路由到推理模型。Coze侧需要先创建Bot并确认发布渠道，再决定调用轻量问答可用插件封装单次请求，多步骤任务则放入工作流，由知识库节点先检索教材或校本题库，再把检索片段拼入用户消息。此处要明确上下文长度和截断策略，教材章节、历史对话和检索结果同时进入提示词时，必须预留输出空间，否则会出现回答被截断或模型忽略关键约束。
2. 在Coze中封装DeepSeek调用链路
Coze调用DeepSeek通常有插件和工作流HTTP节点两条路径。插件适合把DeepSeek封装成可复用工具，在插件里定义输入参数如question、context、grade_level，鉴权头使用Authorization: Bearer加密钥引用，请求地址指向DeepSeek的OpenAI兼容接口，请求体包含model、messages和temperature等字段。调试阶段要固定一组测试问题，观察返回结构中的choices[0].message.content是否被正确映射到插件输出变量，避免把整个响应JSON直接抛给Bot导致用户看到冗余字段。插件描述要写清适用场景和输入格式，否则编排层可能在不合适的任务上误调用。
工作流更适合教学业务的多步骤链路。典型结构是开始节点接收学生问题，知识库节点检索对应学段资料，代码节点清洗检索文本并限制长度，HTTP节点携带系统提示词和用户问题调用DeepSeek，最后用变量聚合节点整理答案与引用来源。HTTP节点要设置合理超时，建议低于Coze整体工作流超时，并针对401、429、500分别设计分支：401检查密钥是否失效，429进入等待或降级到轻量模型，500触发一次重试。流式输出在插件返回JSON的场景中并不总是适用，若产品需要逐字显示，应确认Coze当前发布渠道是否支持流式透传，否则优先保证完整回答的稳定性。所有节点变量命名要统一，例如把模型输出固定为answer_text，后续消息节点只引用该变量，减少改版时的连锁修改。
3. 面向AI指导老师的提示词与工作流编排
AI指导老师的提示词不能停留在“你是老师”这类角色设定，而要把教学目标、学段约束、输出结构和安全边界写进系统消息。面向小学高年级数学答疑时，系统提示词应要求先判断题目类型，再给出分步思路，最后用一道变式题检验理解，并明确禁止直接代写作业。面向作文批改时，要规定评分维度、原文引用和修改建议数量，避免模型输出大段泛泛评价。DeepSeek对中文指令跟随较好，但长提示词中混入知识库片段后仍可能丢失约束，因此可以把“必须引用检索到的知识点”“不确定时说明需要教师确认”写成短而明确的规则，放在系统消息末尾以增强权重。
工作流编排要体现教学流程而非单轮问答。一个可复用的结构是：先由意图识别节点判断学生是在问概念、求解题还是做练习，再分流到不同知识库集合；数学题进入推理模型并附上教材例题，概念题使用通用模型并限制回答长度，练习环节则调用题库插件生成同类题。多轮对话中要把最近几轮问答摘要写入变量，避免每轮都携带完整历史造成token浪费。以初中物理浮力答疑为例，知识库检索“阿基米德原理”和“物体浮沉条件”，模型输出先复述已知条件，再列公式，最后指出学生原答案中的单位错误，这样的回答才具备指导价值。发布前应准备不少于三十条真实学生问题做回归测试，覆盖空问题、超长题干、图片转文字错误和敏感内容，逐条记录不满意样本并回改提示词或检索策略。
4. 稳定性、成本与内容安全的持续治理
上线后的第一项治理是调用稳定性。DeepSeek API在高峰时段可能出现延迟升高或限流，Coze工作流应设置指数退避重试，并把重试次数限制在两次以内，避免用户长时间等待。对429错误可以降级到备用模型或返回“当前咨询较多，请稍后再试”的友好提示；对超时则要区分是模型响应慢还是知识库检索慢，分别查看节点耗时。日志中至少保留请求时间、模型名、输入输出token估算、错误码和会话ID，便于复盘。教学场景还要关注内容安全，系统提示词中应禁止生成与学习无关的诱导性内容，Coze侧可叠加敏感词过滤和人工审核队列，尤其是面向未成年人的Bot，不能只依赖模型自我约束。
成本控制需要从token结构入手。DeepSeek按输入输出token计费，长教材片段和完整历史对话是最容易失控的部分，知识库检索应限制返回条数和单条长度，历史对话采用摘要而非全量拼接，输出侧用max_tokens约束作文批改等长文本任务。可以按班级或项目统计调用量，发现某类问题消耗异常时优先优化提示词和检索，而不是简单提高预算。效果评估不能只看回答是否流畅，还要看知识点引用准确率、解题步骤完整率和学生二次追问率。每周抽取样本做人工评分，把低分案例归入提示词缺陷、检索缺陷或模型能力边界，再决定是调整工作流还是更换模型。只有把稳定性、成本和教学质量放在同一张看板上持续观察，DeepSeek与Coze的组合才能从演示Demo变成可长期运行的AI指导老师服务。
