DeepSeek可用于实验报告的框架搭建、数据解释、图表代码生成与语言校对，但必须坚持数据可复核、引用可追溯、AI使用可披露。
实验报告写作的难点不在文字，而在数据、逻辑与规范三者对齐。DeepSeek可以承担框架搭建、语言转换和检查提示，但不能替代实验操作与数据采集。把模型放进正确的工作流，比单纯追求生成速度更重要。
1. 先锁定报告规范与模型能力边界
实验报告通常有明确的交付标准，不同课程和实验室的模板差异很大。以大学物理实验为例，一份完整报告往往包含实验目的、原理、器材、操作步骤、原始数据、数据处理、误差分析和结论，部分课程还要求不确定度评定和思考题。使用DeepSeek之前，教师或学生应先把课程名称、实验项目、评分细则、字数上限、图表数量和格式要求整理成一份说明，再让模型据此起草。模型的角色是写作助手，不是实验执行者；它可以帮助解释原理、梳理步骤、改写语言和生成检查清单，却不能替代仪器读数、现象观察和数据采集。例如在伏安特性实验中，学生必须自己粘贴电流与电压的原始表格，模型只能基于这些数据做计算说明，不能自行补造测量值。
模型的能力边界需要在提示词中写清楚。教师可以要求模型在遇到缺失信息时标出需要学生本人确认的位置，而不是用看似合理的表述填空。这样做能减少仪器型号被编造、实验现象被泛化的风险。对于涉及安全规范的操作步骤，模型生成的内容还应与实验室手册逐条对照，不能直接照搬通用实验流程。学术诚信同样要前置说明：报告中使用AI辅助框架、语言润色或代码生成时，应在附录记录使用环节、提示词摘要和人工修改范围，避免把生成内容直接当作独立完成的作品提交。
2. 用结构化提示词搭出可修改的骨架
结构化提示词的核心是把任务拆成角色、输入、约束和输出格式，而不是只写一句“帮我写实验报告”。一个可用的提示词可以这样组织：说明模型是大学化学实验指导教师，提供滴定实验的原始数据、操作步骤和现象记录，要求起草结果与讨论部分，保留所有体积、浓度和终点颜色信息，对不确定处标注需要学生确认的位置，禁止补造仪器型号和文献。这样的提示词把数据边界、写作任务和禁止事项放在一起，模型输出会更接近可修改的初稿，而不是看起来完整却无法核验的范文。
更稳妥的做法是分阶段生成。先让模型根据实验类型和课程要求输出报告大纲，由学生或教师确认章节顺序、图表位置和分析重点，再逐节展开。一次性生成全文容易造成上下文漂移，前面写过的数据在后面被改写，误差分析也可能与结果部分脱节。分阶段生成时，每一节都带上已确认的大纲和原始数据，并要求模型只处理当前小节，完成后再人工整合。对于步骤描述，应把学生实际操作的差异写进提示词，例如滴定终点颜色的判断、加热时间的控制，而不是让模型套用通用模板。
输出格式也需要提前约束。可以要求模型用Markdown表格整理原始数据，用LaTeX写计算公式，给图表预留图注和坐标轴说明，并控制每段长度。格式约束不是装饰，它直接影响后续校对效率。表格中单位不统一、有效数字混乱，往往比语言不通顺更难修改。因此提示词中应明确单位、有效数字和图表编号规则，让模型在生成时就按报告规范组织内容。
3. 数据与图表坚持可复核原则
数据与图表环节要始终坚持可复核原则。DeepSeek是文本模型，不能直接读取实验仪器，也不能替学生判断异常值是否合理，所有分析都必须建立在学生粘贴的原始数据之上。粘贴数据时要把单位、有效数字、重复次数和实验条件一并给出，并要求模型先做数据检查，包括单位是否一致、有效数字是否匹配仪器精度、重复测量之间的离散程度是否异常。以材料力学拉伸实验为例，模型可以帮助列出应力与应变计算公式、计算弹性模量的中间量，但原始载荷和伸长量必须来自实验记录，模型给出的每个结果都应能用手算或Excel复算。
图表生成适合采用模型写代码、学生运行核验的。DeepSeek可以根据数据结构生成Python或Matplotlib绘图代码，帮助设置坐标轴标签、图例、误差棒和拟合线，但图像本身应由学生在本地运行代码得到，不能由模型描述后直接伪造。生成代码后还要检查变量名是否对应原始列、单位换算是否正确、拟合区间是否合理。若模型建议删除某个离群点，必须给出统计学依据或实验条件说明，不能仅仅因为图像不好看就剔除数据。
误差分析是模型容易写得空泛的部分。有效的做法是要求模型分别列出系统误差和随机误差的可能来源，再结合实验条件筛选，例如仪器零点漂移、环境温度波动、读数视差、试剂纯度等。模型可以提示检查方向，但不能替代学生对实验现场条件的判断。完成初稿后，应把关键计算结果与原始数据表交叉核对，把图表趋势与结论逐句对照，确保报告中的每个数字都能追溯到记录本，每个判断都有数据支持。
4. 以审稿视角完成迭代与合规核验
完成初稿后不要直接提交，而应把DeepSeek切换到审稿人视角进行多轮迭代。第一轮看结构，检查报告是否覆盖目的、原理、步骤、数据、结果和结论，章节之间是否有重复或缺失；第二轮看数据一致性，核对正文、表格和图表中的数值、单位、有效数字是否统一，计算结果是否能由原始数据复算；第三轮看语言，把口语化记录改写为报告语言，同时保留实验现象的具体描述。每一轮都要求模型列出问题清单和修改建议，由学生逐条判断是否采纳，而不是让模型一次性重写全文。
引用和事实核验是使用DeepSeek时不能省略的步骤。模型可能生成看起来规范的参考文献，但作者、年份、期刊或DOI未必真实，凡是进入报告的文献都应到数据库或期刊官网核验。涉及实验原理的表述，也要与教材或实验指导书对照，避免把模型生成的简化解释当作标准定义。对于结论部分，要特别检查是否超出数据支持范围，例如只有少量样本却写显著提高，或者没有统计检验却下因果判断。此时应要求模型说明结论的边界，补充效应量、置信区间或显著性检验结果。
学术规范方面，教师可以要求学生保留提示词记录、生成稿和修改痕迹，在报告附录中披露AI辅助的范围，包括框架起草、语言润色、代码生成或数据检查。AI指导老师的职责不是禁止使用工具，而是把使用过程变成可检查的学习证据。报告提交前还应确认没有把模型生成的图表当作实验原图，没有把模型补写的步骤当作实际操作，没有把未经核验的文献放入参考文献。完成这些核验后，报告才具备提交条件。
