示例是约束DeepSeek输出空间的高效信号。本文从作用机制、示例设计、编排策略与评估闭环四个层面，说明AI指导老师如何用示例获得精准回答。 在AI指导老师的日常工作中，DeepSeek常被用于生成讲评、设计学习任务、撰写沟通话术和整理知识框架。同一句指令，输出可能泛泛而谈，也可能贴合学情，差别往往不在模型本身，而在提示中是否提供了足够清晰的示例。示例引导不是把答案塞给模型，而是用可观察的输入输出对，告诉模型任务边界、判断标准和表达格式。
1. 示例是输出空间的约束信号
DeepSeek并不会因为提示里多了几段示例就更新参数，它做的是在现有上下文里寻找可复用的模式。示例同时承担四件事：定义任务、展示输出结构、暴露判断标准、限定语气与长度。当指导老师只写“请点评这份教案”，模型缺少参照，容易给出正确但无用的套话；如果示例中先标出教学目标与学情，再指出活动与目标脱节的位置，最后给出可替换的活动，模型就会沿着这条路径组织回答。这种约束不是让模型复述示例，而是让它在当前任务中复用示例隐含的处理顺序。
这种约束在需要专业判断的任务中更明显。以初中数学错题讲评为 example，示例里包含学生原答、错因归类、教师追问和分层练习，模型会学到“先诊断再给策略”的顺序；若只给最终答案，模型容易跳过诊断，直接堆砌解题步骤。对于家长沟通、学习计划调整、课堂追问设计等任务，示例还能传递“先确认事实还是先给建议”“哪些信息必须追问”“哪些表述需要保留余地”等隐性规则，这些规则很难靠一句指令说清。
从生成机制看，示例改变了后续词元的预测条件，使模型更倾向输出与示例同构的内容。示例中的字段顺序、证据密度和语气强度都会成为条件信号，因此示例质量比数量更重要。一个包含错误归因或过度承诺的示例，会把格式和判断一起带偏；相反，一个结构清晰、边界明确的示例，即使篇幅不长，也能显著提高回答的可用性。
2. 示例设计要覆盖任务变量与边界
设计示例时，先拆解任务变量，再决定示例组合。AI指导老师面对的任务通常涉及学段、学科、学生水平、问题类型和输出用途五个变量，示例应覆盖这些变量的典型组合，而不是重复同一种简单情形。简单格式任务一两个示例通常足够，复杂判断任务则需要三到五个示例覆盖不同变量，尤其要加入信息不完整、学生基础薄弱、家长期望模糊等边界情形，让模型看到任务并非只有一种顺利路径。
输入侧要保留真实噪声，输出侧要显式呈现关键字段。真实教学材料往往有缺漏，例如学生答案不完整、家长诉求含糊、课堂时间被压缩，示例如果过度干净，模型遇到真实输入时就会失去判断依据。输出侧不能只给漂亮范文，而要展示学情判断、教学目标、干预策略和风险提示之间的对应关系，让模型知道每个结论来自哪条证据。示例中的输出不必冗长，但关键决策点必须可见，否则模型只能模仿表面语气。
示例长度需要控制，信息密度比篇幅更重要。每个示例应围绕一个核心决策点展开，避免同时塞入格式、语气、事实核查和分层作业等多重目标，否则模型可能抓住次要特征而忽略主要任务。对于需要固定格式的输出，示例中的格式必须完整且可复现；对于需要灵活表达的任务，示例应展示可接受的变体，而不是把某一种措辞固化为唯一答案。
3. 示例编排决定模型关注什么
示例编排首先是一致性问题。示例与当前任务应使用相同的字段顺序、相同的称呼和相同的输出粒度，并用清晰的分隔把示例与当前任务分开，避免模型把示例内容误当成待处理材料。如果示例要求先给学情判断再给策略，当前任务也应保持这一顺序；如果示例使用表格承载分层练习，当前任务就不应突然改成散文式罗列。格式漂移往往不是模型能力不足，而是示例内部本身存在混排。
示例顺序会影响模型的注意力分配。把最贴近当前任务的示例放在最后，再紧接当前任务和输出要求，通常能让模型更清楚地捕捉近期约束；把覆盖边界的示例放在前面，则有助于先建立任务范围。示例之后应重申关键要求，例如字数、语气、是否需要追问、是否给出分层建议，但重申不能变成与示例冲突的新规则。反例可以使用，但必须明确标注不可取的原因，并且不能与正例混在同一输出格式里，否则模型可能模仿错误结构。
编排还要处理“示例饱和”问题。示例过多会稀释当前任务的信息，示例过少又不足以覆盖判断分支。一个实用的做法是先放一个标准示例建立结构，再放一个边界示例展示异常处理，最后用一句任务说明收束输出要求。对于DeepSeek这类对话模型，系统提示中的角色设定与示例中的行为示范应保持一致，角色说“先追问再建议”，示例却直接给出结论，模型就会在两种信号之间摇摆。
4. 用评估闭环校准示例质量
示例质量不能靠单次阅读判断，而要用评估闭环校准。AI指导老师可以先确定评分维度，包括准确性、完整性、可执行性、学情适配、格式合规和风险控制，再用同一批教学任务对比零样本、少样本和调整后示例的输出差异。评测集不必很大，二十到五十个覆盖高频与边界的任务即可暴露主要问题，关键是每次只改一个变量，例如只替换边界示例或只调整输出字段顺序，否则无法判断效果来自哪里。
评估时要记录失败模式，而不是只记录满意度。常见失败包括内容空洞、建议超纲、格式漂移、事实错误和忽视学情，每一种失败都应对应示例库中的缺口。把失败案例改造成新示例，补入缺失的边界条件；删掉重复或冲突的示例，避免模型在相似信号中随机选择。对高风险任务，例如涉及学生评价和家长沟通的内容，还应增加人工复核环节，把复核意见转化为示例中的约束语句。
版本化管理能让示例库成为可复用资产。每次调整示例后保留版本号、适用任务和评测结果，当教材版本、学段要求或学校规范变化时，同步更新示例而不是临时修补提示。AI指导老师真正需要的不是一段万能提示，而是一套可追踪、可解释、可迭代的示例系统，使DeepSeek在不同教学场景中稳定输出接近专业判断的回答。
