从API直连到本地部署，系统梳理DeepSeek在VS Code中的插件选型、参数配置、教学场景落地与安全成本治理，给出可复用的工程化路径。
在AI指导教学场景中，VS Code既是代码演示环境也是学生练习环境，接入DeepSeek的目标不是多一个聊天窗口，而是把模型能力嵌入代码阅读、补全、测试和重构环节。配置差异直接影响响应速度和答案质量，因此需要从接入路径开始做工程化选择。
1. 接入路径与运行环境。
DeepSeek提供OpenAI兼容API，base URL通常为，模型ID包括deepseek-chat和deepseek-reasoner，前者适合日常代码补全与对话，后者适合复杂推理和错误定位。VS Code端可选择Continue、Cline、Roo Code等支持自定义OpenAI兼容端点的插件，它们的能力侧重点不同：Continue偏向多模型对话与行内编辑，Cline强调任务规划和多文件修改，Roo Code在代理式操作上更灵活。教学环境若机房网络受限，可先在Ollama中拉取deepseek-r1:7b或deepseek-coder-v2等量化模型，通过:11434/v1接入；7B模型在8GB内存、6GB显存的笔记本可运行，14B建议16GB内存和独立显卡，32B则需更高显存，否则推理延迟会明显影响课堂节奏。
选择API还是本地部署取决于隐私、成本和稳定性。API路径无需关心显存，适合代码示例多、并发不高的课堂，但需要处理密钥保管、网络代理和限流；本地路径数据不出局域网，适合涉及学生作业和内部项目的场景，但模型能力与上下文长度受硬件限制。实际教学中常见做法是双轨配置：日常补全和解释走API的deepseek-chat，涉及算法推导或复杂报错时切到deepseek-reasoner；网络不稳定时回退到本地7B模型保证演示连续。VS Code版本建议保持在1.85以上，插件安装后先在空工作区完成连通性测试，再导入教学项目，避免把环境问题误判为模型能力问题。
2. 插件配置与模型参数。
配置的核心是把端点、密钥、模型ID和生成参数写对。以Continue为例，用户级配置文件通常位于~/.continue/config.json，models数组里provider填openai，apiBase填，apiKey通过环境变量DEEPSEEK_API_KEY注入，model分别写deepseek-chat和deepseek-reasoner；Cline和Roo Code在设置界面选择OpenAI Compatible，填入Base URL、API Key和Model ID即可。apiKey不要硬编码进工作区配置文件，推荐使用系统环境变量或插件密钥存储，团队共享配置时只保留占位符和读取逻辑。代理环境需要在VS Code的http.proxy中设置，或让插件继承系统代理，否则容易出现连接超时。
参数设置要区分模型。deepseek-chat用于代码补全时temperature可设在0.2到0.4，top_p保持0.95左右，maxTokens按任务设为2048到4096；用于代码解释和测试生成时可提高到4096到8192，但要注意长输出会拉高延迟和费用。deepseek-reasoner的推理过程由模型内部管理，温度等采样参数的限制更多，配置时应把maxTokens留给最终答案，避免把推理预算浪费在冗余描述上。上下文长度方面，DeepSeek API支持较长上下文，但插件会把打开的文件、终端输出和对话历史一起打包，实际可用空间会被挤占，教学项目应通过.continueignore排除node_modules、构建产物和数据集。
系统提示词是容易被忽略的配置项。面向AI指导老师场景，可以在插件的system prompt中约定回答结构：先指出问题所在，再给最小修改建议，并补充可验证的测试命令；要求学生模式时增加“不直接给完整答案，先提示关键概念”的约束。这样同一套API在不同课堂里表现更一致。配置完成后用三个测试用例验收：让模型解释一个包含闭包的函数，生成一个边界条件明确的单元测试，定位一个故意植入的空指针错误。三个用例都稳定通过，再进入真实项目，能减少后续排错成本。
3. 教学场景中的工作流设计。
教学场景中，DeepSeek接入VS Code的价值在于把“讲解—练习—反馈”压缩到同一界面。代码解释时选中函数后调用Continue的chat，要求模型按输入输出、边界条件、时间复杂度和潜在副作用四层说明，学生先写下自己的判断再对比模型回答，能暴露理解偏差。单元测试生成适合用Cline的多文件能力：给出被测文件和测试框架版本，要求只修改测试文件、不改变生产代码，并运行指定命令验证。重构场景则要让模型先列出风险点，再给出小步修改方案，避免一次性重写导致学生看不懂diff。
提示词质量决定教学效果。有效的做法是把角色、上下文、约束和验收标准写清楚，例如“你是代码审查助教，基于当前选中的TypeScript文件，指出两个最可能引发运行时错误的问题，每个问题给出触发条件和最小修复，不要展开无关的架构建议”。在Continue中使用@file引用具体文件，在Cline中利用计划模式先让模型输出步骤再执行，可以减少误改。对初学者，关闭自动应用修改、保留逐条确认，比追求全自动更合适；对进阶班，可以让学生维护一份提示词日志，记录哪些约束减少了返工。
项目级上下文需要治理。把课程项目按周划分工作区，每个工作区只保留当周代码和README，利用插件索引当前工作区而非整个仓库，能降低无关上下文干扰。代码补全适合重复性样板和测试断言，不适合直接生成完整业务逻辑；教师应示范如何把模型输出拆成可审查的小块。评估环节可以让学生提交“模型建议—人工判断—最终修改”的三栏记录，既训练判断力，也留下教学过程数据。这样DeepSeek不只是问答工具，而是可追踪的学习支架。
4. 稳定性、安全与成本治理。
稳定性问题通常来自网络、限流和本地资源。API返回401时先检查密钥是否被环境变量覆盖，402或余额不足要查看账户，429表示触发限流，应在插件中降低并发、增加重试间隔，并把长任务拆成多次短请求。本地Ollama出现显存不足时，降低量化等级或把上下文从32K调到8K，比直接换更大模型更有效。VS Code侧要关注输出面板中插件日志，区分是请求超时、模型返回格式错误还是工作区文件过大；教学机房建议固定插件版本和模型ID，升级前用测试用例回归，避免课堂中途行为变化。
安全与隐私需要落实到配置层。API密钥放在系统钥匙串或环境变量中，不写入settings.json和git仓库；涉及学生姓名、学号和内部项目路径的内容在发送前做脱敏，或用本地模型处理。企业代理环境要确认TLS证书链，避免关闭证书校验这种临时做法。团队可以统一一份受控配置模板，只开放模型选择和温度等低风险参数，把base URL和密钥注入交给管理员，减少误配和密钥扩散。
成本治理要围绕调用结构而不是单纯压低模型。DeepSeek API的计费与输入输出token相关，缓存命中通常更便宜，重复的系统提示词和稳定的项目说明有助于命中缓存；maxTokens、对话轮次和文件引用范围是三个主要杠杆。教学场景可以把复杂推理集中到少量deepseek-reasoner调用，把解释、注释和简单补全交给deepseek-chat，按任务路由模型。每周查看用量和失败请求，重点优化重复长上下文和无效重试，而不是牺牲答案质量。配置、密钥、日志和用量形成闭环后，接入才能从一次演示变成可持续的教学基础设施。
