围绕账号准备、模型选型、鉴权请求、流式响应、教学提示词、成本与合规，给出可执行的接入路径。
AI指导老师不是通用聊天窗口套一层皮肤。学生在作业辅导中会连续追问、暴露知识薄弱点，也会提出超出课程范围的问题；教师端则关心回答是否可解释、是否越界、是否增加批改负担。接入DeepSeek开发者平台，需要同时解决API连通、推理质量、响应体验和教学安全四条线，避开只把Key填进代码的浅层做法。
1. 账号、计费与模型选型
账号准备并不止于注册和复制一个API Key。开发者平台中应按项目创建密钥，把测试环境与生产环境分开，Key只存放在服务端环境变量或密钥管理服务中。教育类应用常见的事故是把Key写进小程序包、前端配置文件或公开仓库，导致额度被耗尽；更稳妥的做法是按业务模块分配Key，设置预算告警和调用量监控，日志中只保留Key指纹而不记录完整值。充值前需要理解计费按输入与输出token分别结算，系统提示、教材片段、历史对话都会计入输入成本，输出长度则由max_tokens约束。
模型选型直接决定AI指导老师的体验和成本。deepseek-chat适合多轮答疑、结构化输出和常规工具调用，响应相对均衡；deepseek-reasoner更擅长数学推理和复杂解题，但延迟更高，返回内容中reasoning_content与最终content分离，教学产品不应把完整思维链直接展示给学生，而应由后端提炼成可读的思路摘要。实际路由可以按题型分流：日常概念问答走chat模型，压轴题和步骤推断走推理模型，避免所有请求都使用高成本路径。长上下文窗口能容纳教材和错题本，但token消耗会随轮次增长，一条携带2K上下文、500输出token的辅导请求在多轮对话中很快累积，因此选型阶段就要把上下文裁剪和摘要策略纳入设计。
计费优化要从接入第一天开始。重复出现的系统提示、课程标准和知识点讲解适合利用缓存机制降低重复输入成本，个性化错题分析则不适合简单缓存。按班级或学生设置日额度、对异常长对话触发提醒、对输出长度设置上限，都比上线后被动看账单更有效。模型能力、价格和限流策略会调整，接入方应把模型名称、计费口径和配额做成配置项，而不是散落在代码里。
2. 鉴权、请求结构与流式响应
DeepSeek API兼容OpenAI的Chat Completions协议，基础地址通常使用，请求端点为/chat/completions，鉴权通过Authorization: Bearer加API Key完成，Content-Type为application/json。请求体中的model指定deepseek-chat或deepseek-reasoner，messages承载system、user和assistant角色，stream控制是否流式返回，max_tokens限制输出长度，temperature影响表达稳定性。教学场景的system消息应写清教师角色、学段、禁止直接给答案的边界和输出格式，user消息放学生原题与追问，assistant消息保留必要的多轮历史。浏览器端不应直接持有Key，应由业务服务端代理请求并附加学生身份、课程权限和审计字段。
流式响应是AI指导老师体感的关键。服务端以SSE接收增量内容，前端按帧合并后再渲染，避免每个字符触发一次重排；数学公式和代码块要等完整片段到达后再交给渲染器，否则会出现公式闪烁或代码高亮错乱。首字延迟比整段返回时间更容易被学生感知，因此连接建立、鉴权、路由和模型首token都应纳入监控。用户关闭页面或点击停止时，服务端要主动取消上游请求，防止无效生成继续计费；推理模型的reasoning_content应在服务端过滤或摘要，不能原样流入学生端。
错误处理要按状态码区分。401和403通常指向Key无效、权限不足或环境配置错误，不应盲目重试；429需要结合限流窗口做退避；5xx和网络超时适合指数退避加随机抖动，并设置连接超时与读超时两个阈值。每次请求记录trace_id、模型、token用量、首字延迟和错误码，便于定位是平台限流、业务超时还是前端渲染问题。需要结构化输出时，可在模型支持的前提下使用JSON模式，并在服务端校验字段完整性；工具调用按tools和tool_choice组织，推理模型与chat模型的能力边界并不完全一致，降级路径要提前设计。
3. 教学场景的提示词、上下文与工具调用
AI指导老师的提示词不能停留在“你是一位老师”。系统提示需要包含教学目标、学生画像、当前课程进度、约束条件和评价标准。以数学辅导为例，可以采用三级提示策略：先诊断学生卡在哪一步，再给一级提示指向相关定理，学生仍不会时给二级提示拆解关键步骤，只有学生明确请求或连续失败后才展示完整解法；输出要求引用题目条件，避免跳步。作文批改则按内容、结构、语言三个维度给出评分和修改建议，并要求保留学生原句作为证据。这样的提示词把“引导”变成可检查的行为，而不是依赖模型自由发挥。
上下文治理决定多轮辅导是否稳定。教材、课标、错题本和教师讲义可以通过检索增强生成进入上下文，检索结果要带来源标识，回答中引用章节或题号，降低编造风险。历史对话应采用滑动窗口加摘要的，保留学生长期薄弱点和已用过的提示层级，丢弃寒暄和重复内容；可以为系统提示、检索片段、历史对话和输出分别设定token预算，例如系统提示500、检索1500、历史1000、输出800，再按实际模型调整。不同学生的session_id必须隔离，错题标签和学情画像不能混入其他用户上下文，否则既影响回答质量，也会带来隐私风险。
工具调用让AI指导老师从“会说”走向“能做”。计算器适合校验运算结果，题库检索可以拉取同类题和标准答案，课程表与作业状态工具能回答“今天布置了什么”，但工具必须设置白名单和参数校验，返回结构化JSON后再由模型解释。提示词版本需要像代码一样管理，建立包含概念题、计算题、作文批改和越界提问的评测集，持续观察答案正确率、引导性、直接答案率和教师复核通过率。灰度发布时先在小班级试用，把教师反馈纳入下一版提示词，而不是一次性全量替换。
4. 稳定性、成本与合规的工程化保障
上线后的稳定性依赖可观测性。每次调用记录request_id、模型版本、输入输出token、首字延迟、总耗时、错误码和限流命中情况，日志中的学生姓名、学校、家庭信息必须脱敏。监控面板应同时看P95延迟、429比例、5xx比例和单学生日成本，异常时触发告警。限流可采用令牌桶按学生、班级和机构三层配额控制，高峰期把非实时批改任务放入队列错峰执行；当平台限流或故障时，熔断到静态答疑库或教师人工兜底，避免前端无限转圈。
成本控制需要组合手段而不是单纯换便宜模型。模型路由把简单问题交给chat模型，复杂推理才调用reasoner；上下文压缩减少重复教材片段；流式取消避免用户离开后继续生成；max_tokens和输出格式约束防止长篇跑题；知识点讲解和常见错题解析可以缓存，个性化诊断则保留实时计算。按班级设置预算、按周复盘token分布、对异常长对话单独审计，可以把成本从不可控的账单变成可运营的指标。官方价格和优惠策略会变化，计费口径应集中配置并定期核对。
合规是AI指导老师接入的底线。面向未成年人收集学习数据，需要遵循个人信息保护与未成年人网络保护相关要求，做到家长授权、数据最小化、目的限定和可删除；学生作文、试卷和身份信息不应未经脱敏就进入提示词。输出侧要配置内容审核、AI生成标识、举报入口和教师复核机制，明确AI只提供辅导建议而不替代教师评价。检索文档要按机构、班级和角色做权限隔离，工具调用采用白名单，防止提示词注入诱导模型越权读取或执行操作。发布清单与回归评测需要把这些指标、拦截策略和降级路径纳入同一套门禁。
