开学前后那阵子，我陆陆续续被学弟学妹问了不下十遍同一个问题：学校信息中心发的那个 AI 入口到底怎么用，为什么同一个模型，室友电脑上答得头头是道，自己这边却总是"答非所问"。这两年后台接入大模型的高校越来越多，光是公开提到做过统一身份认证对接的就有三十多所，学生拿着学号就能登进去用，但真正把 DeepSeek 这类模型用出效率的人并不多。多数人卡在三个地方：不知道入口之间的差别、不知道怎么问、不知道哪些活根本不该交给它。这篇就把这三件事拆开讲清楚——七个免费可用的入口形态各自适合干什么，论文文献和代码实验两类高频场景的具体问法，以及我在实际踩坑中攒下来的那些"没人提前告诉你"的细节。不管你是刚拿到校内账号的大一新生，还是要靠它赶毕业设计的高年级同学，照着往下看都能直接上手。

1. 先搞清楚"36+高校接入的 DeepSeek"到底接的是什么

很多人以为学校发的是一个"账号"，登进去就是官方产品。实际情况比这复杂。所谓"高校接入"，绝大多数是学校信息中心或图书馆采购/自建了一套统一门户，把模型的接口包了一层，再挂到统一身份认证后面。你输学号密码登录的那个页面，通常不是官方原版，而是一个带知识库、带系统提示词的"套壳"环境。这个差别直接决定了你得到回答的风格、长度和能力边界。

1.1 三种"校内入口"的形态差异

我接触过的校内入口大致分三类，用法完全不同。

第一类是纯转发型。学校只做了身份认证和额度管理，请求原样打到模型接口，你看到的就是模型最原始的输出。这类入口的好处是"没被驯化"，创意类、代码类任务表现最好，坏处是没有联网、没有文件解析，问它最新的事一律不知道。

第二类是知识库增强型。学校把校历、培养方案、图书馆数据库说明、办事流程这些文档灌进了检索库，你提问时系统会先检索再回答。这类入口回答校内事务特别准，但一旦你问的是专业学术问题，它可能被无关的校内文档干扰，反而答得比原版差。很多人抱怨"学校的 AI 好笨"，其实是问错了场景。

第三类是平台聚合型。一个页面里塞了对话、写作、翻译、PPT 生成好几个功能模块，背后可能调了不止一个模型。这类入口胜在功能全，适合做展示和轻量任务，但参数不可调、上下文经常被截断，做严肃的科研辅助就不够用了。

判断自己用的是哪一类很简单：问一个校内特有的问题（比如某门课的重修流程），再问一个通用问题（比如解释一下某个统计概念），看两次回答的引用来源和语气是否一致。一致的是转发型，出现"根据学校相关规定"这种措辞的大概率是知识库型。

1.2 同一个模型，为什么回答质量差这么多

这个问题的答案藏在四个变量里，跟模型本身关系不大。

系统提示词是第一层。校内门户通常会注入一段"你是校园助手，请用规范、严谨的语言回答"之类的设定，模型会因此变得保守、啰嗦、爱加免责声明。想要它放开写，你得在提问里明确覆盖掉这个倾向，比如"不需要客套和免责说明，直接给结论"。

上下文长度是第二层。免费入口为了控成本，往往把上下文砍到几千 token。你贴一篇两万字的文献进去，它只看到了开头和结尾，中间全丢了，回答自然离谱。这一点后面还会细说。

是否开启推理模式是第三层。现在的对话模型基本都提供"快速回答"和"深度思考"两档，前者秒回但容易浮于表面，后者会先输出一段思考过程再给答案。写论文框架、排查代码 bug 这类任务必须开深度模式，日常问答用快速模式就够了，硬开反而慢。

是否联网检索是第四层。涉及 2024 年之后的事件、最新标准、近期发布的库版本，不开联网就是纯靠记忆瞎编。我在实际使用中发现，凡是问"最新的 xx 规范是什么"这类问题，不开联网的回答可信度接近零，而且它编得非常像真的，这是最危险的地方。

1.3 校内账号的边界：能用和不能碰

学校给的账号一般附带使用协议，很多人点"同意"的时候根本没看。有两条线必须心里有数。

一条是数据不出校的要求。部分高校的入口是本地化部署的，你的对话不出校内网；另一部分走的是公网接口，你说的话会传到外部服务器。这两者的区别在于，前者可以放心贴一些内部资料，后者绝对不行。判断方法看登录页的说明，或者直接问信息中心。不确定的，一律按"会外传"处理。

另一条是学术诚信的边界。用 AI 润色语句、整理思路、生成代码草稿，绝大多数学校是默许的；直接把生成的整段内容当自己的作业交上去，查重和 AIGC 检测那一关过不去。我见过最典型的翻车是有人让模型"改写这段话让它不像 AI 写的"，结果改出来的句子语法正确但逻辑断裂，老师一眼就看出来了。工具是放大你能力的，不是替你思考的。

2. 七个免费入口的实测对比：谁适合写论文、谁适合跑代码

标题里说的"七个免费入口"，我不打算贴具体域名——一来这类地址变动频繁，今天能用明天就打不开；二来不同网络环境下可达性差异很大。更有用的是记住入口的形态，然后按关键词自己去找。下面这七种，覆盖了学生党能白嫖的几乎所有路径。

2.1 七个入口的适用场景对照

这张表建议存下来。核心结论是：没有全能入口，只有匹配场景的入口。写毕业论文那几个月，我的组合是"官方网页端做主力 + 本地部署处理敏感数据 + 插件做代码补全"，三个换着用，比死磕一个入口效率高得多。

2.2 网页端和 App 端的差异比想象中大

很多人觉得手机 App 就是网页版的缩小版，其实两个端的产品逻辑不一样。

App 端的优势在多模态输入。拍一张板书、拍一页教材、录一段老师讲课的音频转文字再提问，这些场景网页端做起来很别扭。我在图书馆查资料时最常用的动作是：拍下书页某段，直接问"这段的论证逻辑有什么漏洞"，比手打一百多个字快得多。

网页端的优势在长文编辑和代码块。写论文的时候，你需要反复修改同一段文字，网页端可以开多个对话窗口对照着改，代码块还能一键复制。App 端改长文是灾难，光标定位都能让人崩溃。

还有一个容易被忽略的差异：两个端的上下文是不同步的。你在电脑上聊了半小时的思路，换到手机上它完全不记得。所以重要项目要固定在一个端上做，别来回切。

2.3 本地部署这条路：显存怎么算，量化怎么选

这是七个入口里最有技术含量、也最值得花时间的一个。理由很实在：实验室的未发表数据、访谈原始录音、企业合作项目的代码，这些东西你不敢往任何公网接口上传，但你又想用大模型帮你整理。唯一的解法就是本地跑。

先算显存。粗略公式是：权重占用 ≈ 参数量 × 每参数字节数，再加上 KV 缓存和框架开销（一般留 2 到 4 GB）。

• 7B 模型，FP16 精度，每参数 2 字节，权重约 14 GB；换成 4bit 量化（约 0.5 字节/参数），降到 4 GB 左右。
• 14B 模型，4bit 量化约 8 GB。
• 32B 模型，4bit 量化约 18 到 20 GB，24 GB 显存的卡能跑，16 GB 的会爆。
• 更大规模的 MoE 架构模型，虽然激活参数少，但权重总量摆在那，消费级单卡基本无望，得多卡或者大内存 CPU 推理，速度会掉到每秒几个 token，只适合夜间批处理。

量化档位怎么选？Q4 系列是性价比拐点，质量损失在多数任务上感知不明显；Q5、Q6 质量更好但显存和速度都要付代价；Q8 和 FP16 除非你有富裕的显存，否则没必要。我自己在 16 GB 卡上的稳定配置是 14B 的 Q4 量化，上下文开到 8K，日常整理文档、写代码草稿完全够用。

部署工具这块，主流的几个一键框架搜"本地大模型 一键部署"就能找到，装完基本是"选模型、点启动、浏览器打开端口"三步。真正卡人的不是安装，是模型文件下载——动辄十几 GB，网络不稳就断，建议用支持断点续传的下载工具，别用浏览器直接下。

提示：本地部署的模型"记忆力"取决于你设置的上下文窗口，不是模型参数量。窗口设 4K，你贴一万字它照样只看到一部分。显存够的话，把窗口调大比换更大的模型收益更明显。

2.4 聚合平台和插件形态，分别解决什么问题

第三方聚合平台的价值只有一个：交叉验证。同一个问题丢给三四个不同的模型，看它们的答案在哪些点上一致、哪些点上分歧。一致的通常是事实性内容，分歧的地方往往就是这件事本身有争议，或者所有模型都在编。写文献综述之前用这招筛一遍，能省掉大量查证时间。

但聚合平台有两个硬伤。一是额度极不稳定，上午还能用下午就限流；二是隐私政策你根本不知道，你贴进去的东西会不会被留存、被用于训练，无从查证。所以我的原则是：公开信息随便贴，任何带人名、带未发表数据、带内部编号的内容，一律不进聚合平台。

插件形态解决的是另一个问题：减少复制粘贴。在编辑器里写代码，报错了选中一段直接问，不用切窗口；写文档时选中一句话让它改写，改完原地替换。这类工具的价值不在于模型多强，而在于把交互成本压到了几乎为零。缺点是上下文只有当前文件或当前选中段，跨文件的架构问题它看不见，别指望它帮你做系统设计。

3. 论文与文献场景：把"能写"变成"写得能用"

这是学生党最关心的部分，也是翻车最集中的部分。我见过太多人第一步就走错：把题目往里一贴，说"帮我写一篇关于 xx 的文献综述"。得到的是一篇结构完整、语句通顺、引用全是编的文章。看起来很美，一查参考文献，十篇里有八篇不存在。

3.1 文献综述的正确用法：先给框架，再让它找缺口

模型不擅长"从零生成综述"，但很擅长"在你给定的框架下做归纳和对比"。所以顺序要反过来。

第一步，你自己先读五到十篇核心文献，把领域的研究脉络理出来，写成一份粗糙的提纲，比如"这个方向大致分三条技术路线，A 路线解决什么、B 路线解决什么、C 路线是近两年的新尝试"。第二步，把这份提纲喂给模型，让它做三件事：指出提纲里逻辑跳跃的地方、补充你可能漏掉的经典问题、针对每条路线列出"已有工作解决了什么、还剩下什么没解决"。

这样做的原理是：模型的强项是模式识别和结构化表达，弱项是事实性记忆的准确性。你提供事实骨架，它提供结构美化，各司其职。

一个实操技巧：让它输出"研究缺口"的时候，要求它必须给出判断依据，比如"因为 A 方法在样本量小于 100 时方差过大，而现有文献少有讨论小样本场景"。带上理由的缺口描述，你自己能判断真假；只说"该领域尚缺乏深入研究"的，基本是废话。

3.2 引用幻觉是怎么产生的，怎么堵

这个必须单独说，因为它是所有 AI 辅助写作里最致命的坑。

幻觉的产生机制不复杂：模型的目标是"生成看起来合理的下一个词"，不是"检索真实存在的文献"。当你问"有哪些关于 xx 的研究"，它知道这类回答通常长什么样——作者名 + 年份 + 期刊名 + 标题 + 页码，于是它就按这个模板生成一串。格式完全正确，内容纯属虚构。更麻烦的是，它虚构的标题往往非常贴合你的主题，让你忍不住想去引用。

堵这个漏洞的办法有三层。

第一层，永远不让它单独给参考文献。你要引用哪篇，自己先在数据库里找到，把摘要贴给它，让它帮你总结这篇跟你研究的关联。事实来源是你，它只做加工。

第二层，要求它标注不确定性。提问时加一句"如果你不确定某条信息是否准确，直接说不确定，不要猜测"。实测下来这能把幻觉率压下去一截，但压不到零，所以不能只靠这个。

第三层，逐条核对。凡是要写进论文的引用，作者、年份、期刊、卷期页码，一项一项去数据库里比对。这个过程很枯燥，但省不得。我自己的习惯是把 AI 给出的所有文献先丢进一个表格，标注"已核实/待核实/查无此文"，只让已核实的进入正文。

3.3 润色、改写、降重，三条界线别踩错

这三件事经常被混为一谈，但性质完全不同。

润色是安全的。你把一段自己写的文字给它，说"保持原意，改成更符合学术写作习惯的表达，不要增加新信息"，它做得很好。注意"不要增加新信息"这个约束必须加，否则它会自作主张帮你补充论据，补的内容可能是错的。

改写要小心。让它"换个说法"，它可能把精确的术语换成近义词，学术写作里术语是不能随便换的。"显著性水平"改成"明显程度"，意思就变了。所以改写只适合用在过渡句、描述性段落上，涉及定义、方法、结论的句子别动。

降重是风险最高的一类。很多人想让 AI 把重复率高的段落改一遍，问题是查重系统检测的是句子结构和连续词组，AI 改写出来的句子往往还是同样的结构，只是换了词，重复率降不下去多少；而 AIGC 检测看的恰恰是这种"用词华丽但信息密度低"的特征，改完反而更容易被判定为机器生成。真正有效的降重是重新组织论证顺序、补充自己的实验数据和分析，这个活 AI 替不了。

3.4 可以直接抄的提示词模板

学术场景的提示词，核心是把"角色、任务、约束、输出格式"四件事说清楚。下面几个是我改了很多版之后稳定在用的。

开题阶段理思路：

你是[你的学科]方向的研究者。我的选题是[一句话描述]。 下面是我初步的想法：[200字左右的粗糙描述] 请做三件事： 1. 指出这个想法在逻辑上最站不住脚的两个地方，说明理由 2. 列出这个方向近五年公认的三个核心难题 3. 给出三个可能的切入角度，每个角度说明它适合什么样的数据和方法 不要给我鼓励性的评价，直接说问题。

读文献时做拆解：

下面是一篇论文的摘要和结论部分：[粘贴内容] 请提取：研究对象、样本规模、核心方法、主要结论、作者自己承认的局限性。 每一项如果原文没写，标注"原文未提及"，不要推测。

写方法章节：

我在做[研究内容]，采用的方法是[方法名]。 我的实验设置为：[参数、样本、对照组] 请把这段整理成学术论文的方法章节，要求：使用被动语态、不出现"我们认为"这类主观表述、每个步骤说明为什么这样做。总长度控制在 600 字以内。

这三个模板的共同点是：约束明确、要求给理由、禁止它自由发挥。你会发现加了这些约束之后，输出长度变短了，但可用率大幅上升。

4. 代码与实验场景：从报错贴到调参

理工科同学用 AI 的最高频场景其实是写代码和调 bug，不是写论文。这块的提效空间比写作更大，因为代码的对错可以立刻验证——跑一遍就知道，反馈闭环极短。

4.1 报错定位的正确姿势

新手最常犯的错是把报错最后一行贴上去，问"这个怎么解决"。模型的反应是根据错误类型给一堆泛泛的建议，因为信息太少了。

有效的提问必须包含四样东西：完整报错栈、最小可复现代码、运行环境版本、你已经试过什么。

完整报错栈指的是从 Traceback 开头到最后一行的全部内容，中间那些看起来重复的调用链恰恰是定位关键。最小可复现代码是指把无关逻辑删掉，只留触发错误的十几二十行——这一步本身就在帮你排查问题，很多时候删着删着就发现原因了。环境版本包括语言版本、关键库版本、操作系统，因为同一个写法在不同版本里行为可能完全不同。已试过什么能让模型不重复给你已经排除的方案。

一个典型的提问长这样：

环境：Python 3.10，某数据处理库 2.x 版本，Windows 11 完整报错： [粘贴完整 Traceback] 最小复现代码： [20行代码] 我已经试过：把编码改成 utf-8、用 try 捕获跳过，都不行。

这样问，命中率能到八成以上。剩下两成基本是这个库本身的 bug 或者文档没写清的坑，那也没关系，至少你已经排除掉自己的问题了。

4.2 让它写脚本，但别让它替你设计实验

数据处理脚本、批量重命名、格式转换、画图，这些是模型的舒适区。写这类脚本有个技巧：先让它输出伪代码，确认逻辑对了再要完整实现。

原因是直接要代码，它可能给你一个能跑但逻辑不符合你预期的版本，你调试半天才发现方向错了。先看伪代码，你能快速判断"这个思路对不对"，改起来成本极低。

画图的场景再补一句：明确告诉它你要什么图、什么风格。比如"画分组箱线图，x 轴是处理组，y 轴是测量值，用 seaborn，配色用低饱和度的，图例放右上角，输出 300 dpi 的 png"。含糊地说"帮我画个图"，出来的东西你八成要重画。

至于实验设计本身——样本量怎么定、对照组怎么设、随机化怎么做——这块要让模型参与讨论，不是让它决定。可以让它列出"这个实验设计可能的混杂因素有哪些"，这个它很擅长；但"我应该用多少样本"，它给的数字不能直接用，得你自己根据效应量和统计功效算。

4.3 数据处理的红线：它不能替你造数据

这条必须单独拎出来说。有个很隐蔽的坑：你让它"帮我生成一组符合正态分布、均值 5、标准差 1 的数据，用来测试脚本"，脚本测完了，这组假数据可能就留在某个文件里，最后不知怎么混进了结果表。

我的做法是，所有测试用的模拟数据，文件名一律加_mock前缀，存在单独的目录里，分析脚本里加一行断言检查数据来源标记。听起来麻烦，但比起论文送审被查出数据问题的代价，这点麻烦不算什么。

还有一类情况更值得警惕：你让它帮你"补全"缺失值，它可能直接给你插值或者用均值填充，但没告诉你它做了这个操作。统计上的缺失值处理是要写进方法章节的，不能由工具默默决定。所以凡是涉及数据变换，明确要求它"把每一步做了什么变换都打印出来"，别让它静默处理。

5. 那些没人提前告诉你的坑

用了两年多，真正让我难受的不是模型不够聪明，而是下面这几类问题。它们不写在任何官方文档里，但踩一次就够记一辈子。

5.1 上传附件的隐私红线

免费入口为了吸引用户，普遍开放了文件上传。这个功能很香，也很危险。

先说危险在哪。你上传的每一份文件，都可能被留存、被用于模型迭代、被人工抽检。合同扫描件里的身份证号、问卷原始数据里的手机号、访谈录音里的人名、未公开的实验参数——这些东西一旦传上去，你无法撤回，也无法确认它去了哪。

我的处理原则很粗暴：任何带个人身份信息、任何未发表的原创数据、任何合作方要求保密的内容，一律不上传。需要用它处理这类材料时，先把敏感字段替换掉。比如访谈记录，先把人名换成"受访者A""受访者B"，地名换成"某市""某区"，再上传。这个替换动作花不了两分钟，但能规避掉绝大部分风险。

还有个小细节：截图。很多人直接截图屏幕上传，屏幕上的浏览器标签页、文件名、聊天窗口角落里的消息，全都一起传上去了。上传前扫一眼截图边缘，别把自己坑了。

5.2 长上下文不等于"记得住"

现在各家都在宣传"超长上下文"，动辄几十万字。宣传没错，但有个落差没人告诉你：能放进去，不等于能用好。

实测下来，当输入长度超过窗口的三分之一后，模型对中间部分的注意力会明显下降，这就是常说的"丢失中间"现象。你把一份八万字的文档丢进去问"第三章第二节提到的那个参数是多少"，它很可能答不上来，或者答错。

正确的做法是分层投喂。先给目录和章节摘要，让它建立整体印象；然后针对你要问的那一章，单独把那章内容贴进去问；最后让它把各章结论汇总。这样多花两三步，准确率高得多。

另一种做法是自己做索引。长文档先切成段落，每段让模型生成一句摘要，你从摘要里定位到相关段落，再单独精读。这个流程听着原始，但处理几十篇文献的时候反而是最快的。

5.3 免费入口的稳定性，得提前想好退路

免费的东西有个天然属性：不稳定。高峰期排队、额度突然收紧、某天早上发现入口打不开了，这些都会发生。

所以我一直建议至少准备两条独立的路径。日常主用一个，另一个备着，别等到赶 deadline 那天才发现主入口挂了。备份路径不需要多强，能完成基础问答就行。

还有个更实际的问题：对话记录会丢。免费入口的会话保存策略各家不同，有的保留几天，有的关掉浏览器就没了。重要的对话，尤其是那种来回打磨了十几轮的方案讨论，一定要手动导出——复制到本地文档，或者截图保存。我吃过一次亏，一个花了两小时调出来的代码方案，第二天打开全没了，只能重来。

5.4 结果核对清单：五秒钟能省五小时

最后分享一个我贴在显示器边上的核对清单。每次模型给出看起来很有用的答案，先过一遍这五条，再决定要不要采用。

这五条花不了半分钟，但能挡掉大部分会把事情搞砸的回答。尤其是第一条和第二条，涉及事实的部分，永远不要相信"看起来对"。

6. 我个人的使用节奏

最后说点实在的。用了这么久，我早就放弃了"找一个最强工具"的念头，转而按任务性质分配。

需要灵感、需要破题、需要把一团乱麻的想法理成条理，我会开深度思考模式，跟它来回聊，聊到我自己想清楚为止——注意是"我自己想清楚"，它的作用是逼我把话说清楚，不是说它说的话有多高明。需要处理具体材料、写代码、改文字，我用快速模式，追求的是响应快、迭代多。涉及敏感数据，一律转本地，慢就慢点。需要验证某个说法，我至少用两个不同入口交叉问一遍，答案一致才敢用。

还有一个反直觉的体会：用得越久，我给它输入的越少。刚开始恨不得把整篇文档全贴进去，指望它一次给我完美答案；现在我更倾向于切碎了问，一次只问一个明确的小问题。单次回答的惊艳程度下降了，但整个工作流的返工率低了很多。工具的效率不取决于它的上限，取决于你能多稳定地拿到它的中位数表现。

至于那三十多所高校陆续接入的事，我的看法是：学校给的是"能不能用"的问题，怎么用出效果是自己的事。同一个入口，有人用来写废话，有人用来把三天的文献整理压到半天。差别不在账号，在问法。