案例类别：人工智能+专业课程
课程名称：冲压模具设计 适用专业：机械设计制造及其自动化
开课学院：机械工程学院 主讲教师：姚凯
技术类型：自然语言处理
应用场景：主要用于课程测试命题工作。
案例简介
在“人工智能+”教育革新浪潮下，本案例针对传统工科核心课程《冲压模具设计》考核方式的优化需求，聚焦于解决传统试题命制在全面考察学生“冲压模具综合设计能力”方面的局限性，以及教师命题负担重、试题形式相对固化等痛点。创新性地引入DeepSeek人工智能技术，依据课程教学大纲和教案辅助生成期末考试题目。通过结构化教学大纲和教案、设计针对性提示工程、实施人机协同优化试题等关键步骤，本案例不仅初步实现了《冲压模具设计》课程考试命题效率的提升，而且丰富了试题多样性与层次性，同时有效增强了对学生综合设计与分析能力的考核。该探索不仅为《冲压模具设计》课程教学评价提供了新思路，也为人工智能技术在其他课程的应用与教学改革方面提供示范和借鉴。
一、背景
传统冲压模具设计考核存在题型单一、重记忆轻实践、命题效率低等局限。人工智能可以智能生成情境化试题，提升命题效率，强化综合能力考查。基于DeepSeek大模型，可定制多难度试题，推动考核从知识记忆向能力评估转变，为人才培养提供创新方案。
1. 专业课程知识单元传统方法的局限性
现行考核过于侧重基础知识的记忆性考查，难以全面评估学生的工艺方案选择、模具创新设计等综合能力。考核形式单一，缺乏真实工程场景的案例分析题，无法有效检验学生的实践能力和创新思维。同时，人工命题工作量大、耗时长，导致试题更新缓慢，难以及时反映行业新技术发展。
2. 人工智能引入的必要性
AI可生成情境化的复合型试题，更科学地评估学生的综合设计能力。其快速命题功能能显著减轻教师负担，使教师更专注于教学质量提升。AI还能推动考核方式从知识考查向能力评估转变，符合现代工程教育理念。作为教育技术发展趋势，AI应用对培养适应行业发展的人才至关重要。
3. 人工智能解决的核心痛点及预期目标
AI技术能大幅缩短命题周期，让教师将更多精力投入试题优化。此外，AI技术显著提升试题的创新性和多样性，增加综合能力考查题型的比重，确保对教学大纲核心知识点的全面覆盖，特别是工艺分析、模具设计等关键能力维度。
4. 人工智能技术对学科领域问题的针对性突破
DeepSeek大模型展现出独特优势，其强大的自然语言处理能力可准确理解专业术语和工艺流程，能生成包含具体工程情境的综合性试题，支持根据教学需求定制不同难度层级的题目，实现从基础知识到创新设计的全方位考查。这些特性使AI成为提升考核质量的突破性工具。
人工智能的引入有效解决了传统考核方式的局限性，通过智能命题提升试题的创新性和多样性，强化对学生综合能力的评估，如图1所示。
图1 AI技术革新课程考核体系必要性
二、案例实施情况
本案例以面向机械专业本科生开设的核心专业课程《冲压模具设计》为实践对象，核心应用场景是利用DeepSeek大语言模型辅助教师团队，根据本课程2024-2025学年第二学期的教学大纲和教案，生成期末考试的试卷题目。本次实践旨在解决传统命题方式在效率、试题质量（特别是对学生“综合设计能力”的考核深度与广度）方面存在的瓶颈，探索人工智能技术在工科专业课程教学评价环节应用的创新模式，并为后续教学改革积累经验。我们深知，高质量的考核是检验教学成果、反馈教学问题、引导学生学习方向的关键环节，因此，对AI辅助命题的探索具有重要的现实意义。
（一）典型应用案例
传统人工命题在《冲压模具设计》课程中存在显著局限性。以“落料和冲孔单工序模设计”综合题为例，完整命题流程需耗时10多小时以上，包括：分析教学大纲知识点、收集实际生产案例、绘制零件图纸（包含精确的孔位尺寸和公差标注）、制定评分标准等。命题质量受限于教材案例改编，大部分题目仅考查部分基础知识点组合，缺乏实际生产约束（如模具寿命要求、冲裁间隙选择依据）。
命题过程面临诸多困难。首先，教师需要同时掌握理论计算（如冲裁力计算）、结构设计（如卸料装置）和工程经验（如模具材料选择）。其次，真实生产案例获取困难，特别是精密冲裁的实际参数难以收集。再者，评分标准难以量化，如对刃口尺寸计算精度的评分缺乏统一标准。
这些痛点具体表现为：命题效率低下、题目更新滞后（参数调整需重新验证计算）、考查维度单一。例如某垫圈冲孔落料模设计题，因未给定生产批量要求，无法考查学生的模具标准化设计能力。这种传统命题模式已难以满足现代模具人才培养的需求，迫切需要引入智能化命题手段。因此，利用DeepSeek生成相关的案例分析题、简答题等，能够充分展示AI在处理复杂工程问题、生成高质量专业试题方面的潜力与挑战。
（二）人工智能与专业课程知识单元的融合应用过程
将DeepSeek大语言模型应用于《冲压模具设计》课程，是一个涉及教学需求理解、AI技术运用和人机协同优化的系统过程。以下详细阐述其准备阶段、具体实施步骤以及关键技术环节。
1. 准备阶段
在正式开始使用DeepSeek生成试题之前，充分的准备工作是确保后续流程顺利高效、产出内容质量符合预期的关键。此阶段主要包括对教学大纲的深度处理与核心知识点的精细梳理，以及针对DeepSeek模型的特性进行配置和核心提示工程的设计。
在对教学大纲处理与知识点梳理方面，《冲压模具设计》的教学大纲是整个试题生成工作的根本依据。我们首先对现行教学大纲进行了逐章逐节的深度解读，不仅仅停留在章节标题层面，而是深入到每一个具体的知识点、技能点以及课程思政要求。特别地，我们着重识别和提取了与培养学生“综合设计能力”紧密相关的核心要素。
2. 案例实施步骤
以机械专业《冲压模具设计》课程2024-2025学年第二学期期末考试试卷的辅助命题工作为例，我们完整地实施了AI辅助命题全流程。
步骤一：需求定义与输入准备
在启动AI辅助命题前，课程教学团队首先召开了期末考核研讨会，明确了本次试卷生成的具体需求。
考核目标：全面检验学生对《冲压模具设计》课程核心知识体系的掌握程度，重点评估其运用所学理论知识分析和解决冲压工程实际问题的综合设计与分析能力，同时兼顾对新工艺、新技术的了解。
题型数量与比例设定：根据自己的需求设置题型和不同难度试题的比例。题型设置为：5道名词解释题，5道简答题，3道计算题，2道综合应用题。题型难度分布为：基础题占30%，中等难度题占50%，拔高题占20%，以保证良好的区分度。
知识点覆盖要求：确保全面覆盖教学大纲中所有核心章节，包括冲裁工艺与冲裁模设计、弯曲工艺与弯曲模设计、拉深工艺与拉深模设计等。特别强调对“冲裁、弯曲、拉深”三大工艺及其模具设计的深入考核。
步骤二：DeepSeek交互与试题初稿生成
在输入材料准备就绪后，开始与DeepSeek的交互式试题生成过程。考虑到一次性生成整套试卷的复杂性和AI处理长指令的潜在不稳定性，采取了多次生成的方式进行。以下对交互过程进行了详述。
指令逐步细化与迭代：对于复杂题目，我们不会一次性给出所有要求，而是采用“逐步求精”的策略。例如，先让AI生成一个案例背景，确认背景描述符合要求后，再让其针对该背景提出具体的分析问题或设计任务。
即时反馈与调整：在AI生成试题的过程中，会密切关注其输出。一旦发现生成的题目方向偏离、知识点错误、表述不清晰或难度不符合预期，会立即暂停生成，分析原因，并调整提示（如补充约束条件、修正关键词、提供反例等），然后让AI重新生成或在原有基础上修改。
初步结果展示与分析： 经过多次的人机交互和初步筛选，我们初步获得了一套试题库。
试题多样性表现：DeepSeek在生成多样化试题方面展现了显著优势。针对同一知识点（如“凸凹模间隙”），它能够从不同角度（如影响因素、选择原则、计算方法、过大或过小的后果等）生成不同形式的题目。题干的表述方式也富于变化，避免了传统题库中常见的雷同和僵化。
效率提升初步评估：相较于传统完全人工命题，教师团队在AI辅助下，仅用较短时间就获得了大量的试题初稿。初步估计，在试题初稿生成阶段，AI的引入至少将工作效率提升了60-70%。教师的主要精力从“从无到有”的创作，转变为对AI生成内容的“筛选、评估与优化”。
步骤三：试题筛选、评估与优化（人机协同的关键）
AI生成的试题初稿虽然数量多、类型广，但并非完美无缺，其质量参差不齐，必须经过教师团队的严格专业把关。这是确保最终试卷科学性、严谨性和公平性的核心环节，也是人机协同价值体现最充分的阶段。通过组织1名具有5年以上《冲压模具设计》课程教学经验的骨干教师，对DeepSeek生成的初步试题库进行逐一审查和专业评估。评估标准主要包括：
（1）知识点准确性与科学性：题目涉及的专业概念、原理、公式等是否准确无误，是否符合最新的行业规范和技术标准。
（2）题干表述清晰度与无歧义性：题干文字是否简洁明了，专业术语使用是否规范，是否存在可能引起学生误解的歧义表述。
（3）难度适宜性与区分度：题目难度是否与预设的考核目标（基础、中等、拔高）相符，是否能够有效区分不同认知水平的学生。
（4）答案的正确性、完整性与规范性：AI提供的参考答案是否正确、全面，解题步骤是否清晰、规范，评分要点是否明确。
（5）原创性与避免重复：是否与现有常见题库或教材习题高度雷同。
（6）优化过程：针对评估中发现的问题，教师团队进行了细致的修改、润色和二次开发。对AI生成试题中存在的知识性错误、专业术语使用不当、表述不清、条件缺失等问题，进行直接修改和补充。对于一些AI生成的题干有创意但选项设计不佳或答案解析不够深入的题目，教师会投入精力进行深度优化。有时AI会生成一些“灵感型”的题目片段或新颖的提问角度，虽然本身不够成熟，但启发了教师的思路。教师会在此基础上进行二次创作，将其完善成一道高质量的新题。
经过严格的人工筛选与优化，确定最终测试试题库，这些试题的知识准确性、表述规范性和考核有效性得到了显著提升。
步骤四：试卷组装与审核
最后一步是根据预设的试卷结构蓝图（题型比例、分值、难度梯度、知识点分布等要求），从优化后的高质量试题库中科学、合理地选取题目，组装成2-3套难度相当、覆盖面近似的考试备选试卷（通常称为A/B卷）。试卷组装要遵循以下原则：
（1）知识点均衡分布：确保每套试卷都能均衡覆盖教学大纲中的主要知识模块，避免出现重点内容遗漏或过于集中的情况。
（2）难度梯度合理：试卷题目排列遵循由易到难的原则，使学生能逐步进入考试状态。整套试卷的平均难度和标准差要控制在预设范围内，以保证良好的区分度。
（3）题型搭配得当：各种题型的比例要符合预设要求，以全面考察学生的不同能力。
（4）避免重复与雷同：确保同一套试卷中以及不同套备选试卷之间，不存在对同一知识点的简单重复考察或题干表述高度雷同的情况。
（5）时间控制：预估学生完成整套试卷所需时间，确保在规定的考试时间内大部分学生能够完成。
组装完成的备选试卷，提交给课程组负责人进行最终审核。审核内容不仅包括试题本身的科学性、规范性，还包括整套试卷的结构合理性、难度适宜性以及是否符合学校关于考试命题的各项规定。审核通过后，试卷才最终定稿。
通过以上四个步骤的系统实施，我们初步构建了一套将DeepSeek人工智能与《冲压模具设计》专业课程教学评价相结合的创新工作流程。
（三）效果评估
对本案例的初步效果评估，主要从教学痛点解决效果和对教学改进的间接或初步成果两个方面进行。由于本案例仅在本人课程中初步应用，数据主要来源于小范围试点和教师团队的观察总结，尚需更大范围、更长时间的实践来验证。
1. 教学痛点解决效果
（1）教师工作效率提升
在工作效率上，根据课程组教师的经验，在传统模式下，一位教师独立完成一套包含约20道题目的《冲压模具设计》测试试卷（从构思、查找资料、编写题干、绘制简图、编写答案解析到最终审校定稿），平均需要投入约20-30个有效工作小时，甚至需要更长时间。采用DeepSeek辅助后，教师的主要工作转变为前期需求分析与提示设计、AI交互与试题初稿生成监控、AI生成结果的筛选、评估与深度优化、最终组卷与审核。教师用于“创作”的时间大幅减少，更多时间投入到更高层次的“设计”和“把关”上。
在工作模式上，教师从以往繁重的、从零开始的试题创作和大量重复性劳动（如查找资料、设计干扰项）中解脱出来，转变为更具创造性和挑战性的“AI训练师”“提示设计师”“试题质量鉴定师”和“教学内容架构师”。这种转变有助于提升教师的职业成就感和创新能力。
（2）试题质量与多样性提升
首先，知识点覆盖更系统。通过结构化教学大纲并将其作为AI生成试题的核心依据，能够更系统、更全面地覆盖课程要求的所有核心知识点和能力点。
其次，题型多样性显著增加。DeepSeek能够根据指令生成多种题型的组合。特别是在以往难以大规模、高质量命制的“基于真实或模拟工程情境的案例分析题”“模具结构改进方案评价题”“冲压工艺故障诊断与排除策略题”等考察学生综合分析、设计评估和问题解决能力的题型方面，AI展现了较大潜力。
然后，难度层次更趋合理。通过在提示中设定难度要求，并结合教师对AI生成试题的难度预估和人工调整，使得最终形成的试卷在整体难度上更符合预期，不同难度层次的题目比例也更为均衡，有助于更准确地评价不同水平的学生。
2. 教学效果改进成果
（1）教学评价方式优化
推动评价理念更新：AI技术的应用，促使我们反思并推动《冲压模具设计》课程的教学评价理念从传统的“知识本位”向“能力本位”“素养导向”转变。考核的重点不再仅仅是“学生记住了什么”，更是“学生能用所学知识做什么”。
为形成性评价提供素材：AI辅助生成的丰富、多样化的题库，不仅可用于考试，也为开展日常的形成性评价（如单元测验、随堂练习、在线小测等）提供了大量高质量的素材，有助于教师更及时地掌握学情、调整教学进度和策略。
（2）教学反思与改进
精准定位教学薄弱环节：教师在筛选和优化AI生成的试题，以及后续分析学生对这些“新颖”或“有深度”题目的作答情况时，能够更清晰地发现学生在某些知识点或能力培养方面的薄弱环节。
促进教学内容与方法创新：AI生成的某些具有创新性的题目或提问角度，也可能反过来激发教师对自身教学内容和教学方法的反思与创新。
综上所述，通过DeepSeek辅助《冲压模具设计》课程试题生成的初步实践，在解决传统命题痛点、提升试题质量与多样性以及促进教学评价理念更新等方面均观察到了积极的效果和潜力。
（四）案例的代表性与启发性
本案例在《冲压模具设计》这一传统工科专业核心课程的教学改革探索中，具有显著的代表性意义。期末考试作为检验人才培养质量的关键环节，其试卷的科学性、有效性直接关系到教学目标的达成度。而《冲压模具设计》课程本身所具有的知识体系复杂、理论与实践高度融合、综合应用能力要求高等特点，使其成为检验AI辅助教学评价有效性的理想“试验田”。在此类课程上成功探索AI辅助命题的路径与方法，对于其他面临相似挑战的工科课程具有较强的示范效应和辐射作用。
本案例所展示的“DeepSeek辅助专业课程试题生成”的整体思路、具体实施步骤以及初步的成效评估经验，对其他工科专业课程（如《机械设计基础》《数控技术与编程》《材料成型原理》《汽车构造》等）乃至部分非工科但同样强调综合能力考察的课程的教学评价改革，均具有重要的启发和借鉴价值。特别是在以下几个方面，本案例提供了可供参考的实践路径：
1. 如何将通用型大语言模型（如DeepSeek）应用于高度专业化的教学内容处理，特别是如何通过有效的提示工程来引导AI生成符合专业要求的试题。
2. 如何构建高效的人机协同工作流程，充分发挥AI在效率和广度上的优势，同时依靠教师的专业经验保证试题的深度、精度和最终质量。
3. 如何初步评估AI在教学评价环节应用的实际效果，并根据反馈持续优化应用策略。
4. 如何通过AI技术的引入，推动教学评价理念的更新和教学模式的创新。
更深层次而言，本案例为广大高校教师，尤其是传统工科领域的教师，如何积极拥抱人工智能技术、主动适应智能化时代对教育教学提出的新要求、提升自身数字素养和教学创新能力，提供了一个具体的实践范例和有益启示。它鼓励我们从“AI焦虑”转向“AI赋能”，探索更多人工智能与专业教育深度融合的可能性。
三、案例创新突破
（一）主要创新内容
本案例在将DeepSeek人工智能应用于《冲压模具设计》课程试题生成的实践中，主要实现了以下几个方面的创新：
1. 基于深度理解教学大纲的智能化、场景化试题生成模式创新。传统命题方式高度依赖教师的个人经验积累和现有的、更新可能不及时的题库资源。本案例的核心创新在于，探索并实践了利用DeepSeek大语言模型对《冲压模具设计课程教学大纲》进行深度语义理解，并结合教师团队精心设计的、具有高度针对性的提示工程，实现了面向“冲压模具综合设计与分析能力”“复杂工艺问题解决能力”等核心专业素养的智能化、场景化试题生成。与简单的关键词匹配或模板套用不同，DeepSeek能够根据复杂的指令，模拟真实的工程背景（如特定零件的材料、结构、生产要求），生成需要学生综合运用多方面知识进行分析、判断、比较和决策的试题。这种模式突破了传统试题在考察学生高阶思维能力和解决实际工程问题能力方面的局限性，使得考核内容更贴近现代冲压行业对工程技术人才的真实能力需求，显著提升了考核的有效性和针对性。
2. 构建了“AI高效初创 + 教师精准把关”的人机协同命题新流程。本案例并非简单地追求用AI完全替代教师在命题工作中的角色，而是创新性地设计并实践了一套“AI高效初创+ 教师精准把关”的人机协同命题新流程。在该流程中，DeepSeek凭借其强大的内容生成能力，负责在教师设定的框架和引导下，快速、广泛地生成多样化的试题初稿，极大地拓展了命题的思路广度和素材来源，显著提高了命题的初期效率。而具有深厚专业背景和丰富教学经验的教师团队，则将主要精力聚焦于对AI生成的试题进行严格的专业筛选、科学的难度评估、细致的内容优化和最终的质量把控。这种人机协同模式，有效平衡了命题工作的效率与质量，既充分发挥了AI在信息处理和内容生成上的独特优势，又牢牢守住了专业课程考核所必须具备的严谨性、科学性和育人导向，为人工智能技术在教育评价领域的深度、有效应用提供了一条切实可行的实施路径。
3. 探索了AI驱动下《冲压模具设计》课程教学评价内容与方法的革新。通过引入DeepSeek辅助生成更多样化、更具深度和挑战性的试题，本案例有力地推动了《冲压模具设计》课程考核内容从以往可能存在的偏重知识点记忆、简单计算和标准流程复述，向更加侧重学生知识综合运用能力、工程实践分析能力、创新思维与批判性思维评价的转变。这种评价内容的革新，必然会反向引导课程的教学重点和学生的学习方式，促使教学过程更加注重培养学生分析和解决复杂工程问题的核心素养，而非仅仅是应试技巧的训练。这对于提升《冲压模具设计》专业人才培养质量具有深远意义。
（二）应用实践突破内容
本案例在《冲压模具设计》课程教学评价的应用实践层面，实现了以下几方面的突破：
1. 在核心工科专业课程考核中系统性、全流程应用DeepSeek进行试题生成
虽然AI在教育领域的应用已不鲜见，但在如《冲压模具设计》这类实践性强、综合性要求高的工科专业课程的期末考试等高风险评估环节，完整、系统地引入并深度应用DeepSeek这类先进大语言模型进行试题生成，并贯穿从前期教学大纲解读、AI交互与提示设计、多轮试题筛选与优化，尚属前沿探索。本案例的实践，突破了以往AI在教学中可能更多停留在辅助资料查询、简单知识问答或低风险练习题生成等浅层应用局面，向核心教学评价环节的深度融合迈出了坚实的一步。
2. 积累了在特定课程应用大语言模型进行试题生成的宝贵实践经验与方法论
通过本次在《冲压模具设计》课程中的深入实践，不仅初步验证了AI辅助命题的可行性，更重要的是，积累了大量在具体工科专业课程中有效应用大语言模型进行教学评价创新的第一手数据和可复制的实践经验。这些经验对于其他工科专业乃至更广泛的教育领域应用AI技术改进评价方式，都具有直接的借鉴价值。
3. 对专业人才培养的意义与价值
（1）提升评价精准度，助力个性化教学与因材施教。通过AI辅助生成更全面、更多样、更能反映学生真实能力的试题，有助于更精准地评价学生对《冲压模具设计》专业知识的掌握程度，特别是对其“综合设计能力”“工程实践分析能力”和“创新思维”的深度评估。这种更精细化的评价结果，能够为后续优化人才培养方案、动态调整课程设置以及在可能的情况下实现更精准的个性化学习辅导与因材施教，提供更为可靠的数据支持和明确的方向指引。
（2）强化学生核心专业素养与解决复杂工程问题能力的培养导向。AI辅助生成的、更具真实工程情境和挑战性的试题，能够有效地引导学生在学习过程中更加注重理论知识与工程实践的紧密联系，主动提升其分析和解决本领域复杂工程问题的综合能力，而非仅仅停留在对孤立知识点的记忆和简单模仿。这直接服务于培养符合现代产业发展需求的高素质创新型工程技术人才的核心目标。
（3）提升学生AI素养与适应未来智能化社会的能力。在专业核心课程的教学评价环节引入并展示AI技术的实际应用，能够让学生直观感受到人工智能在自身专业领域内的巨大应用潜力与发展趋势。这不仅有助于消除部分学生对AI技术的神秘感或恐惧感，更能潜移默化地提升其AI基本素养，培养他们未来在智能化时代主动学习、积极运用AI等先进工具解决专业问题的意识和基本能力，为其职业生涯的可持续发展奠定基础。
（4）促进教师专业发展与教学模式的持续创新。本案例的实践过程，本身也是对参与教师团队的一次深刻的专业发展促进。它促使教师必须主动学习和掌握AI技术的基本原理与应用方法，积极转变传统的教学理念和评价方式，从单一的知识传授者，向学习过程的引导者、AI工具的协作者以及教学内容与方法创新的积极实践者转变。这种转变对于提升整体教师队伍的教学水平和创新活力至关重要。
四、推广价值
本案例所展示的“DeepSeek辅助《冲压模具设计》课程试题生成”的方法论与初步实践经验，具有显著的推广价值和广阔的应用前景。
首先，在校内层面，此模式不仅适用于本校机械专业的其他核心课程（如《机械原理》《机械设计》《数控加工技术》《液压与气动》等），还可为材料成型、车辆工程、工业设计、智能制造等其他相关理工科学院的专业课程提供有益借鉴，助力提升整体教学评价的科学性和效率。
其次，在校际及行业层面，对于全国范围内设有《冲压模具设计》或类似材料成型与模具技术课程的高等院校及中高等职业院校，本案例在解决此类实践性强、综合性高的工科课程考核难题方面，提供了可操作的解决方案，有助于提升相关专业的人才培养质量和教学现代化水平。
再次，该模式的核心思想——利用AI辅助生成专业化、场景化、能力导向的考核内容，亦可拓展至更广泛的教学领域，如工程伦理、项目管理、创新创业教育等其他需要考察学生综合分析与解决问题能力的课程。
本案例主要在本课程教学团队内部进行了深入实践和验证，并已开始在学院内部相关课程教师中进行初步的经验分享和交流，引起了部分教师的积极关注和学习兴趣，为后续小范围推广奠定了基础。其示范引领作用在于，为“人工智能+教育”深度融合背景下，传统工科专业如何有效利用AI大模型等先进技术提升教学质量、创新教学评价模式、减轻教师负担提供了具体、可操作的实践范例，对推动高等工程教育教学改革和教师数字素养提升具有积极的促进作用。
五、其他相关情况
为支持本案例的教学活动展示、评审以及潜在的推广应用，已整理并准备了以下相关数字资料：
1. 案例整体介绍与核心操作流程演示视频（MP4格式，约6分钟）：内容包括案例背景、DeepSeek辅助命题的核心步骤（提示设计、AI交互、人机协同优化等）的屏幕录制与讲解，以及初步效果展示。
2. DeepSeek应用于《冲压模具设计》试题生成的关键提示工程策略。详细阐述针对不同题型、不同知识模块（冲裁、弯曲、拉深等）、不同能力考核点（记忆、理解、应用、分析、综合评价）的提示设计思路、关键要素、优化技巧。
3. DeepSeek辅助生成的《冲压模具设计》期末模拟试卷样例：包含完整的模拟试卷（含答案与简要解析），覆盖各类题型和难度层次，突出对“综合设计能力”的考察。
