🎯 学习目标

> 学完今天的内容，你将掌握调整AI输出”性格”的技巧——让它稳定时稳定，让它创意时创意，彻底摆脱AI”答非所问”或”放飞自我”的困扰。

🔄 昨天我们学了什么？

昨天我们学习了上下文技巧，了解了如何通过给AI提供背景信息来实现连续对话。但很多同学会遇到这种情况：明明Prompt写得很好，AI每次输出的结果却不一样——有时候太保守，有时候太放飞，有时候废话连篇，有时候又太简短。

问题不在Prompt本身，而在于你没有调整”AI的性格参数”。

今天我们就来解决这个问题。

🍽️ 先从一个生活场景开始

你有没有去过这种餐厅？

  • 服务员A：你问”推荐一个菜”，他直接说”红烧肉”——每次问，每次都是红烧肉，10个人问9个都是红烧肉。
  • 服务员B：你问”推荐一个菜”，他这次说”红烧肉”，下次说”糖醋排骨”，再下次说”宫保鸡丁”——每次都不一样，有时候惊艳，有时候踩雷。
  • 服务员C：你问”推荐一个菜”，他会问你”您是喜欢辣的还是不辣的？””有忌口吗？””今天想吃什么类型的？”——根据你的回答来调整推荐。

这三种服务员，其实代表了AI输出的三种模式：

  • 服务员A = Temperature=0（极度稳定，但缺乏创意）
  • 服务员B = Temperature=1.0（高随机性，结果不可预测）
  • 服务员C = Temperature=0.5-0.7（平衡模式，稳定又有创意）

今天我们就来学习如何调整AI的”性格”。

📚 今天的核心：四大参数

调整AI输出质量的核心工具是四个参数：

参数作用类比理解Temperature控制输出的”创意程度”决定服务员是保守还是开放Top-P控制候选词的范围决定推荐菜品的”选择半径”Max Tokens控制输出的”长度”决定服务员的”话多话少”Presence Penalty防止重复已说过的内容鼓励服务员用新词汇

🔍 Temperature详解：创意滑块

什么是Temperature？

Temperature（温度系数）控制AI输出的随机性。你可以把它理解成一个”创意滑块”：

  • 温度越低 → AI越保守，只选最确定的答案
  • 温度越高 → AI越开放，愿意尝试更”冷门”的选择

生活中理解Temperature

想象你在玩一个”词语接龙”游戏：

低Temperature模式（温度=0.1）：

你说”天”，AI只会选最常见的下一个词，比如”天气”——永远是最高概率的选择，没有惊喜。

高Temperature模式（温度=1.5）：

你说”天”，AI可能选”天涯”、”天际”、”天马行空”——各种奇怪的词都可能蹦出来，有时候惊艳，有时候离谱。

Temperature值对应的效果

Temperature值效果适合场景0.0 – 0.3极度稳定，每次答案几乎一样写代码、做数学题、查事实0.4 – 0.6平衡稳定，偶尔有惊喜日常对话、写文章、做总结0.7 – 0.9有创意，答案多样化写小说、头脑风暴、起名字1.0+高随机性，可能离谱实验性场景，慎用

💡 Temperature实战案例

场景1：写代码

❌ 高Temperature（错误做法）：

Prompt: "写一个Python函数判断质数"
Temperature: 1.0
结果：每次生成的代码都不一样，有时候甚至有bug

✅ 低Temperature（正确做法）：

Prompt: "写一个Python函数判断质数"
Temperature: 0.2
结果：每次都是标准答案，代码质量稳定

场景2：写营销文案

❌ 低Temperature（错误做法）：

Prompt: "为新款手机写5个广告语"
Temperature: 0.1
结果：5个广告语几乎一模一样，只是换了几个词

✅ 高Temperature（正确做法）：

Prompt: "为新款手机写5个广告语"
Temperature: 0.85
结果：5个风格各异的广告语，有的强调性能，有的强调拍照，有的强调性价比

场景3：日常聊天

✅ 中等Temperature（推荐）：

Prompt: "回复女朋友的'在干嘛呢'"
Temperature: 0.6
结果：回复自然，既有回应又有互动，不会太敷衍也不会太奇怪

🔍 Top-P详解：候选词边界

什么是Top-P？

Top-P控制AI选择下一个词时的候选范围。

你可以这样理解：把AI要选的词按概率从高到低排成一排，Top-P=0.9意味着AI只从”加起来概率达到90%”的那批词里选。

类比：

  • Top-P=0.5 → 服务员只从”招牌菜”里推荐（50%概率的菜）
  • Top-P=0.9 → 服务员从”菜单上大部分菜”里推荐（90%概率的菜）
  • Top-P=1.0 → 服务员可以从菜单上随便选（所有菜都行）

Top-P实战建议

Top-P值效果建议0.5 – 0.7只选最确定的词，输出稳定正式写作、代码0.8 – 0.9平衡模式（推荐默认）日常对话、内容创作0.95 – 1.0几乎所有词都可能选需要多样性的创意场景

小技巧：一般把Top-P设置在0.9左右，配合Temperature一起调整效果最好。

🔍 Max Tokens详解：长度控制

什么是Max Tokens？

Max Tokens限制AI单次输出最多能写多少字。

生活类比：

  • 想象你请了一个秘书帮你写报告
  • 如果你不告诉他”写多少字”，他可能写200字就停了，也可能写20000字刹不住车
  • Max Tokens就是告诉他：”你最多写X个字”

常见场景的Max Tokens设置

场景建议Max Tokens说明简短问答150-300一句话或一段话邮件/消息500-800一封完整的邮件社交媒体800-1500微博、朋友圈、小红书文章段落1500-2500博客的一段完整内容长篇文章3000-4000整篇文章或报告

注意：Max Tokens不是”必须写这么多”，而是”最多写这么多”。AI会根据Prompt自动决定实际输出多少。

Max Tokens实战技巧

技巧1：先小后大

第一次使用时，先设置一个较小的值（比如500），看AI能写出多少内容。如果AI停在了话说到一半的地方，下次再增加Max Tokens的值。

技巧2：用Prompt控制长度

与其依赖Max Tokens，不如在Prompt中明确告诉AI你想要的字数：

  • “请用200字概括”
  • “写一个3段的总结”
  • “控制在5句话以内”

技巧3：注意上下文窗口

每个AI模型都有上下文窗口限制（通常是4K-128K tokens），输入和输出的总和不能超过这个限制。如果你的Prompt很长，相应的Max Tokens就要减少。

🔍 Presence Penalty详解：防止重复

什么是Presence Penalty？

Presence Penalty（存在惩罚）用于鼓励AI使用新的词汇和表达，避免反复使用同样的词。

工作原理：

  • 如果一个词已经在之前的输出中出现过，再次出现的”成本”就会增加
  • Penalty值越高，AI越倾向于使用不同的词汇
  • 适合用于生成需要多样化表达的内容

Presence Penalty实战建议

Penalty值效果适合场景0.0 – 0.1默认值，无特别影响通用场景0.2 – 0.4鼓励使用新词汇写作、文案0.5 – 0.8强烈鼓励词汇多样性长文创作> 0.8可能影响表达连贯性慎用

实际例子

不使用Presence Penalty：

Prompt: "介绍人工智能的发展历史"
结果：文章中"人工智能"这个词可能出现15次，"技术"出现12次，同一个词反复出现

使用Presence Penalty=0.5后：

Prompt: "介绍人工智能的发展历史"
Presence Penalty: 0.5
结果：文章中会用"AI"、"机器智能"、"智能系统"、"该技术"等不同表达，词汇更丰富

🛠️ 参数组合模板

模板1：代码与技术文档

Temperature: 0.2
Top-P: 0.85
Max Tokens: 2000
场景：写代码、写技术文档、修复Bug

模板2：日常对话与聊天

Temperature: 0.6
Top-P: 0.9
Max Tokens: 800
场景：客服对话、私人助手、日常聊天

模板3：营销与创意内容

Temperature: 0.85
Top-P: 0.92
Max Tokens: 1500
场景：写广告语、写文案、头脑风暴

模板4：长文与报告

Temperature: 0.5
Top-P: 0.88
Max Tokens: 3500
场景：写文章、写报告、写方案

⚠️ 新手避坑指南

坑1：所有场景都用同一个参数

很多新手觉得”调一次就够了”，结果：

  • 用写代码的参数去写文案 → 广告语无聊透顶
  • 用写文案的参数去写代码 → 代码有各种奇怪bug

避坑：不同任务用不同参数组合，建议收藏上面的模板。

坑2：Temperature越高越好

有人觉得”AI不听话是因为太保守”，把所有任务都设成Temperature=1.0。

  • 结果：写出来的代码千奇百怪，邮件语法错误，报告逻辑混乱

避坑：高Temperature只适合创意场景，事实性、准确性任务必须用低温度。

坑3：Max Tokens设置不合理

设置太小 → AI话说到一半被截断
设置太大 → AI废话连篇停不下来

避坑：

  • 先用小值测试（比如500），看够不够
  • 不够再逐步增加
  • 尽量让Prompt本身控制输出长度，而不是依赖Max Tokens

坑4：忽视Top-P只调Temperature

新手只关注Temperature，忽视Top-P的作用。

  • Temperature=0.2 + Top-P=1.0 → 仍然可能选到”奇怪”的词

避坑：两个参数配合使用，低Temperature时把Top-P也调低（0.8左右）效果更稳定。

💡 今日实战练习

练习1：调参对比

用同一个Prompt，不同参数设置，对比输出：

Prompt: “为奶茶店写一句宣传语”

参数TemperatureTop-P输出对比组合A0.20.8太保守，可能重复老套的”香浓顺滑”组合B0.70.9平衡，有创意但不离谱组合C1.00.95非常创意，可能惊艳也可能离谱

练习2：场景参数匹配

为以下场景选择合适的参数：

  1. 帮老板写一封正式的商务邮件
  2. 给女朋友写一首藏头诗
  3. 写一个Python的快速排序函数
  4. 给新产品想10个名字

参考答案：

场景TemperatureTop-PMax Tokens商务邮件0.30.85800配图藏头诗0.850.92500快速排序0.150.81500产品命名0.90.951000

练习3：参数问题诊断

看看下面的输出问题，应该调什么参数？

问题1：AI写的代码每次都不一样，有bug

  • 当前参数：Temperature=1.0, Top-P=0.95
  • 问题诊断：温度太高，代码随机性太大
  • 解决方案：Temperature降到0.2左右

问题2：AI写的文章同一个词反复出现

  • 当前参数：Temperature=0.6, Top-P=0.9
  • 问题诊断：缺少词汇多样性控制
  • 解决方案：增加Presence Penalty=0.3-0.5

问题3：AI写报告总是截断，写一半就没了

  • 当前参数：Temperature=0.5, Top-P=0.9, Max Tokens=500
  • 问题诊断：Max Tokens太小
  • 解决方案：Max Tokens增加到2000-3000

问题4：AI的广告语太保守，没有吸引力

  • 当前参数：Temperature=0.2, Top-P=0.8
  • 问题诊断：温度太低，缺乏创意
  • 解决方案：Temperature提高到0.8-0.9

练习4：完整参数配置练习

为以下每个场景写出完整的参数配置：

场景A：帮用户写一封英文请假邮件

  • 需要正式、语法正确、表达清晰
  • 邮件长度约150字

场景B：给奶茶店写10个朋友圈宣传语

  • 需要创意、有吸引力、吸引眼球
  • 每个宣传语不超过20字

场景C：解释什么是区块链

  • 需要通俗易懂、有例子、长度适中
  • 约500字左右

参考答案：

场景TemperatureTop-PMax TokensPresence PenaltyA. 请假邮件0.30.855000.1B. 宣传语0.90.958000.3C. 解释区块链0.60.910000.2

💡 今日小结

今天我们学习了让AI输出稳定可控的四大参数：

核心参数回顾

参数核心作用记忆口诀Temperature控制创意程度温度越高越”发烧”，越有创意也越容易跑偏Top-P控制候选范围P越大选择越多，大海捞针的机会越大Max Tokens控制输出长度Token就是字数，上限设多少写多少Presence Penalty防止词汇重复Penalty就是”惩罚”，重复使用要扣分

参数调整的优先级

当你遇到问题时，按这个顺序检查：

  1. 先看任务类型 → 创意任务还是准确性任务？
  2. 再调Temperature → 太高就降低，太低就提高
  3. 配合Top-P → 低温度时适当降低Top-P
  4. 检查Max Tokens → 够不够长？会不会截断？
  5. 最后看重复 → 词汇重复太多加Presence Penalty

最重要的心态

参数调优是一个“感知”的过程，不是机械地背数值。同一个任务，可能A的Temperature=0.6效果最好，B的Temperature=0.8才满意——因为每个人的”刚刚好”不一样。

建议：多用、多试、多感受，找到最适合你的默认配置。

📋 今日产出

学完今天的内容，你应该：

  1. ✅ 理解Temperature、Top-P、Max Tokens、Presence Penalty的作用
  2. ✅ 能为不同场景选择合适的参数组合
  3. ✅ 收藏几个常用的参数模板
  4. ✅ 理解为什么”调参”是Prompt工程的重要环节
  5. ✅ 掌握参数问题诊断的思路

🔮 明日预告

> 明天我们将学习一个让AI解决复杂问题的”杀手锏”——思维链（Chain of Thought）。这是让AI从”胡说八道”到”有理有据”的关键技术，学会后你可以让AI做数学题、分析问题、逻辑推理能力提升10倍！