【Java】深入解析Java字符串常量池与StringBuilder：从内存原理到工程实践
2026/7/1 5:45:58
《AI 知识卡片》第 02 期 · 一个参数，决定 AI 是严谨还是放飞
同一个问题，你问 AI 两遍：有时两次答得几乎一样，有时却差挺多？这个“时而稳定、时而多变”，其实是可以调的。控制它的旋钮，就叫temperature（温度）。
一句话：温度越低，AI 越稳定、越确定；温度越高，AI 越爱变花样、越放飞。
从 LLM 的工作原理讲起
要理解temperature，得先知道 LLM每一步在做什么。
当 LLM 生成下一个字（token）时，它并不是直接写出一个答案，而是先算出“词汇表里每个 token 出现的概率”。比如给定前文“今天天气真”，模型内部会算：好（32%）、热（18%）、冷（12%）、不错（10%）、糟糕（5%）、…（后面可能还有几万个候选，概率都很小）。
然后，它照着这张概率表来挑词。而temperature，管的就是它挑得有多守规矩。
低温和高温的差别
你可以把温度理解成在调整这张表里“高分词和低分词的差距”：
温度调低：差距被拉大——本来领先的“好”会变得更强，几乎独占概率。于是 AI 每次都挑它，输出稳定、确定、可复现，但也保守、没惊喜。
温度调高：差距被抹平——像“冷”“糟糕”这些低分词也有了出头的机会。于是输出多样、有创意，但也更容易跑偏。
Temperature 就是用来“掰弯”这张概率表的旋钮。温度低，强者通吃；温度高，雨露均沾。
那到底该怎么设
记住一句口诀就行：要“准”往低拧，要“创意”往高拧。
实战速查表：
| 场景 | temperature | 说明 |
|---|---|---|
| Agent 决策 / 工具调用 | 0 ~ 0.2 | 选错一步全盘乱，要最稳 |
| 分类 / 判断 | 0 | 要可复现，同样输入同样结果 |
| 信息提取 / 翻译 | 0 ~ 0.3 | 要忠实原文，不能自己加戏 |
| 代码 / SQL 生成 | 0 ~ 0.3 | 语法要严谨，不能瞎写 |
| 日常问答 / 内容总结 | 0.3 ~ 0.7 | 既准确又读得顺 |
| 文案 / 起名 / 写作 | 0.8 ~ 1.2 | 要多样、要有花样 |
| 头脑风暴 | 0.9 ~ 1.3 | 就指望它给点意外灵感 |
在代码里，它就是一个参数：
# 写作/起名等要多样 → 温度调高client.chat.completions.create(model="gpt-4o",messages=[...],temperature=1.0)# 调用工具/决策要准、要可复现 → 温度压到 0client.chat.completions.create(model="gpt-4o",messages=[...],temperature=0)两个理解误区
误区一：
以为“温度越高 AI 越聪明”。高温只是让它更敢用冷门词，跟懂不懂、对不对没关系。该答错的，高温下照样错，只是错得更花哨。
误区二：
以为“调低温度能治胡说八道”。压低温度能让它少乱来，但如果模型本来就记错了某个事实，低温只会让它更稳定地答错，稳定不等同于准确。治“幻觉”得靠别的办法（比如把资料喂给它、允许它说“不知道”），这个以后单独聊。
顺便认识几个“兄弟参数”
调 AI 时，温度常和下面几个参数一起出现，大致了解一下：
| 参数 | 职责 | 说明 |
|---|---|---|
temperature | 敢不敢变 | 本文主角，控制随机性高低 |
top_p（核采样） | 在多大范围里挑 | 只在概率最高的一小撮词里选，如0.9= 凑够 90% 概率就够，长尾词不看。值越小越保守 |
top_k | 在多大范围里挑 | 更直接，只在概率最高的 k 个词里选，如50= 只看前 50 个候选 |
max_tokens | 什么时候停 | 输出长度上限，防止啰嗦没完，也能控成本 |
stop | 什么时候停 | 碰到指定的词就立刻收笔，如遇到"\n\n"就停 |
最重要的一条：top_p和temperature一次只调一个，同时拧两个会互相干扰，结果反而难捉摸。
归类理解：temperature管“敢不敢变”，top_p/top_k管“在多大范围里挑”，max_tokens/stop管“什么时候停”。
一句话总结
temperature不改变 AI 懂多少，只改变它敢不敢“乱来”。要稳，压低它；要野，调高它。