一文讲透 Temperature 与 LangChain：从控制模型随机性到组装 AI 工作流

一文讲透 Temperature 与 LangChain：从控制模型随机性到组装 AI 工作流

今天我们来聊聊一个非常实际的话题——如何用 LangChain 把大模型的随机性参数玩明白，并且真正组装成一条可用的 AI 工作流。这篇文章会沿着一条清晰的路径展开：先搞清楚大模型为什么能“随机说话”，再把这些参数落地到代码里，最后看看 LangChain 这个框架究竟能做什么。

先看整体脉络。整个学习路径有三个文件，它们的依赖关系非常清晰：

 复制代码readme0721.md（参数理论：Temperature、Top-k、Top-p 是什么）
       ↓  理论落地
main.js（实践代码：双温度模型 + PromptTemplate + pipe 串联）
       ↓  框架展开
langchain-explained/readme.md（LangChain 全模块生态概览）

教学逻辑是

：先搞懂三大随机性参数怎么控制输出，再用 LangChain 把它们写进代码，最后俯瞰整个框架的能力边界。

---

一、大模型是怎么"随机"说话的？

大模型每生成一个词，本质是从一个概率分布里做一次"抽奖"。输入「你好」，模型会说：

 复制代码下一个词候选：
  「吗」35%   「啊」20%   「世界」15%   「我是AI」10%   「呀」7%   「哈哈」5%

从这个概率分布出发，有三个参数可以玩。

Temperature：马太效应的调节阀

底层公式很简单：

 复制代码调整后分数 = logits / Temperature
最终概率   = softmax(调整后分数)

Temperature < 1（低温）——除以一个小数放大差距，强者更强：

 复制代码T=0.3: 吗 72%   啊 18%   世界 6%   我是AI 3%
       ↑ 几乎锁死在「吗」

Temperature > 1（高温）——除以一个大数拉平差距，人人有机会：

 复制代码T=2.0: 吗 22%   啊 18%   世界 17%   我是AI 15%   呀 13%
       ↑ 百花齐放

不是——它只调整概率分布的"陡峭度"，最终还是从新分布里随机采样。T=0.3 时「吗」占 72%，但依然有 28% 的概率抽到别的词。

：Temperature 是"马太效应调节阀"。写代码/合同设 0.2，搞文艺创作设 0.8。

Top-k 和 Top-p：砍掉垃圾的过滤器

Temperature 设高了之后，那些只占 1%-2% 的垃圾词也被一起拉高概率了——输出会不会崩？这就引出第二个参数

。

的做法非常粗暴：只保留概率最高的 k 个词，其余的全砍掉。

 复制代码用户输入「你好」：
原始 → 吗 35%  啊 20%  世界 15%  我是AI 10%  呀 7%  哈哈 5%  哦 4%...Top-k=4 → 只留：吗、啊、世界、我是AI，其他概率归零，永无出头之日

而

（核采样）换了一种砍法——从高到低累加概率，加到你指定的 p 值就停。p=0.7 时，35%+20%+15%=70%，刚好在「世界」这里停住，后面全砍。

一句话：

两个参数怎么配合？

实际用法是

：Top-k 画安全圈，Temperature 在圈里跳舞。

 复制代码原始概率 → ① Top-k 砍掉垃圾 → ② Temperature 调平/调陡 → ③ 随机采样

以 k=4, T=0.5 走一遍：

 复制代码原始：吗35%  啊20%  世界15%  我是AI10%  ...① Top-k=4 → 保留前4个，重新归一化：吗50%  啊29%  世界21%
② T=0.5   → 加剧分化的马太效应：吗78%  啊16%  世界6%
③ 随机采样 → 大概率输出「你好吗」

：temperature 太高 + top-k 太小 = 池子里瞎搅和，输出要么千篇一律；temperature 太低 + top-k 太大 = 候选虽多但全都挤向同一个词，输出保守没有想象力。要根据业务场景调。

---

二、LangChain 实战：把参数落地成代码

为什么要用 LangChain？

直接调 OpenAI API 的话你得这么写：

 复制代码const prompt = '请写一篇散文，主题：' + theme + '...'  // 字符串拼接，换主题得改代码
const res = await fetch('...', { body: JSON.stringify({ model, temperature }) })
const data = await res.json()
const text = data.choices[0].message.content  // 手动剥好几层壳

Prompt 散落在代码各处，返回结果要手取 .content，步骤一多就成面条。LangChain 把这些都模块化了。

第一步：创建两个不同温度的大模型

 复制代码// 创意型：高温 + 小 Top-k = 发散但不跑偏
const creativeModel = new ChatOpenAI({
  model: 'deepseek-v4-flash',   // 轻量、速度快
  temperature: 0.8,             // 高温 → 更多可能性
  topK: 4,                      // 只从概率前4的词汇里采样
  maxToken: 600,
})// 严谨型：低温 + 中 Top-k = 准确且完整
const preciseModel = new ChatOpenAI({
  model: 'deepseek-v4-pro',     // 更强模型，质量优先
  temperature: 0.2,             // 低温 → 确定性输出
  topK: 8,                      // 更大的候选池，保证信息完整性
  maxToken: 600,
})

代码里的 temperature 和 topK 和前面的理论一一对应：creative 是"高温小池"，precise 是"低温大池"。

第二步：用 PromptTemplate 把提示词变成模板

 复制代码const storyPrompt = PromptTemplate.fromTemplate(
  `请写一篇短篇散文，主题：{theme}
  风格治愈温柔，篇幅200字左右，不要分段，文字细腻有画面感。`
)

字符串拼接时，prompt 的结构逻辑和业务数据混在一起，换个主题就得改代码。PromptTemplate 把**不变的结构（模板）

可变的数据（变量）**拆开——同一个模板，换不同的 {theme} 就直接复用。Agent 应用里，同一套 AI 逻辑换不同用户身份（诗人 vs 律师），变的只是参数，代码完全不动——这就是模板化的价值。

第三步：用 OutputParser 自动剥壳

 复制代码const outputParser = new StringOutputParser()
// 内部等价于：result.content ?? result.toString()

单独用确实不值。但当你把它挂在 chain 末尾时，价值就出来了——链条外面拿到手直接就是干净的字符串，不用再 .content。管道里的最后一道工序。

第四步：用 .pipe() 组装传送带

 复制代码const creativeChain = storyPrompt     // 1️⃣ 填入 {theme}，产出完整 prompt 字符串
  .pipe(creativeModel)                // 2️⃣ LLM 推理，产出消息对象
  .pipe(outputParser)                 // 3️⃣ 剥出 content，产出纯字符串const preciseChain = storyPrompt
  .pipe(preciseModel)
  .pipe(outputParser)

pipe 做的事非常简单——

，省掉你手动从中间环节取结果再传递。执行顺序就是顺着代码从上到下、从左到右：

 复制代码{ theme: '秋日山野晚风' }
    → ① storyPrompt.invoke() → 完整 prompt 字符串
    → ② creativeModel.invoke() → { content: "晚风轻拂...", ... }
    → ③ outputParser.invoke() → "晚风轻拂..."

你最后只需一句 creativeChain.invoke({ theme })，整条链自动流转。

第五步：启动流水线

 复制代码async function runWriteDemo() {
  const theme = "秋日山野晚风"  console.log('创意写作模式')
  const creativeText = await creativeChain.invoke({ theme })
  console.log(creativeText)  // 散文风格，文字细腻有画面感  console.log('严谨写实模式')
  const preciseText = await preciseChain.invoke({ theme })
  console.log(preciseText)   // 更克制、更准确的表达
}runWriteDemo().catch(err => console.error(err))

顶层 .catch() 兜住一切——API Key 没配、网络超时、{theme} 忘传——避免 Node 直接崩出 UnhandledPromiseRejection。

---

三、LangChain 还能做什么？

走完最简工作流，整个框架的全景也就清晰了：

模块	职责	一句话
Prompts	模板化提示词	结构变数分离，复用不重写
Messages	标准化对话格式	System / Human / AI 三类，所有 LLM 通用
Output Parsers	解析返回内容	String / JSON / Structured 三种解析器
Tools	给模型挂外部能力	模型自己决定调用工具（查天气、搜资料）
Vector Stores	向量化存储+搜索	RAG 核心——让模型"读取"海量文档
Document Loaders	加载各类文件	PDF、TXT、CSV → 统一文档对象
Text Splitters	切分长文本	按 chunkSize 切块，overlap 保留上下文

：Messages 管理对话历史 → Tools 提供外部能力 → PromptTemplate 设定人设 → 模型自主规划什么时候调用什么工具。而我们今天走通的最简链——PromptTemplate → LLM → OutputParser——正是这一切的基础。

---

学习回顾

今天按"概念 → 落地 → 全景"的顺序覆盖了：

1. Temperature（概率分布缩放）、Top-k（固定名额裁剪）、Top-p（动态阈值裁剪）及三者搭配
2. ChatOpenAI 构造函数里 temperature / topK 的实际配置
3. 为什么需要 LangChain——从手动拼字符串到模块化工作流
4. PromptTemplate 把"结构"和"数据"分离
5. StringOutputParser 自动取 .content
6. .pipe() 管道串联——自动传递，代码即流水线
7. 同一模板 + 不同温度 → 不同风格的 AI 输出
8. LangChain 全模块：从 Prompts 到 Agent 的生态全景

下一步可以沿 Tools → Agent 方向深入自主决策型应用，或走 RAG 路线做私有知识库问答。