调了一上午 DeepSeek 参数，我终于摸透了 temperature 和 Top K 的真实作用

真去翻文档才发现，大模型说话的“脑洞大小”，原来靠好几个参数一起控制。之前全用默认值，可不就是要么保守要么放飞吗。

大模型 “造句”，本质是在玩概率抽奖

说出来可能有点反直觉，大模型写东西，其实根本不懂自己在写什么。它每蹦一个词，都是在上一个词的基础上，算出所有候选词的概率，然后按规则挑一个。 就好比“你好”这俩字说完，后面接“吗”的概率是30%，接“啊”是20%，接“呀”是10%，剩下还有一堆奇奇怪怪的词各占一点。模型就是从这一堆候选里，挑一个接上去，然后再用这个新词，算下一个。 以前以为挑词就是选概率最高的那个，后来才知道根本不是。要是每次都选第一名，那输出就永远死板，同一句话问十遍，结果全一模一样。 怎么让它既有变化又不瞎来？就是靠temperature和Top K这俩参数打配合。

temperature：把概率差拉大还是抹平

先说temperature，温度值，范围一般0到1。 你可以把它理解成一个“概率放大器”。数值越低，高概率的词优势就越大，模型越倾向于选最稳妥、最常见的答案；数值越高，各个候选词的概率差距就被抹平，冷门词也有机会被选上。 打个比方，班里选代表，第一名30票，第二名20票，第三名10票。temperature=0.2的时候，相当于把票数差拉得特别大，第一名几乎稳赢，基本不会出意外；temperature=0.8的时候，相当于大家的票数差被缩小了，第二名、第三名也有不小的概率能选上，结果就更随机。 一开始把温度拉到0.9，想让散文更有灵气，结果写三句就跑题，就是因为冷门词出镜率太高，模型顺着顺着就歪了。

Top K：先把没竞争力的候选直接筛掉

光有temperature还不够，这时候Top K就上场了。 Top K更简单粗暴：先把所有候选词按概率从高到低排序，只留前K个，剩下的直接淘汰，连参选资格都没有。后面不管temperature怎么调，都只会在这K个词里面选。 还是刚才选代表的例子，K=4的话，就只在前四名里面投票，第五名往后哪怕温度再高也没机会。 之前踩过一个坑，以为K越大越随机，其实刚好反过来。K越大，候选池越大，冷门词越多，配合高温度就容易放飞；K越小，候选都是高概率的靠谱词，就算温度高，也不容易跑出圈。

俩参数搭着用，才是正确打开方式

说实话一开始分开调，要么只动temperature，要么只改Top K，效果始终差强人意。后来自己试了十几组参数，才摸出点门道——这俩得搭配着来。 当时把两组参数反过来试了下，效果惨不忍睹，才明白这俩参数不是越大越好，也不是越小越好，得凑对。 亲测好用的搭配就两种： 一种是低温度+大Top K。比如temperature=0.2，Top K=8。温度低保证了整体风格严谨，不容易胡说；Top K大一点，又能保证信息量，不会输出干巴巴的套话。这种就适合写代码、写合同、做信息整理这类要准的场景。 另一种是高温度+小Top K。比如temperature=0.8，Top K=4。温度高能保证创意和灵气，小Top K又把边界卡死了，再怎么发挥也都是高概率的靠谱词，不容易跑题。刚好对应散文生成的需求，创意不跑偏。 反过来就很坑：温度高+Top K也大，基本等于放飞自我，幻觉满天飞；温度低+Top K也小，输出就跟机器人报菜名似的，毫无可读性。

光懂参数不够，写业务还得靠流水线

参数摸明白之后，写了第一版代码，全是硬编码：prompt直接写死在字符串里，请求参数拼半天，返回结果还要自己一层层剥对象取content。 写的时候挺快，改的时候哭了。今天想加个主题变量，明天想换个模型，后天又想加个输出格式校验，每改一次都要在大段字符串里找位置，特别容易改错。 后来想起LangChain，之前总觉得这玩意儿是玄学，不就是封装了一层接口吗？真用了才知道，香是真的香。

为什么我开始用 LangChain

其实LangChain说穿了，就是个AI工作流的编排工具。lang是语言，chain是链条，把大模型工作流上的每个节点串起来。 以前写AI逻辑，是从prompt拼接、到调用模型、到解析结果，全写在一个函数里，耦合得一塌糊涂。LangChain的思路是，把每个环节拆成独立的模块：提示词是一个模块，大模型是一个模块，输出解析是一个模块，然后用pipe方法把它们串成一条流水线。 这样做好处太明显了：想换提示词模板，不动模型代码；想换模型，不动解析逻辑；以后想加个工具调用，直接在链条中间插一节就行。

PromptTemplate：把提示词从代码里抽出来

第一个好用的模块就是PromptTemplate。 以前写prompt，都是模板字符串里嵌变量，变量多了看着特别乱，而且业务方改prompt还要找开发改代码。用PromptTemplate就相当于把提示词做成了模板，只留变量占位符，传什么参数进去就生成什么提示词。 这个散文生成的例子里，主题就是变量，模板里写好风格、字数要求，每次调用传不同的theme就行，模板和业务逻辑完全分开，维护起来舒服太多。 说句实在的，做AI应用到最后，大部分迭代都是在改prompt，把模板抽出来单独维护，绝对是越早做越赚的事。

输出解析器：别再自己剥返回值了

第二个省心的是输出解析器，比如StringOutputParser。 以前调用大模型接口，返回结果是个嵌套很深的对象，你得写res.choices[0].message.content才能拿到纯文本，万一接口结构变了，或者换了模型厂商，还要跟着改。 用StringOutputParser就不用管这些，它自动帮你把模型输出里的纯文本内容抽出来，链条走完直接拿到字符串，省了好多重复代码。以后想换成JSON解析，换个解析器就行，不用动别的地方。

pipe 一下，整条工作流就串起来了

最爽的还是pipe方法，把模块按顺序一连，一条工作流就成了。 就像工厂流水线：原料（主题变量）先进提示词模板车间，加工成完整的prompt；然后送进大模型车间，生成回复内容；最后进解析车间，打包成纯文本出厂。 代码里就三行：prompt.pipe(model).pipe(parser)，清晰得不行，谁看了都知道这条链路是干嘛的。

跑通的最小 Demo，拿去就能用

说了这么多，上点实际的。这是整理之后的最小可运行代码，对接DeepSeek，分了创意和严谨两条链路，直接改配置就能用。

import dotenv from 'dotenv';
dotenv.config();

import { ChatOpenAI } from '@langchain/openai'
// 把大模型输出解析成纯文本，不用自己剥对象
import { StringOutputParser } from '@langchain/core/output_parsers';
// 提示词模板，业务改文案不用动逻辑
import { PromptTemplate } from '@langchain/core/prompts';

// 创意向模型：温度高+TopK小，有灵气不跑偏
const creativeModel = new ChatOpenAI({
    model: 'deepseek-v4-flash',
    temperature: 0.8, // 增强创意发散
    topK: 4, // 仅在前4个高概率词里采样，管住跑偏
    maxToken: 600,
    apiKey: process.env.DEEPSEEK_API_KEY,
    configuration: {
        baseURL: 'https://api.deepseek.com/v1', // 注意这里要带/v1，我漏写卡了十分钟
    }
})

// 严谨向模型：温度低+TopK大，准确又有信息量
const preciseModel = new ChatOpenAI({
    model: 'deepseek-v4-pro',
    temperature: 0.2, // 保守输出，尽量稳妥
    topK: 8, // 更大的候选池，保证信息完整度
    maxToken: 600,
    apiKey: process.env.DEEPSEEK_API_KEY,
    configuration: {
        baseURL: 'https://api.deepseek.com/v1',
    }
})

// 提示词模板：只改模板不动逻辑
const storyPrompt = PromptTemplate.fromTemplate(
    `请写一篇短篇散文，主题：{theme}
风格温柔治愈，篇幅200字左右，不要分段，文字细腻有画面感。`
)

// 输出解析器：统一返回纯文本
const outputParser = new StringOutputParser();

// 创意写作流水线
const creativeChain = storyPrompt.pipe(creativeModel).pipe(outputParser)

// 严谨写实流水线
const preciseChain = storyPrompt.pipe(preciseModel).pipe(outputParser)

async function runWriteDemo() {
    const theme = "秋日山野晚风";
    console.log('创意写作模式输出：');
    const creativeText = await creativeChain.invoke({theme});
    console.log(creativeText);
    console.log('n严谨写实模式输出：');
    const preciseText = await preciseChain.invoke({theme});
    console.log(preciseText);
}

runWriteDemo().catch(err => console.error(err))

踩坑提醒 有两个坑替你们踩过了，别再往里跳：

1. baseURL 必须带上/v1后缀，不然会报404，对着配置文件瞅了半小时才发现少了一截。
2. LangChain 的ChatOpenAI类里，参数是驼峰写法topK、maxToken，别写成下划线格式，传了也不生效，坑得很。

跑通之后，又翻了翻源码

其实一开始对LangChain的pipe方法挺好奇的，以为有什么黑魔法，特意去翻了下核心源码。 结果挺意外的，没什么复杂的东西，本质就是函数组合。pipe方法就是把上一个节点的输出，当成下一个节点的输入，依次调用。整条chain调用invoke的时候，就按顺序把数据传下去，每个节点只管自己的事。 说白了，它就是帮你把“调用prompt模板 -> 调用大模型 -> 解析输出”这个重复流程给封装好了，同时给所有模块定了统一的输入输出规范。这样不管是官方的模块还是自己写的，只要符合规范，就能往链条里插，扩展性特别好。 以前觉得这种框架是过度设计，真做业务了才明白，统一规范太重要了。不然每个人写的AI逻辑都不一样，维护起来就是灾难。

这几天踩过的坑，你们别再踩了

说几个实打实的教训，都是一行行试出来的： 第一个坑，迷信单参数。一开始以为控制随机性就调temperature，结果调高调低都不对，后来才知道Top K是管边界的，俩是一套组合拳。 第二个坑，参数搭配搞反。试过temperature拉到0.9，Top K也开到20，结果输出直接放飞，主题都抓不住；也试过temperature0.1，Top K设成2，输出干得像说明书。记住：高温度配小Top K，低温度配大Top K，基本不会错。 第三个坑，所有逻辑塞一条链。一开始把创意和严谨模式写在一个函数里，靠传参切换，后来越写越乱。拆成两个chain实例，复用同一个prompt和解析器，代码干净，扩展也方便。

最后说几句掏心窝的

捣鼓这几天，最大的感受是，AI开发不是玄学，很多东西拆开来都有章法。 第一，控制大模型的输出风格，从来不是一个参数的事。temperature管“敢不敢冒险”，Top K管“有多少选项”，两者配合才能在创意和靠谱之间找到平衡点。 第二，做AI应用，解耦很重要。prompt、模型、解析逻辑分开，以后改哪动哪，别全堆在一个函数里，前期省事后期坑。LangChain这类框架的核心价值，其实就是帮你把这些边界划清楚。 第三，参数不是万能的。别指望靠调temperature和Top K解决幻觉问题，它俩只能管风格，管不了事实对错。要准确率，该上RAG上RAG，该加工具加工具，参数只是锦上添花。

其实还有很多参数没聊，比如Top P、频率惩罚这些，但日常开发里，把temperature和Top K玩明白，大部分场景都够用了。剩下的可以慢慢摸索，踩踩坑反而记得牢。

你平时调大模型参数有啥独门技巧？或者踩过什么离谱的坑？评论区留个言，一起长长见识。