在了解 LLM 的基本工作方式之后，我们来看一个实际体验中很常见的问题：
为什么同一个模型、同样的 Prompt， 有时表现很好，有时却很糟糕？
2.1 一个常见困惑：为什么效果忽好忽坏？
在实际使用中，我们可能都遇到过，选择了更牛的模型、也按照要求反复调整了提示词，在demo中表现挺好，可是只要一上线，各种问题就来了，如
•输出不稳定•有时啰嗦，有时过于简短•出现不符合现状或者自相矛盾的结果
然后我们能干啥呢？ 换个模型？ 调整下提示词？ 或者随机改一下传参？ 即便是某一次碰巧搞定了，也不知道为啥。 将确定的编程过程整成了玄学，一个雷放在那儿、随时可能爆炸，这可以说是一个码农的噩梦了。
但问题到底出在什么地方呢？LLM开发让人头疼的一点也在于此，不像我们的业务代码，还可以通过debug，单步到核心逻辑去研究一下；大模型对于开发者而言，更多的是一个黑盒，想调试也束手无策
一般这种场景下，问题有可能并不在模型本身，而在于：
你是否意识到：参数本身就是“行为策略”？
当我们说 “参数是行为策略”，并不是指那些随意调整的 “玄学数值”。 比如temperature和top_p这两个最常用的参数，很多地方将他们描述为 “控制创造性的调味料”，这种描述挺贴切的，但是在具体的编码活动中，我们可能更希望有一个确切的数值标准，如果有不同的应用场景的最佳参数设置实践，那就更完美了。
接下来，我们仔细盘一下这两个参数 —— 它们到底在控制 LLM 的什么行为？
2.2 temperature / top_p 不是“调味料”
网上很多教程中，将temperature解释为“控制创造性，越大越发散”的核心控制参数
这句话挺贴切的，从工程化的角度改怎么理解呢？。
使用更专业或者不那么容易懂语言进行解释
temperature 决定：模型是否允许偏离当前最优预测路径。
•temperature 越低 → 越倾向选择概率最高的 token•temperature 越高 → 越允许探索次优甚至低概率路径的 token
从上面的描述，也可以得出一个直观的感受，temperature的取值，可影响
•输出是否可复现•行为是否稳定•是否适合被系统消费（而不仅是人阅读）
那 top_p 又是什么？
如果说 temperature 是“整体发散程度”，那top_p更像是：
你允许模型在“多大的候选范围”里做选择。
•top_p = 0.9→ 只从累计概率前 90% 的 token 中选•top_p = 1.0→ 几乎不做限制
请注意，所有的参数都不是独立生效的，他们必然是相互影响的（感觉像是废话，参数都是一起传给大模型的，肯定是一起工作的啊🤣）
在实际的开发过程中，不妨借鉴一下 “控制变量法” 的思路来进行调参：
•固定其中一个•调另一个作为主策略
显然这又是一个痛苦和煎熬的反复拉扯过程~
2.3 model：不是“越强越好”，而是“是否匹配任务”
有一个反直觉的事实表现：
模型越大、越新，系统并不一定表现就越好。
在真实的应用抉择上，模型选择其实是一个多方面的工程权衡问题：
•能力上限•成本•延迟•行为一致性
比如几个经典的应用场景下对模型的要求：
•规则解释 / 企业知识问答•更需要稳定、克制•不一定需要最“聪明”的模型•创意生成 / 头脑风暴•可以接受不确定性•模型探索能力更重要
因此，一个更健康的视角是：
model 是能力边界，参数决定你是否触碰这个边界。
2.4 max_tokens：你允许系统“说到什么程度”
max_tokens经常被当作一个简单的“长度限制”。
但在系统层面，它真正控制的是：
模型是否被允许“继续展开思路”。
这在以下场景尤为关键：
•多步推理•解释性回答•Agent 场景中的中间推理
如果max_tokens过低，导致推理会被强行截断+输出容易“看似合理但不完整”
如果过高，也会导致成本上升+模型更容易开始“自由发挥”
所以它本质上是：
对“思考深度”的一种工程约束。
看到这里不知道你脑海里是否和我有相同的感觉，这种大模型调用的传参，感觉变成了一个经验学科了，只有实际体验得多了，才知道什么场景、选择什么样的传参🤣
2.5 stream：不是体验优化，而是系统架构选择
stream可以简单的理解为能不能一边生成一边显示结果
在复杂系统中，它还包含着一些潜在的含义：
•是否允许增量消费输出•是否能在生成过程中：•中断•校验•触发后续逻辑
在 Agent / Tool / 长文本场景中：
•非流式 → 一次性黑箱结果•流式 → 可观测、可干预
从上面的描述也可以看出，流式调用除了体验的优化之外，还有一些系统约束层面的能力
LLM可以是“一次性函数调用”之外，作为系统的一部分存在
2.6 用「任务类型」来决定参数，而不是凭感觉
上面说了这些参数，那么在我的应用场景中，具体应该怎么设置呢， 全部用默认参数吗？
显然一个更合理的做法是：
先判断你在做什么任务，再决定参数策略。
比如根据实际场景，我是否需要一个发散性的回复，例如
•代码生成：•temperature 低•输出结构稳定•创意写作：•temperature 高•接受一定不确定性
一组参数配合调参，应对不同的应用场景：
2.7 把参数当成策略的一部分（伪代码示例）
明确了 “任务类型决定参数策略” 的逻辑后，接下来我们再来看一下，代码实现上，可以怎么进行表现（好像也是简单的if/else 😊）
def build_llm_config(task_type): if task_type == "fact_query": return { "model": "stable-model", "temperature": 0.1, "top_p": 0.9, "max_tokens": 500, "stream": False } if task_type == "code_generation": return { "model": "code-model", "temperature": 0.2, "top_p": 0.95, "max_tokens": 1500, "stream": False } if task_type == "agent_reasoning": return { "model": "reasoning-model", "temperature": 0.3, "top_p": 0.9, "max_tokens": 3000, "stream": True } if task_type == "creative": return { "model": "creative-model", "temperature": 0.9, "top_p": 1.0, "max_tokens": 800, "stream": True }2.8 本章小结
这一篇的内容主要介绍了大模型访问的几个关键传参，并且声明了大模型表现与参数配置之间的关系
•模型决定能力上限•参数决定行为方式•行为决定系统是否可靠
在后面的章节中我们也会逐渐发现
•Prompt 是约束•参数是策略•RAG / Tool / Memory 是补偿机制
所有的这一切，都是围绕着如何让一个不可靠的模型，在系统中变得可控。努力
既然参数这一块已经说明，接下来自然就是重头戏，如何与LLM进行对话交流，所以下一部分，我们将正式进入Prompt工程，但不从“怎么写”开始，而是先回答：
Prompt 为什么会失败？
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
