浅聊大模型调用参数配置

大模型调用参数实战指南

本文档基于 Spring AI Alibaba 框架实践整理，涵盖大模型调用参数的通用列表、厂商扩展、作用说明，以及 Agent 项目落地场景下的参数配置建议。

适用框架：Spring AI / Spring AI Alibaba（ChatOptions / DashScopeChatOptions）

最后更新：2026-08

[1. 概述](#1. 概述 "#1-%E6%A6%82%E8%BF%B0")
[2. 通用参数列表](#2. 通用参数列表 "#2-%E9%80%9A%E7%94%A8%E5%8F%82%E6%95%B0%E5%88%97%E8%A1%A8")
[3. 典型厂商扩展参数](#3. 典型厂商扩展参数 "#3-%E5%85%B8%E5%9E%8B%E5%8E%82%E5%95%86%E6%89%A9%E5%B1%95%E5%8F%82%E6%95%B0")
[4. 各参数作用详解](#4. 各参数作用详解 "#4-%E5%90%84%E5%8F%82%E6%95%B0%E4%BD%9C%E7%94%A8%E8%AF%A6%E8%A7%A3")
[5. Agent 实战场景与参数配置](#5. Agent 实战场景与参数配置 "#5-agent-%E5%AE%9E%E6%88%98%E5%9C%BA%E6%99%AF%E4%B8%8E%E5%8F%82%E6%95%B0%E9%85%8D%E7%BD%AE")
[6. 参数调整优先级与最佳实践](#6. 参数调整优先级与最佳实践 "#6-%E5%8F%82%E6%95%B0%E8%B0%83%E6%95%B4%E4%BC%98%E5%85%88%E7%BA%A7%E4%B8%8E%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5")
[7. 常见问题速查表](#7. 常见问题速查表 "#7-%E5%B8%B8%E8%A7%81%E9%97%AE%E9%A2%98%E9%80%9F%E6%9F%A5%E8%A1%A8")
附录：本项目参数使用参考

1. 概述

1.1 什么是大模型调用参数

大模型调用参数是一组在调用 LLM（如通义千问、DeepSeek、GPT 等）时传入的配置项，用于控制模型的生成行为，包括：

输出的随机性 / 创造性
输出的长度
输出的格式
输出的终止条件
输出的重复度控制

1.2 参数的分层架构

scss 复制代码

ChatOptions（Spring AI 通用接口）
  ├── model
  ├── temperature
  ├── topP
  ├── maxTokens
  ├── frequencyPenalty
  ├── presencePenalty
  └── stopSequences
        │
        ▼
厂商实现（各厂商特有扩展）
  ├── DashScopeChatOptions  (阿里云百炼)
  │     ├── topK
  │     ├── seed
  │     ├── responseFormat
  │     └── enableSearch
  ├── OpenAiChatOptions     (OpenAI)
  │     ├── seed
  │     ├── responseFormat
  │     └── logitBias
  └── OllamaOptions         (Ollama)
        ├── topK
        └── seed

1.3 参数生效的两个时机

时机	配置方式	作用范围
构建期（Build-time）	`ChatClient.builder().defaultOptions(...)`	对该 ChatClient 的所有请求生效
运行时（Runtime）	`chatClient.prompt().options(runtimeOptions)`	仅对本次请求生效，可覆盖默认值

java 复制代码

// 构建期：全局默认
ChatClient client = ChatClient.builder(chatModel)
    .defaultOptions(DashScopeChatOptions.builder()
        .withTemperature(0.7)
        .build())
    .build();

// 运行时：本次请求覆盖
client.prompt()
    .options(DashScopeChatOptions.builder()
        .withModel("deepseek-r1")
        .withTemperature(0.2)   // 覆盖默认的 0.7
        .build())
    .user("帮我分析这段代码")
    .stream().content();

设计意义：同一个 ChatClient 实例可以被多个请求共享，每个请求通过运行时 options 传入不同模型和参数，无需为每种场景创建新的 ChatClient。

2. 通用参数列表

以下参数由 Spring AI ChatOptions 接口定义，跨厂商通用：

参数	类型	默认值	作用
`model`	String	厂商默认	指定使用的模型
`temperature`	Double	0.7~1.0	采样温度，控制输出随机性
`topP`	Double	1.0	核采样，累积概率阈值
`maxTokens`	Integer	模型上限	生成最大 token 数
`frequencyPenalty`	Double	0.0	频率惩罚，减少重复
`presencePenalty`	Double	0.0	存在惩罚，鼓励新话题
`stopSequences`	List<String>	空	遇到停止序列时终止生成

3. 典型厂商扩展参数

3.1 DashScope（阿里云百炼）扩展

参数	类型	作用
`topK`	Integer	Top-K 采样，只从概率最高的前 K 个 token 中选
`seed`	Long	随机种子，固定后结果可复现
`responseFormat`	DashScopeResponseFormat	输出格式：`TEXT` 或 `JSON`
`enableSearch`	Boolean	启用联网搜索增强回答
`incrementalOutput`	Boolean	流式输出是否增量返回

3.2 OpenAI 扩展

参数	类型	作用
`seed`	Long	随机种子
`responseFormat`	ResponseFormat	输出格式：`TEXT` 或 `JSON_OBJECT`
`logitBias`	Map<Integer, Double>	对特定 token 的生成概率施加偏置
`user`	String	用户标识，用于审计和滥用检测

3.3 Ollama 扩展

参数	类型	作用
`topK`	Integer	Top-K 采样
`seed`	Integer	随机种子
`numCtx`	Integer	上下文窗口大小
`numGpu`	Integer	GPU 层数

3.4 模型能力差异注意事项

重要：并非所有模型都支持所有参数，调参前务必查阅目标模型的 API 文档。

模型类型	支持情况
通用对话模型（qwen-plus、qwen-max 等）	支持全部通用参数 + 厂商扩展
推理模型（deepseek-r1）	通常不支持 temperature 调整，内部已有固定采样策略
轻量模型（qwen-turbo）	支持，但 maxTokens 上限较低
多模态模型（qwen-vl）	支持，部分参数行为与纯文本模型略有差异

4. 各参数作用详解

4.1 temperature（采样温度）

作用：缩放 token 概率分布的"软度"，控制输出的随机性 / 创造性。

原理：在 logits 除以 temperature 后再做 softmax。温度越低，概率分布越尖锐（高概率 token 更突出）；温度越高，分布越平坦（低概率 token 也有机会被选中）。

ini 复制代码

temperature → 0：  输出几乎确定，总是选概率最高的 token
temperature = 1：  原始概率分布
temperature → 2：  分布极度平坦，输出混乱不可控

取值范围：通常 0 ~ 2，实际使用 0 ~ 1.5

值	效果	适用场景
0 ~ 0.3	确定性高，可复现	翻译、代码、分类、工具调用
0.3 ~ 0.7	平衡	通用对话、客服问答
0.7 ~ 1.0	有创造性	文案、创意写作
1.0 ~ 1.5	高度发散	头脑风暴、灵感生成

4.2 topP（核采样 / Nucleus Sampling）

作用：从累积概率达到 P 的最小 token 集合中采样，动态筛选候选集。

原理：将 token 按概率降序排列，累加概率直到达到 P 阈值，只在这个子集中采样。

ini 复制代码

topP = 0.1：  只从累积概率前 10% 的 token 中选（非常保守）
topP = 0.9：  候选集较大，允许更多选择
topP = 1.0：  不做限制，所有 token 都可能被选中

取值范围：0 ~ 1

值	效果	适用场景
0.1 ~ 0.5	候选集小，输出稳定	事实性问答、代码
0.5 ~ 0.8	候选适中	翻译、摘要
0.8 ~ 1.0	候选集大	创意生成

注意：通常不要同时大幅调整 temperature 和 topP，两者作用机制类似，同时调整会导致行为不可预测。建议以 temperature 为主调，topP 保持默认或微调。

4.3 topK（Top-K 采样）

作用：硬性限制只从概率最高的前 K 个 token 中采样。

原理：不管概率分布如何，只保留 top K 个候选，其余直接丢弃。

ini 复制代码

topK = 1：    贪心解码，永远选最高概率的 token（等同 temperature=0）
topK = 50：   从前 50 个候选中采样
topK = 1000： 几乎不限制

取值范围：正整数，通常 1 ~ 1000

值	效果	适用场景
1 ~ 10	极度保守	分类、抽取
40 ~ 50	平衡	通用对话、翻译
100+	宽松	创意生成

4.4 maxTokens（最大生成长度）

作用：限制模型生成的最大 token 数量。

场景	建议值	理由
分类、打标签	100 ~ 500	输出短，省钱且响应快
工具调用参数抽取	200 ~ 500	JSON 通常不长
通用对话回复	1000 ~ 2048	适中长度
长文生成、报告	2048 ~ 8192	需要长输出
代码生成	2048 ~ 4096	代码可能较长

注意：maxTokens 影响成本和延迟。生成 token 越多，费用越高、响应越慢。流式输出时可通过 stopSequences 提前终止。

4.5 frequencyPenalty（频率惩罚）

作用：对已出现 token 的重复生成施加惩罚，惩罚力度与 token 出现频率成正比。

ini 复制代码

frequencyPenalty = 0：    无惩罚
frequencyPenalty = 0.5：  轻微抑制重复
frequencyPenalty = 1.0：  明显抑制重复
frequencyPenalty = 2.0：  强烈抑制，输出可能不连贯

取值范围：-2 ~ 2（负值表示鼓励重复）

适用场景：

生成长文时出现"车轱辘话" → 适当提高
Agent 工具调用失败后反复重试同一动作 → 提高
代码生成 → 保持 0（代码本身有重复模式，惩罚会破坏一致性）

4.6 presencePenalty（存在惩罚）

作用：只要 token 出现过就施加固定惩罚（不看频率），鼓励模型引入新话题。

ini 复制代码

presencePenalty = 0：     无惩罚
presencePenalty = 0.5：   鼓励引入新词
presencePenalty = 1.0：   强烈鼓励新话题

取值范围：-2 ~ 2

与 frequencyPenalty 的区别：

参数	惩罚逻辑	适用场景
`frequencyPenalty`	按 token 出现次数累积惩罚	抑制高频复读
`presencePenalty`	token 出现过就给固定惩罚	鼓励话题多样性

示例：同一批文本中"好的"出现 10 次：

frequencyPenalty 会按 10 次累积加重惩罚
presencePenalty 只记"出现过"一次，固定惩罚

4.7 stopSequences（停止序列）

作用：当模型生成的内容中出现指定的字符串时，立即终止生成。

使用场景：

场景	stopSequences 配置
Agent 多步推理中限制单步输出	`["\n\nHuman:", "\n\nAssistant:"]`
提取结构化数据时遇到结束标记即停	["```", "END"]
限制模型只回答第一点	`["\n2.", "\n第二"]`

4.8 responseFormat（输出格式）

作用：指定模型返回内容的格式。

类型	说明	适用场景
`TEXT`	纯文本输出	自然语言对话
`JSON` / `JSON_OBJECT`	结构化 JSON 输出	Agent 工具参数抽取、结构化数据生成

重要：使用 JSON 格式时，prompt 中应明确说明所需的 JSON schema，否则模型可能返回不完整的 JSON。

4.9 seed（随机种子）

作用：固定随机种子后，相同输入会产生相同（或高度相似）的输出。

适用场景：

场景	是否使用 seed
单元测试、回归测试	是，固定 seed + temperature=0
A/B 对比不同 prompt 效果	是，固定 seed 保证公平对比
生产环境对话	否，保持输出多样性

5. Agent 实战场景与参数配置

5.1 场景分类总览

ini 复制代码

确定性任务（低温）                    创意性任务（高温）
←─────────────────────────────────────────────→

工具调用    NL2SQL    代码生成    通用对话    文案创作    头脑风暴
temp=0~0.2  temp=0~0.2  temp=0.1~0.3  temp=0.5~0.8  temp=0.7~1.0  temp=1.0~1.5

5.2 场景一：Agent 工具调用 / 路由决策

场景描述：Agent 根据用户意图选择调用哪个工具（function calling），或决定执行路径。

核心诉求：决策必须准确、稳定，选错工具会导致整个链路失败。

推荐参数：

java 复制代码

DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.0)        // 决策必须确定
    .withTopP(0.1)               // 候选集极小
    .withMaxTokens(500)          // 工具调用输出不长
    .build();

调参要点：

temperature 设为 0，保证相同输入总是选同一工具
maxTokens 调小，工具调用的 JSON 输出通常很短
优先优化 tool 的 description 和参数 schema，这比调参更重要

5.3 场景二：NL2SQL（自然语言转 SQL）

场景描述：用户用自然语言提问，Agent 生成 SQL 查询数据库。

核心诉求：SQL 语法必须正确，不能"创造"不存在的表名或字段。

推荐参数：

java 复制代码

DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.0)        // SQL 必须精确
    .withTopP(0.1)
    .withMaxTokens(1000)         // SQL 可能较长
    .withResponseFormat(DashScopeResponseFormat.builder()
        .type(DashScopeResponseFormat.Type.JSON)
        .build())                // 结构化输出便于解析
    .build();

调参要点：

temperature 为 0，避免"幻觉"出不存在的字段
用 responseFormat=JSON 保证输出可解析
配合 stopSequences 防止生成多余的解释文本

5.4 场景三：代码生成

场景描述：根据需求描述生成代码。

核心诉求：语法正确、逻辑清晰，但允许有多种合理实现。

推荐参数：

java 复制代码

DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.1)        // 低温保证正确性
    .withTopP(0.3)
    .withMaxTokens(4096)         // 代码可能较长
    .withFrequencyPenalty(0.0)   // 代码有重复模式，不惩罚
    .build();

调参要点：

temperature 低但不为 0，允许合理的变化
不要设置 frequencyPenalty，代码中的重复模式（如 import、return）是正常的
maxTokens 要足够大，避免代码被截断

5.5 场景四：翻译

场景描述：将文本从一种语言翻译为另一种语言。

核心诉求：忠实原文，不允许"发挥"。

推荐参数 （参考本项目 spring-ai-alibaba-translate-example）：

java 复制代码

DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.5)        // 翻译需要一定灵活性但不要发散
    .withTopP(0.7)               // 项目实测值
    .withTopK(50)                // 项目实测值
    .build();

调参要点：

temperature 适中（0.3~0.5），太低翻译生硬，太高偏离原文
可配合 topP 和 topK 微调
Markdown 翻译需要 prompt 中强调保留格式标记

5.6 场景五：通用多轮对话

场景描述：用户与 Agent 进行多轮自然语言对话（如客服、助手）。

核心诉求：回复自然、有上下文连贯性。

推荐参数 （参考本项目 SAAChatService）：

java 复制代码

DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.8)        // 自然对话需要一定发散
    .withResponseFormat(DashScopeResponseFormat.builder()
        .type(DashScopeResponseFormat.Type.TEXT)
        .build())
    .build();

调参要点：

temperature 0.5~0.8，兼顾自然与稳定
配合 MessageChatMemoryAdvisor 维护多轮上下文
responseFormat=TEXT，对话不需要结构化

5.7 场景六：深度思考 / 推理

场景描述：需要模型进行复杂推理（数学、逻辑、分析）。

核心诉求：推理过程严谨，结论正确。

推荐参数：

java 复制代码

// 方案一：使用推理模型（如 deepseek-r1）
DashScopeChatOptions.builder()
    .withModel("deepseek-r1")
    // 推理模型通常不支持 temperature 调整
    // 用 prompt 引导代替调参
    .build();

// 方案二：使用通用模型 + 深度思考 prompt
DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.2)        // 推理需要低温
    .withMaxTokens(4096)         // 推理过程可能较长
    .build();

调参要点：

推理模型（deepseek-r1）内部有固定采样策略，不要强行调 temperature
用 prompt 模板（如 deepThinkPromptTemplate）引导推理行为
配合 ReasoningContentAdvisor 提取 <think> 推理内容

5.8 场景七：RAG 知识库问答

场景描述：基于私有知识库的检索增强问答。

核心诉求：回答基于检索到的文档，不能"幻觉"。

推荐参数：

java 复制代码

DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.1)        // 基于文档回答，必须准确
    .withTopP(0.3)
    .withMaxTokens(2048)
    .build();

调参要点：

temperature 极低，避免模型"自由发挥"脱离文档
配合 DocumentRetrievalAdvisor 注入检索上下文
prompt 中强调"仅基于以下文档回答"

5.9 场景八：文案创作 / 营销标题

场景描述：生成营销文案、广告标题、创意内容。

核心诉求：有创意、吸引人、多样化。

推荐参数：

java 复制代码

DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.9)        // 高温激发创意
    .withTopP(0.95)              // 候选集大
    .withPresencePenalty(0.6)    // 鼓励新词汇
    .withFrequencyPenalty(0.3)   // 轻微抑制重复
    .withMaxTokens(1000)
    .build();

调参要点：

temperature 高（0.7~1.0）
适当提高 presencePenalty，鼓励用词多样
可生成多个候选（多次调用），人工挑选最佳

5.10 场景九：信息抽取 / 结构化数据生成

场景描述：从非结构化文本中提取实体、关系、事件等结构化信息。

核心诉求：输出必须是合法 JSON，字段准确。

推荐参数：

java 复制代码

DashScopeChatOptions.builder()
    .withModel("qwen-plus")
    .withTemperature(0.0)        // 抽取必须精确
    .withResponseFormat(DashScopeResponseFormat.builder()
        .type(DashScopeResponseFormat.Type.JSON)
        .build())                // 强制 JSON 输出
    .withMaxTokens(1000)
    .build();

调参要点：

temperature 为 0，保证抽取结果稳定
必须使用 responseFormat=JSON
prompt 中给出明确的 JSON schema 示例

5.11 场景速查表

场景	temperature	topP	maxTokens	responseFormat	其他
工具调用 / 路由	0	0.1	500	-	优先优化 tool 描述
NL2SQL	0	0.1	1000	JSON	配合 stopSequences
代码生成	0.1~0.3	0.3	4096	-	frequencyPenalty=0
翻译	0.3~0.5	0.7	2048	TEXT	配合 topK=50
通用对话	0.5~0.8	-	2048	TEXT	配合 Memory Advisor
深度推理（r1）	不调	-	4096	TEXT	用 prompt 引导
RAG 问答	0.1	0.3	2048	TEXT	配合 RetrievalAdvisor
文案创作	0.9	0.95	1000	TEXT	presencePenalty=0.6
信息抽取	0	-	1000	JSON	-

6. 参数调整优先级与最佳实践

6.1 调整优先级

erlang 复制代码

① Prompt 设计         ──── 最重要，占 60% 效果
② Tool / 知识库设计   ──── Agent 场景关键，占 20%
③ temperature         ──── 参数中最重要的，占 10%
④ maxTokens           ──── 控制成本和长度，占 5%
⑤ 其他参数            ──── 微调，占 5%

核心原则 ：参数调整是"最后 10% 的微调"。如果效果不好，先检查 prompt 和工具定义，而不是调参数。

6.2 Agent 链路分层调参

一个完整 Agent 链路包含多个 LLM 调用，每层应单独调参：

ini 复制代码

┌─────────────────────────────────────────────────────┐
│  规划 / 路由层       temperature=0    （决策必须稳）  │
├─────────────────────────────────────────────────────┤
│  工具参数抽取层      temperature=0    （JSON 必须准） │
│                     responseFormat=JSON              │
├─────────────────────────────────────────────────────┤
│  内容生成层          temperature=0.3~0.8（按任务定） │
├─────────────────────────────────────────────────────┤
│  反思 / 校验层       temperature=0    （纠错必须准）  │
└─────────────────────────────────────────────────────┘

6.3 监控驱动调参

参数没有"标准答案"，落地时通过观测指标迭代：

ini 复制代码

观察问题 → 诊断原因 → 调整参数
│              │
│              ├─ 输出太发散 / 答非所问    → 降 temperature
│              ├─ 输出重复 / 复读         → 升 frequencyPenalty
│              ├─ JSON 解析失败率高        → 强制 responseFormat=JSON
│              ├─ 工具调用乱选            → 降 temperature + 优化 tool 描述
│              ├─ 响应慢 / 成本高         → 降 maxTokens
│              ├─ 翻译生硬                → 适当升 temperature
│              └─ 长文出现车轱辘话        → 升 frequencyPenalty + presencePenalty

6.4 常见误区

误区	正确做法
效果不好就调参数	先优化 prompt 和 tool 定义
同时大幅调 temperature 和 topP	以 temperature 为主调，topP 保持默认
所有场景用同一套参数	按任务性质分层调参
推理模型也调 temperature	推理模型用 prompt 引导，不调 temperature
代码生成开 frequencyPenalty	代码有重复模式，保持 frequencyPenalty=0
maxTokens 设很大"以防万一"	按实际需要设置，控制成本和延迟

7. 常见问题速查表

Q1：输出答非所问 / 太发散

markdown 复制代码

诊断：temperature 过高
解决：降低 temperature（0.7 → 0.3 或更低）
      降低 topP（0.9 → 0.5）

Q2：输出重复 / 车轱辘话

markdown 复制代码

诊断：缺乏重复惩罚
解决：提高 frequencyPenalty（0 → 0.5~1.0）
      提高 presencePenalty（0 → 0.3~0.6）

Q3：JSON 解析失败

ini 复制代码

诊断：输出格式不稳定
解决：设置 responseFormat=JSON
      prompt 中给出明确的 JSON schema 示例
      降低 temperature（→ 0）

Q4：工具调用选错 / 参数填错

markdown 复制代码

诊断：可能是 tool 描述不清晰，或 temperature 过高
解决：1. 优化 tool 的 name / description / 参数 schema
      2. 降低 temperature（→ 0）
      3. 降低 maxTokens（工具调用输出通常很短）

Q5：响应太慢 / 成本太高

markdown 复制代码

诊断：maxTokens 过大或模型选择不当
解决：降低 maxTokens 到实际需要的值
      使用更轻量的模型（qwen-plus → qwen-turbo）
      配合 stopSequences 提前终止

Q6：翻译结果太生硬

ini 复制代码

诊断：temperature 过低
解决：适当提高 temperature（0.1 → 0.5）
      配合 topP=0.7, topK=50

Q7：deepseek-r1 调 temperature 无效

markdown 复制代码

诊断：推理模型内部有固定采样策略，不支持 temperature 调整
解决：不要调 temperature
      用 prompt 模板引导推理行为
      配合 ReasoningContentAdvisor 提取推理内容

Q8：相同输入结果不一致

ini 复制代码

诊断：未固定随机种子
解决：设置 seed + temperature=0
      注意：生产对话场景不建议固定 seed

附录：本项目参数使用参考

以下为本项目（spring-ai-alibaba-examples）中各服务的实际参数配置：

服务	模型	temperature	其他参数	文件位置
`SAAChatService.chat`	动态传入	0.8	responseFormat=TEXT	`SAAChatService.java:116-122`
`SAAChatService.deepThinkingChat`	动态传入	0.8	responseFormat=TEXT	`SAAChatService.java:143-149`
`SAADashScopeWebSearchService`	deepseek-v3	0.7	-	`SAADashScopeWebSearchService.java:71-73`
`SAASummarizerService`	deepseek-r1	默认	-	`SAASummarizerService.java:63`
翻译示例（custom）	qwen-plus	0.5	topP=0.7, topK=50	`DashScopeTranslateController.java:124-129`
翻译示例（markdown）	qwen-plus	0.3	topP=0.7	`MarkdownTranslationService.java:84-86`
WebSearch 配置	qwen-plus	默认	-	`WebSearchConfiguration.java:51,70`

文档维护说明：本文档基于 Spring AI Alibaba 框架实践整理。随着模型能力迭代，部分参数行为可能变化，请以官方文档为准。

复制代码

浅聊大模型调用参数配置

大模型调用参数实战指南

目录

1. 概述

1.1 什么是大模型调用参数

1.2 参数的分层架构

1.3 参数生效的两个时机

2. 通用参数列表

3. 典型厂商扩展参数

3.1 DashScope（阿里云百炼）扩展

3.2 OpenAI 扩展

3.3 Ollama 扩展

3.4 模型能力差异注意事项

4. 各参数作用详解

4.1 temperature（采样温度）

4.2 topP（核采样 / Nucleus Sampling）

4.3 topK（Top-K 采样）

4.4 maxTokens（最大生成长度）

4.5 frequencyPenalty（频率惩罚）

4.6 presencePenalty（存在惩罚）

4.7 stopSequences（停止序列）

4.8 responseFormat（输出格式）

4.9 seed（随机种子）

5. Agent 实战场景与参数配置

5.1 场景分类总览

5.2 场景一：Agent 工具调用 / 路由决策

5.3 场景二：NL2SQL（自然语言转 SQL）

5.4 场景三：代码生成

5.5 场景四：翻译

5.6 场景五：通用多轮对话

5.7 场景六：深度思考 / 推理

5.8 场景七：RAG 知识库问答

5.9 场景八：文案创作 / 营销标题

5.10 场景九：信息抽取 / 结构化数据生成

5.11 场景速查表

6. 参数调整优先级与最佳实践

6.1 调整优先级

6.2 Agent 链路分层调参

6.3 监控驱动调参

6.4 常见误区

7. 常见问题速查表

Q1：输出答非所问 / 太发散

Q2：输出重复 / 车轱辘话

Q3：JSON 解析失败

Q4：工具调用选错 / 参数填错

Q5：响应太慢 / 成本太高

Q6：翻译结果太生硬

Q7：deepseek-r1 调 temperature 无效

Q8：相同输入结果不一致

附录：本项目参数使用参考