应对 3：Temperature & Top-P
拖动滑块，实时看概率分布和输出变化
本页解决的问题
先给结论「应对 3：Temperature & Top-P」要解决的关键问题是什么？
拖动滑块，实时看概率分布和输出变化
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
参数调节 × 输出质量
「业务场景推荐参数」为什么能找到相关内容
「拖动滑块，实时看概率分布和输出变化」把检索问题从“把资料存起来”推进到“怎样找到真正相关的资料”。这一步决定了 RAG、推荐和以图搜图最后交给模型的输入质量。
相似度不是答案，召回之后还要核对
在「拖动滑块，实时看概率分布和输出变化」对应的流程里，Embedding 负责把对象放到可比较的语义空间，近邻索引负责减少搜索范围，最终的回答仍然依赖召回片段是否覆盖问题、距离指标是否合适，以及内容有没有过期。
先区分找得到和找得准
把「拖动滑块，实时看概率分布和输出变化」落成一次小测试：准备几条有明确答案的查询，记录召回的相关性、遗漏和无关结果，再决定是否需要换切分方式、索引或重排。
从「业务场景推荐参数」走到「参数调节 × 输出质量」
「业务场景推荐参数」先把问题落在「⚖️ 法律 / 合规 / 客服 推荐： T=0.1 Top-P=0.8 📊 报告撰写 / 摘要总结 推荐： T=0.3 Top-P=0.9 💬 通用对话 / 解答咨询 推荐： T=0.7 Top-P=0.95 ✍️ 创意写作 / 头脑风暴 推荐： T=1.2 Top-P=1.0 参数当前位置 Temperature - 保守 平衡 发散 Top-P - 窄候选 适中 全集」上；到了「参数调节 × 输出质量」，讨论继续推进到「交互演示 为什么有效 Temperature 控制随机程度 0.10 Top-P 控制候选词范围 0.80 当前参数下的输出质量预估 Token 推 Token 的概率分布 低温 T = 0.1 分布尖锐 六个月 三个月 一年 … … 最高概率词几乎被锁定， 模型输出稳定、可预期 高温 T = 2.0 分布平坦 六个月 三个月 永远 随便 … 低概率词也有机会被选中， 幻觉和意外词随之增加 每步推 Token 时，模…」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。
- 「业务场景推荐参数」：⚖️ 法律 / 合规 / 客服 推荐： T=0.1 Top-P=0.8 📊 报告撰写 / 摘要总结 推荐： T=0.3 Top-P=0.9 💬 通用对话 / 解答咨询 推荐： T=0.7 Top-P=0.95 ✍️ 创意写作 / 头脑风暴 推荐： T=1.2 Top-P=1.0 参数当前位置 Temperature - 保守 平衡 发散 Top-P - 窄候选 适中 全集
- 「参数调节 × 输出质量」：交互演示 为什么有效 Temperature 控制随机程度 0.10 Top-P 控制候选词范围 0.80 当前参数下的输出质量预估 Token 推 Token 的概率分布 低温 T = 0.1 分布尖锐 六个月 三个月 一年 … … 最高概率词几乎被锁定， 模型输出稳定、可预期 高温 T = 2.0 分布平坦 六个月 三个月 永远 随便 … 低概率词也有机会被选中， 幻觉和意外词随之增加 每步推 Token 时，模…
最后的「最后把结论落到实践」把讨论落到「拖动滑块，实时看概率分布和输出变化」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。