Temperature（温度）： 控制AI选词时的"胆量大小"。数值越高越敢冒险，越低越保守。它直接影响概率分布的"尖锐程度"。
Top P（核心采样） ：控制AI的"选择范围"，只从累积概率前P%的词里挑。你可以理解为AI脑洞大小。数值越高越有创意，但也越容易跑偏。对提示词优化来说，需要在"稳定可用"和"有新意"之间找平衡。
存在惩罚和频率惩罚 ：这俩是防止AI变"复读机"的。提示词优化最怕就是给你一堆换汤不换药的建议，所以这两个参数必须调好。
最大Token数 ：控制输出长度。提示词优化通常需要解释+建议+示例，太少说不清楚，太多又啰嗦。
生成数量 ：决定一次给你几个备选方案。这个对比较和筛选很关键。
<aside> ☀️
分析模式： Temperature=0.3，用于深度分析现有提示词的问题
优化模式： Temperature=0.5，用于生成改进版本和新思路
Temperature的实际效果区间：
Temperature（温度）和Top P（核心采样）会互相影响。 如果把Temperature调高让AI大胆一点，同时又把Top P调高扩大选择范围，那就是"胆大+范围广"，很容易输出一堆不着调的内容。反之，两个都调低就变成"胆小+范围窄"，AI就成了背书机器。**最好让Temperature主导。**因为Temperature的控制更线性，调整效果更可预测。特别是对DeepSeek这种对中文理解比较稳定的模型，用Temperature主导会更好控制。
**另外惩罚参数调太高，超过0.6中文表达就开始别扭了。**如果你的API同时有temperature和top_p，只调一个就行。生成数量设多了费钱，先用1个测试，确定方向再批量生成。
**返回对数概率那些技术参数，对大多数人来说基本没用，除非你要深入分析AI的决策过程。**日常使用直接忽略。
<aside> ☀️
调试策略（避免瞎调参数）：
第一步： 从Temperature=0.4开始测试，用你常优化的5个提示词跑一轮。
第二步： 如果输出太死板缺乏新意，每次增加0.1，直到满意为止。如果输出开始跑偏或逻辑混乱，每次减少0.1。
第三步： 确定合适的Temperature后，其他参数基本不用大改。
别追求完美。 不同类型的提示词对参数敏感度不同，技术类要低Temperature，创意类可以高一点。
</aside>
<aside> ⏱️
稳态优化模式（用于改进现有提示词）
这套配置偏保守，适合对现有提示词做精细化改进，输出稳定可复现。
</aside>
<aside> ⏱️
发散创新模式（用于头脑风暴新思路）
这套让AI更大胆，适合探索全新的表达方式和角度。
</aside>
<aside> ⏱️
批量评估模式（用于对比多个方案）
专门用来评估和打分，要求输出一致性高。
</aside>