温度与采样
temperature 和 top_p 控制生成的随机程度：越低越稳定保守，越高越多样发散。
为什么重要
同一个 Prompt 换一组采样参数，输出稳定性完全不同；结构化输出要稳，创意任务要活，参数必须跟任务走。
核心原理
每一步模型输出词表上的概率分布，temperature 调整分布的平坦度，top_p 只在累计概率前 p 的词里采样。temperature 0 是尽量取最高概率路径，但不是数学上的完全确定：服务端实现和输入变化仍可能带来差异。
工程实现
- 分类、抽取、工具调用：调低（0 到 0.3）
- 创意、头脑风暴：可以调高
- 关键输出靠 Schema 和评估兜底，不赌单个参数
展开说明
固定标签的分类任务，temperature 0.8 时同一条输入跑 10 次可能出现 3 种标签；调到 0 后结果基本收敛，但仍要用评估集验证而不是默认它永远一致。
常见误区
- 以为 temperature 0 就绝对不会变
- 所有场景都用默认值，分类任务也开高随机性
面试怎么说
temperature 与 top_p 管采样随机性：确定性任务调低、创意任务调高；0 只减少随机性，稳定性最终靠结构化输出和评估保证。