前言

做AI开发时，你有没有遇到过两种让人崩溃的场景？

1. 写代码、生成工具调用的时候，AI天马行空乱编逻辑，幻觉满天飞，完全没法用。
2. 写散文、文案、故事的时候，AI又千篇一律，文字死板得毫无氛围感。

不少新手一上来就只会初始化一个固定模型。

他们根本不知道temperature、topK这些核心采样参数是干嘛的，更不会用LangChain的管道来区分“严谨模型”和“创意模型”两套工作流。

读完本文，你将收获——

• 吃透temperature、topK的底层采样原理，不同场景的最优参数直接抄作业
• 搞懂LangChain .pipe() 流水线链式执行的底层逻辑
• 一套可直接运行的Node.js完整代码，同时搭建创意/严谨两套AI工作流
• 分清创作、代码、文档场景的参数搭配避坑要点
• 学会模块化拆分Prompt、模型、解析器，工程化维护AI业务

一、先来说清楚：两大核心采样参数如何控制AI输出

大模型生成文本的本质，是逐token概率采样。

每次计算下一个词的全部候选概率，而temperature、topK就是用来干预采样规则的。

它们正是解决幻觉和死板两大痛点的关键。

1. temperature（温度）：控制随机性强弱

取值范围通常是0到1之间。

数值越小越保守稳定，越大发散有创意。

• 0 ~ 0.3（低温度）：模型优先选择概率最高的词汇，输出高度固定、重复度低，几乎不会乱编。
  适用场景：代码生成、工具调用、合同、数据分析、结构化JSON输出
• 0.6 ~ 0.9（高温度）：拉高冷门词汇的概率，文本更多变、有画面感，适合创作。
  适用场景：散文、小说、文案、头脑风暴、短视频脚本

2. topK：限制候选词汇池大小

它的作用很简单：只保留概率排名前K个token，直接过滤掉极低概率的冷门词，从源头减少幻觉。

• K值小：候选池窄，输出更稳妥
• K值大：候选池丰富，文字更多样

3. 两者搭配的黄金组合（实战标准）

1. 严谨任务（代码/工具）：temperature=0.2，topK=8——充足候选范围，但低温度锁定高概率词，兼顾完整度与准确性
2. 创意写作（散文/文案）：temperature=0.8，topK=4——缩小候选池防止离谱跑偏，高温度保留文字灵气

踩坑提醒

千万别同时把temperature拉满、topK设得很大。

否则会出现逻辑断裂、无意义乱码。

也不能两者都极小，那样文本就会重复单调，毫无生气。

二、LangChain核心：.pipe() 流水线链式原理

LangChain里所有组件（Prompt、ChatModel、OutputParser）都属于Runnable。

它们内置了.pipe()方法，实现数据流的自动传递。

A.pipe(B).pipe(C)

等价分步逻辑：

1. 执行A，拿到输出结果
2. 自动把A的输出作为B的入参，执行B
3. B的输出传入C，最终返回一个完整可复用的执行链

数据流链路

变量填充Prompt → 调用LLM大模型 → 解析模型原始消息为纯文本

优势很明显：

• 代码线性清晰，一眼就能看懂AI执行流程
• 链可复用，多次.invoke()传入不同业务参数
• 模块化拆分，修改提示词或模型时不用改动整体流程

三、完整可运行实战代码（Node.js+DeepSeek）

1. 环境依赖安装

npm install dotenv @langchain/openai @langchain/core

2. .env 配置文件

DEEPSEEK_API_KEY=你的密钥

3. main.js 完整代码

import 'dotenv/config'
import { ChatOpenAI } from '@langchain/openai'
// 输出解析器：提取模型消息内纯文本
import { StringOutputParser } from '@langchain/core/output_parsers';
// 提示词模板，实现提示词复用、参数注入
import { PromptTemplate } from '@langchain/core/prompts'

// 创意模型：高温度、窄候选池，适合散文、文案创作
const creativeModel = new ChatOpenAI({
  modelName: 'deepseek-v4-pro',
  apiKey: process.env.DEEPSEEK_API_KEY,
  temperature: 0.8,
  topK: 4, // 仅从概率前4词汇采样，防止过度跑偏
  maxTokens: 600,
  configuration: {
    baseURL: 'https://api.deepseek.com/v1',
  },
});

// 严谨模型：低温度、宽候选池，适合代码、文档、工具调用
const preciseModel = new ChatOpenAI({
  modelName: 'deepseek-v4-pro',
  apiKey: process.env.DEEPSEEK_API_KEY,
  temperature: 0.2, // 极低随机性，抑制幻觉
  topK: 8, // 保留更多候选词，保证信息完整
  maxTokens: 600,
  configuration: {
    baseURL: 'https://api.deepseek.com/v1',
  },
});

// 通用提示词模板，支持{theme}动态传入主题
const storyPrompt = PromptTemplate.fromTemplate(
  `请写一篇短篇散文，主题：{theme} 风格温柔治愈，篇幅200字左右，不要分段，文字细腻又画面感。`
);

// 统一输出解析器，剥离模型AIMessage外壳，只返回纯文字
const outputParser = new StringOutputParser();

// 搭建两条独立AI流水线
const creativeChain = storyPrompt.pipe(creativeModel).pipe(outputParser);
const preciseChain = storyPrompt.pipe(preciseModel).pipe(outputParser);

// 统一调用入口
async function runWriteDemo() {
  const theme = "秋日山野晚风";
  console.log('===== 创意写作模式 =====');
  const creativeText = await creativeChain.invoke({theme});
  console.log(creativeText);
  console.log('n===== 严谨写作模式 =====');
  const preciseText = await preciseChain.invoke({theme});
  console.log(preciseText);
}

runWriteDemo().catch(err => {
  console.error('运行异常：', err);
});

关键代码逐段解析

const creativeChain = storyPrompt.pipe(creativeModel).pipe(outputParser)

整条流水线的执行顺序：

1. storyPrompt.invoke({theme})：填充主题，生成完整的提示词文本
2. 文本自动流入creativeModel，发起大模型API请求，返回消息对象
3. 消息传入outputParser，提取content纯文本，最终输出

四、运行效果对比

同一主题「秋日山野晚风」：

1. 创意模型（temperature=0.8）：用词丰富，意象多变，会加入晚风、落叶、晚霞、山间溪流等细节，文字氛围感更强，每一次生成内容都有差异。
2. 严谨模型（temperature=0.2）：行文规整，描述逻辑统一，重复运行内容几乎一致，不会出现天马行空的小众比喻，适合需要稳定输出的文案场景。

五、生产环境高频踩坑清单

坑1：全场景只用一套temperature参数

写代码用0.8高温度，模型疯狂编造不存在的API、函数，大量幻觉；写文案用0.2，文字枯燥无创意。

解决方案：按业务拆分两套及以上模型实例，封装不同chain。

坑2：忘记使用OutputParser，直接打印模型返回对象

模型返回的是AIMessage对象，直接输出会携带多余元数据。

解决方案：必须搭配StringOutputParser提取正文。

坑3：硬编码提示词，没有使用PromptTemplate

提示词写死在调用代码内，多业务复用、修改文案极其麻烦，难以维护。

解决方案：所有可变提示统一抽离为模板，通过占位符注入参数。

坑4：topK设置极端值

topK=1：每次固定输出最高概率词，文本完全重复。

topK=100搭配高温，极易出现逻辑断裂、无意义文字。

坑5：未限制maxTokens

模型无上限生成超长文本，消耗更多计费token，接口响应也变慢。

解决方案：必须根据业务设置合理的长度。

六、扩展升级方向

1. 结构化输出：把StringOutputParser换成JsonOutputParser，强制模型返回JSON数据，适配工具调用、数据提取场景
2. 多工具Agent融合：将本文双模型逻辑，结合之前文件/命令行工具，实现既能写代码又能生成文案的全能智能体
3. 流式输出：调用chain.stream()，实现打字机实时打印效果，适配前端页面
4. 多Prompt模板拆分：区分写作、代码、问答三套提示词，按需绑定对应模型链

七、全文核心总结

1. 参数分工：temperature控制随机程度，topK限制候选词汇池，两者搭配决定AI输出风格
2. 参数标准配置：严谨任务T=0.2、topK=8；创意写作T=0.8、topK=4
3. LangChain流水线：.pipe()串联提示词、模型、解析器，模块化、可复用是工程化核心
4. 业务分层思想：不要一套模型跑所有需求，拆分创意/严谨两条独立工作流，大幅减少幻觉、提升产出质量