同一个问题问两遍，
答案不一样——因为 AI 在抽签
AI 每写一个字之前，心里都攥着一张「候选字概率表」。从表里怎么挑字，就叫采样—— 这是它「性格」的全部来源：Temperature 是胆量旋钮（稳还是浪）， Top-k、Top-p 是资格线（谁能进抽签箱）。 本章的实验场能让你把每个旋钮拧出肌肉记忆。
5.1 AI 的心里话：一张打分表
AI 写字前，会给词表里每一个字打一个分（分数可大可小、可正可负，行话叫 Logits）。 但分数不能直接用——要过一道换算（Softmax）： 把分数统一变成加起来恰好 100% 的概率表。接下来一切采样魔法，都发生在 「改分数 → 换算成表 → 删掉不靠谱的候选」这三步之间。
5.2 拧拧看：温度怎么把表捏尖 / 捏平
下面是一张真实的候选分数（问题：「杭州最著名的景点是___」）。拖动 T，看概率表怎么变形：
5.3 Temperature：AI 的胆量旋钮
实际怎么选 T？经验区间：0–0.3 查资料、写代码（求稳，别发挥）；0.5–1.0 日常聊天和写作（拿不准就从 0.7 开始）； 1.2–1.6 头脑风暴、起名、写诗（求新，允许翻车）。 注意：T 不改变 AI 知道多少，只改变它敢不敢说偏门答案——「变笨」和「变浪」是两回事。
5.4 抽签实验场：所有旋钮一起拧
完整的抽签流程：分数 ÷ T → 换算成概率表 → Top-k 资格线 → Top-p 资格线 → 重新归一 → 抽签。 左边拧旋钮，右边看表变形，然后一个字一个字抽完整句话。
Top-k：只留前 k 名
不管表长什么样，硬性只保留概率最高的 k 个候选（k=1 就是永远选榜一；50 是常见默认）。 缺点：表很尖时 k 太大会放进垃圾候选；表很平时 k 太小会错杀好选择。于是有了更聪明的——
Top-p（核采样）：按累计概率划线
从榜一开始往下加概率，加到 p（比如 90%）就停，只留这部分「核心团队」。 表尖时候选自动变少、表平时候选自动变多——自适应，所以现在比 Top-k 更常用。两个可以叠加。
5.5 贪心解码：永远的第一名，和复读机
每次都选概率最高的字，这叫贪心（把 T 调到 0 或 Top-k=1 就是它）。 输出完全固定、可以复现，写代码、做提取时很好用。但它有个著名的副作用——复读机：
你：用一句话夸夸我
AI：你很棒，你很棒，你很棒，你很棒，你很棒，你很棒，……因为「重复出现过的字」总在榜一，贪心永远跳不出去。加点随机（温度/核采样）、或开启 重复惩罚，都是为了让它逃出死循环。
5.6 其他常见旋钮
🔁 重复惩罚
已经写过的字，分数打个折（比如除以 1.1），压住复读倾向。拧太大有副作用：人名、代码变量名这种必须重复的词也被打压，输出开始别扭地避讳。
🎚️ Min-p
动态资格线：只留概率 ≥「榜一概率 × p」的候选。表尖时候选少、表平时候选多，天生防「高温抽到垃圾」。新一代推理引擎的默认推荐。
🎲 随机种子
抽签用的「随机数」其实由种子决定。同种子 + 同参数 + 同输入 = 逐字相同的输出——实验场里可以验证。生产环境不设种子，每次都是新的一串。
5.7 幻觉：为什么会一本正经地胡说八道
根源不在采样，在训练目标：AI 优化的是「说得像真的」，不是「说的是真的」—— 它是接话大师，不是查证员。采样只是放大或收窄症状：高温让它敢选偏门字（更容易胡说）， 低温让它固守高频套路（可能反复输出同一个错常识）。降温治标，给它资料才治本（下一章 RAG）。
| 你要干嘛 | 推荐设置 | 为什么 |
|---|---|---|
| 写代码 / 提取数据 | T 0–0.2，top-p 0.9 | 要确定、格式要稳 |
| 日常助手聊天 | T 0.6–0.8，top-p 0.95 | 正确和自然兼顾 |
| 文案 / 头脑风暴 | T 1.0–1.4，top-p 0.98，min-p 0.05 | 多样性优先 |
| 数学 / 事实问答 | T 0 + 给资料/工具 | 别靠抽签赌运气 |
「每个字怎么挑」讲完了。最后一章回到实际使用：怎么写提示词、怎么给它配资料和工具、什么时候值得花钱微调。