用 LangChain JS 做一次可控写作实验：理解 temperature、提示词与异步调用

第一次给大模型传入 temperature 时很多人会把它误解成“把创造力调到 %”。这个说法好记，却不准确：温度不会给模型增加知识，也不能保证文章更有创意。它改变的是模型从候选 token 中取样时的概率分布。

这篇文章通过一个可以直接运行的小实验完成两条写作链：它们接收相同主题和相同提示词，只使用不同的温度。我们会借此看清提示词如何进入模型、pipe 如何连接处理步骤，还有 await chain.invoke 到底等待了什么。

先把“模型怎么选下一个 token”说清楚

痛点：很多开发者在调参时看到输出不稳定。却找不到根本原因，往往误以为是代码 bug，而不是采样策略导致的随机性。

大模型并不是先想好整段文字再一次性输出。生成过程中，它会处理文本的基本单位。可能是一个字、一个词的一部分，也可能是标点。

假设模型在“秋天的晚风很”后面给出了几个候选 token：

轻柔 清凉 安静 滚烫

这些概率构成一个分布，总和为 1。程序接下来通常不是永远选择第一名，而是按分布抽样。于是同一个提示词执行多次结果也可能不同。

temperature 会在抽样前调整这个分布：

• 低温：分布更集中。高概率候选更容易被选中，输出通常更稳定、保守。
• 高温：分布更平坦。原本概率较低的候选有更多机会出现，输出通常更多样，但跑题和事实错误的风险也会上升。

痛点：低温不等于“绝对正确”，高温也不等于“一定有创意”。 如果只关注 temperature 而忽视提示词质量、上下文或服务商实现差异，就会得到误导性的结论。

另一个常见参数是 top_k它先保留概率最高的 K 个候选，再从中抽样。并非所有 OpenAI 兼容接口都支持 top_k;LangChain 的某些模型封装接受该字段，也不代表上游大概率会使用它。为了让下面的例子适用于更多兼容接口。我们只比较 temperature. 如果服务商支持 top_k/参数，否则很难判断究竟是谁造成了变化。

npm init -y
npm install @langchain/core @langchain/openai dotenv

LLM_API_KEY=your_api_key
LLM_MODEL=your_model_name
LLM_BASE_URL=https://your-provider.example/v1

import "dotenv/config";import { ChatOpenAI } from "@langchain/openai";function createModel {
return new ChatOpenAI({
再看model，process.env.LLM_MODEL,temperature。maxTokens: 500,apiKey: process.env.LLM_API_KEY,configuration: {
baseURL: process.env.LLM_BASE_URL,},});}
// 两个不同温度的实例
const creativeModel = createModel;const preciseModel = createModel;