模型参数与推理

同一套 Agent 代码，换参数或换模型，行为可以 从稳定执行变成天马行空。本课讲 temperature、top-p、streaming、reasoning models 在 Agent 场景怎么选——不是背默认值，而是 规划、工具调用、最终回答 分阶段调参。

学习目标

• 解释 temperature / top-p 对工具选择与 JSON 合法率的影响
• 会用 streaming 改善交互，并处理「半条 tool call」边界
• 区分普通模型与推理型模型在 Agent 中的分工

Temperature 与 top-p

参数	低值	高值	Agent 建议
temperature	确定性高、重复	多样、易偏题	工具参数、结构化规划 → 低
top-p	候选集窄	候选集宽	与 temperature 二选一微调即可

# 伪代码：分阶段参数
plan = llm.chat(messages, temperature=0.2, response_format=plan_schema)
draft = llm.chat(messages + plan, temperature=0.7)  # 用户可见文案可略高

常见错误：全链路 temperature=0.9 → tool name 拼错、JSON 缺括号、重复调用同一 API。

Streaming

Streaming 逐 token 返回，适合 用户可见文本；工具调用需注意：

buffer = ""
for chunk in llm.stream(messages, tools=tools):
    if chunk.tool_call_delta:
        buffer += chunk.tool_call_delta
        # 等完整 tool_call 再 execute，勿对半截 JSON 调 API
    elif chunk.content:
        yield chunk.content  # UI 逐字显示

场景	streaming
聊天展示	开
严格 JSON / 并行多 tool	关或等完整 message
可取消长任务	开 + 客户端 abort

Reasoning models（推理型模型）

部分模型会输出 长内部推理链（或隐藏 reasoning token），再给出答案或 tool call。

维度	普通模型	推理型
多步规划	靠 prompt（CoT/ReAct）	内置更长思考
成本/延迟	较低	较高
工具调用	成熟 API 支持不一	需查厂商文档

Agent 实践：复杂规划 可用推理型或单独「Planner」调用；高频工具环 用快模型 + 低 temperature，避免每步都烧长推理。

与路线图

对应 ai-agents 路线图 的模型推理节点。入门见 agt-providers；本课强调 Agent 运行时 的分阶段配置。

练习

• 设计 Planner（T=0.2）与 Writer（T=0.6）两次调用的消息分工
• 说明 streaming 下为何要缓冲完整 tool_call 再执行
• 列一个适合推理型、一个不适合推理型的 Agent 任务

小结

调参 = 为 Agent 不同阶段选「稳定」还是「灵活」。 下一课提示词工程：在参数之外，用具体性、示例与格式约束提高可重复性。