LLM 原理与 Token

大语言模型 按上文预测下一个 token，不是数据库检索。作为 AI 工程师，你要会估算 上下文占用、采样参数与成本，并在设计 RAG/Agent 时预留窗口。对应 ai-engineer 的 how-llms-work 节点。

学习目标

• 理解 token、context window、训练截止与推理阶段
• 会用 temperature、top-p、top-k 控制输出随机性
• 说清幻觉为何无法「彻底修掉」，只能工程缓解

Token 与上下文

• Token：模型读写的最小单位；中文常 1 字 ≈ 1 token，英文约 4 字符 ≈ 1 token
• Context window：单次请求可见上限（8K / 128K / 200K…）
• 输入 + 输出 共用窗口；RAG 塞太多 chunk 会挤掉用户问题或历史

def estimate_tokens(text: str) -> int:
    # 伪代码：生产用 tiktoken 或厂商 tokenizer
    return len(text)  # 中文粗估：字符数

budget = 128_000
system = 2_000
retrieved = 20_000
user_query = 500
# 留给生成的 output 上限 ≈ budget - system - retrieved - user_query

训练 vs 推理

阶段	内容	对工程的影响
预训练	海量文本学统计	知识有截止日期
对齐 / SFT	指令跟随、安全	拒答、风格固定
RLHF 等	人类偏好	不同厂商行为差异
推理	给定 prompt 生成	延迟、账单、可复现性

模型 未运行你的代码；它续写「像正确回答的文本」。验证靠测试与文档，见 ai-engineering-essentials 的质量门禁。

采样参数

参数	作用	典型场景
temperature	越高越随机	创意 0.7+；代码/JSON 0–0.3
top-p	核采样，截断长尾	与 temperature 二选一微调
top-k	只从概率最高的 k 个 token 采	旧模型常用
max_tokens	输出上限	防账单失控

同一 prompt 非零 temperature 时结果可能不同；评测与回归测试宜固定 seed 或 temperature=0（若 API 支持）。

幻觉与缓解

幻觉 = 高置信的错误续写。缓解手段：

• Grounding：RAG 只许引用检索片段（见 aen-rag）
• 工具：让模型查 API/DB，而非凭记忆（见 aen-agents）
• 约束输出：JSON schema、函数参数校验（见 aen-prompt）

团队层面：AI 输出仍是 假设，merge 前人审——ai-engineering-essentials 不变。

练习

• 用 tiktoken 或厂商工具统计一节 draft 的 token 数
• 同一问题设 temperature=0 与 0.9 各问一次，对比差异
• 画一张图：128K 窗口内 system / RAG / history / output 如何分配

小结

Token 与窗口是硬预算；采样决定稳定性；幻觉要靠架构约束。 下一课系统学提示词与结构化输出。