LLM 运行机制：Token、上下文窗口与采样参数怎么影响输出
在探讨 RAG、Agent 工作流、MCP 协议这些高深概念之前，我想先聊聊一个让 Guide 踩过不少坑的基础问题：明明设置了温度为 0，结构化输出还是崩；往模型里塞了一堆文档，它好像直接失忆，关键指令全当空气。
说到底，还是底层原理没搞清楚。
万丈高楼平地起。这篇文章就是来填这个坑的。我们暂时把顶层架构放一放，回到 LLM 的基本面上来：Token 怎么算、上下文窗口怎么管、采样参数怎么调。
本文会沿着一条主线展开：先看模型为什么被 Token 和上下文窗口限制，再看采样参数如何影响输出稳定性，最后落到 Token 预算和参数配置建议。
具体会讲清楚：
- 大模型（LLM）到底在做什么？
- Token 是什么？为什么中文和英文的 Token 消耗差很多？
- 上下文窗口是什么？为什么会有上限？
- Temperature、Top-p、Top-k 这些采样参数怎么影响输出？
- Token 预算怎么做？
⭐️ Token 和上下文为什么决定成本与效果？
当你在输入法里打“今天天气真”，它会自动建议“好”——大模型做的事情本质上一样。只不过它看的不是前面几个字，而是前面几千甚至几十万个字。每次只“补”一个 Token（文本碎片），然后把这个碎片加进上下文，再预测下一个，如此循环，直到生成完整回答。
这个过程叫做自回归生成（Autoregressive Generation）。
理解了自回归生成，后面所有概念都好办了：
- Token：模型每一步“补”的文本碎片。
- 上下文窗口：模型在“补”之前能看到多少文本。
- Temperature / Top-p：模型选哪个候选碎片的策略。
- Max Tokens：允许模型最多“补”多少步。
你可以把 Token 理解为“模型的阅读单位”。我们人类读中文是一个字一个字地看，读英文是一个词一个词地看。但模型既不按字、也不按词——它用一套自己的“拆字规则”（叫 Tokenizer）把文本切成大小不等的碎片，每个碎片就是一个 Token。
为什么不直接按字或按词切？因为模型需要在“词表大小”和“序列长度”之间取平衡：
- 每个汉字都是一个 Token，词表小、但序列长（模型要“补”更多步）。
- 每个词都是一个 Token，序列短、但词表会爆炸（中文词组太多了）。
所以实际用的是折中方案——子词切分算法（如 BPE、Unigram），高频词保留为整体，低频词拆成更小片段。
你可以把 Token 想象成乐高积木。常用的“积木块”比较大（比如“你好”可能是一个 Token），不常用的词会被拆成更小的基础块拼起来。
Token 不是“一个字”或“一个词”的严格等价物：
- 英文可能一个单词被拆成多个 Token。
- 中文可能一个词被拆成多个 Token，也可能多个字合并成一个 Token（取决于词频与词表）。
工程上通常用经验估算做容量规划，用实际 API 返回的 usage做精确计费与监控。
经验估算（仅用于粗略规划）：
- 英文：1 Token 大约对应 3~4 个字符（与文本类型相关）。
- 中文：1 Token 常见在 1~2 个汉字上下波动（与混排比例强相关）。
DeepSeek 官方数据：1 个英文字符约消耗 0.3 Token，1 个中文字符约消耗 0.6 Token。换算过来，1 个 Token 约等于 3.3 个英文字符或 1.7 个中文字符，与上述经验值吻合。
成本趋势提示：Token 成本与 Tokenizer 版本强相关。早期模型（如 GPT-3.5）中文压缩率较低（约 1 字 1.5~2 Token）。GPT-4o 使用 o200k_base Tokenizer（词表约 20 万），对中文压缩率有进一步提升；Qwen2.5 词表约 15 万，对中文常用词也有优化。实测数据因文本类型而异：新闻类约 1.5 字/Token，技术文档约 1.2 字/Token。
“趋近 1 字 1 Token”只适用于高频词汇，别拿它当成本估算基准。做预算前查一下当前模型版本的官方 Tokenizer 演示。
Token 划分直接影响模型理解能力。中文分词歧义和生僻字/低频专业术语的切分粒度，都会影响语义理解效果。
Token 化过程示例：
- 原文：
你好，我是 Guide。 - 切分：
[你好][，][我是][Guide][。] - 统计：原文 12 字符 → Token 数 5 个 → 压缩比约 2.4 倍
注意：实际 Token 切分由模型供应商的 Tokenizer 实现，不同供应商对相同文本可能产生不同的 Token 序列。
OpenAI 官方网页端 Tokenizer 工具：OpenAI Tokenizer
特殊 Token：除了文本内容对应的 Token，模型内部还会使用一些特殊标记，这些也会计入 Token 总数：
| 特殊 Token | 用途 | 示例 |
|---|---|---|
| BOS（Beginning of Sequence） | 标记序列开始 | <s> |
| EOS（End of Sequence） | 标记序列结束 | </s> |
| PAD（Padding） | 批处理时填充短序列 | <pad> |
| 工具调用标记 | Function Calling 边界 | <tool_call/> |
这些特殊 Token 通常对用户不可见，但会占用上下文窗口。精确计数时建议使用官方 Tokenizer 工具而非手动估算。
多模态输入的 Token 开销
GPT-4o、Claude 3.5、Gemini 等模型已支持图片输入。图片不是“零成本”的——它会被转换成一批 Token，同样占用上下文窗口。
粗略估算规则：
| 模型 | 图片 Token 计算方式 | 一张 1024×1024 图片约等于 |
|---|---|---|
| GPT-4o | 按分辨率 + 细节模式 | 低细节 ~85 tokens，高细节 ~1105~765 tokens |
| Claude 3.5 | 固定 ~5 tokens（缩略图）或 ~85 tokens（全图） | 取决于图片模式 |
| Gemini | 按分辨率计算 | ~258 tokens（标准） |
工程启示：
- 做多模态 RAG 时，要把图片 Token 也纳入预算。
- 批量处理图片时，注意首字延迟（TTFT）会显著增加。
- 如果只需要 OCR，考虑先用专门的 OCR 服务提取文字，再以纯文本形式送入模型。
上下文窗口的容量边界
上下文窗口是 LLM 的“工作记忆”（Working Memory）。它决定了模型在任何时刻可以处理或“记住”的文本量（以 Token 为单位）。
- 对话连续性：决定模型能进行多长的多轮对话而不遗忘早期细节。
- 单次处理能力：决定模型一次性能够处理的最大文档、代码库或数据样本。
“模型支持 128K/200K/1M”指的是一次调用里能放进模型的总 Token 上限。大多数模型的上下文窗口包含输入与输出的总和，但部分供应商（如 Google Gemini）对输入和输出分别设限，使用前请查阅具体 API 文档。
上下文窗口往往被隐形成本占用：
- System Prompt：调节模型行为的系统指令（对用户隐藏，但占用窗口）。
- User Prompt：业务数据与指令。
- 多轮对话历史：过往的消息记录。
- RAG 检索片段：从外部知识库检索到的补充信息。
- 工具调用 Schema：函数定义与参数结构。
- 格式开销：特殊字符、换行符、Markdown 标记等。
- 模型生成的输出 Token：输出也占用上下文窗口。
因此，你真正能塞进 Prompt 的“有效业务内容”往往远小于标称上限。
注意：上下文窗口（Context Window）≠ 最大生成长度。许多模型支持 128K 甚至 1M 输入，但单次输出上限因 API 而异。OpenAI Chat Completions API 使用 max_tokens 参数（GPT-4o 最大 16K 输出），部分新模型支持 max_completion_tokens（如 o1 系列），DeepSeek V3 最大输出 8K。使用前需查阅具体模型的 API 文档。
思维链模式的多轮对话处理：思维链模型（如 DeepSeek-R1）的 reasoning_content（思考过程）通常不会被自动包含在下一轮对话的上下文中，只有 content（最终回答）会参与后续对话。
这意味着：
- 无需为思考过程额外占用上下文窗口。
- 如果后续对话需要参考之前的推理过程，需要手动将
reasoning_content拼接到消息历史中。 - 部分供应商的 SDK 会自动处理这一差异，建议查阅具体文档确认。
长上下文背后的计算约束
上下文窗口并非越大越好，它受限于 Transformer 架构的自注意力机制（Self-Attention）：
- 计算成本平方级增长：计算需求与序列长度呈平方级关系（O(N²)）。输入 Token 翻倍，处理能力需求可能变为 4 倍。
- 推理延迟增加：上下文变长后，模型生成每个新 Token 时需要关注的历史 Token 变多，首字延迟 TTFT 会显著增加。
- 安全风险增加：更长的上下文意味着更大的攻击面。
工程优化手段：FlashAttention、GQA/MQA、Sliding Window Attention、Ring Attention 等技术已显著降低长上下文的计算和显存开销。但 O(N²) 的理论复杂度仍是上限扩展的根本瓶颈。
上下文溢出的真实表现
当上下文接近上限或内容过长时，常见现象包括：
- 模型忽略早期约束：System Prompt 里要求“必须输出 JSON”，但因距离生成点太远，注意力不足导致被忽略。
- “中间丢失”现象：即使在 1M 窗口模型中，模型对开头和结尾的信息最敏感，对中间部分的信息召回率显著下降。
- 回答漂移：前半段还围绕问题，后半段开始总结/扩写/跑题。
- RAG 失效：检索文档过多，关键信息被稀释；或被截断导致证据链断裂。
- 成本与延迟激增：1M 上下文会导致 TTFT 显著增加，且 Token 成本呈线性增长。
输入 Token 与输出 Token 的计费差异
大多数供应商对输入 Token 和输出 Token 采用不同的计费标准，通常输出价格是输入的 2~4 倍：
| 模型 | 输入价格（/1M Tokens） | 输出价格（/1M Tokens） | 输出/输入比 |
|---|---|---|---|
| GPT-4o | $2.50 | $10.00 | 4x |
| Claude 3.5 Sonnet | $3.00 | $15.00 | 5x |
| DeepSeek V3 | ¥0.5 | ¥2.0 | 4x |
| DeepSeek-R1 | ¥4.0 | ¥16.0 | 4x |
工程启示：
- 长 Prompt + 短输出 = 更经济的调用方式。
- RAG 场景要控制检索片段数量，避免输入 Token 激增。
- 思维链模型的 reasoning tokens 通常按输出价格计费，成本更高。
Prompt Caching 的省钱逻辑
当请求中存在大量重复的固定前缀（如 System Prompt、长 RAG Context），可以用 Prompt Caching 显著降低成本。
原理：供应商会缓存请求中“可复用的前缀部分”。下次请求如果前缀相同，这部分就不重新计费，只收“缓存读取”的费用（通常是正常价格的 10%~50%）。
典型适用场景：
- 多轮对话（System Prompt + 历史 Message 不变）。
- RAG 应用（检索片段重复率高）。
- 批量评估（同一份 System Prompt，不同的简历/文章）。
各供应商支持情况：
| 供应商 | 功能名称 | 缓存时长 | 缓存命中折扣 |
|---|---|---|---|
| OpenAI | Prompt Caching | 5~10 分钟 | 输入价格约 50% |
| Anthropic | Prompt Caching | 5 分钟 | 输入价格约 10% |
| DeepSeek | Context Caching | 10~30 分钟 | 输入价格约 25% |
工程建议：
- 把不变的内容放前面（System Prompt、工具定义、RAG Context），把变化的内容放后面（User Prompt）。
- 监控
cache_read_tokens和cache_creation_tokens指标，验证缓存命中率。 - 批量任务尽量在缓存时间窗口内完成。
一次调用的 Token 预算公式
把“上下文窗口”当成一个固定容量的桶，下图展示了一个典型调用的 Token 预算分配：
此分配仅为示意，实际比例需根据业务场景动态调整。
最实用的预算方式是：
window ≥ input_tokens + max_output_tokens
对于思维链模型，公式应调整为：
window ≥ input_tokens + reasoning_tokens + max_output_tokens
其中 reasoning_tokens（思考链 Token 数）难以精确预估，建议按 max_output_tokens 的 2~3 倍预留。
其中 input_tokens 至少包含：
- system prompt（含 schema / 工具定义）
- user prompt（含变量替换后的实际文本）
- 历史消息（多轮对话时）
- RAG context（如果拼进来了）
工程上建议反过来做预算（因为输出经常更可控）：
- 先定
max_output_tokens（结构化输出通常不需要很长）。 - 再为输入预留安全边际（例如再留 10%~20% 给供应商额外开销）。
- 超预算时，用可解释的策略“减输入”而不是“赌模型会自我约束”：
- 优先减少 RAG 的 Top-K 或做片段去重。
- 对长字段做摘要/截断（如简历、长回答）。
- 多段任务拆成多次调用（分批评估、两阶段生成）。
⭐️ 采样参数如何影响输出稳定性？
从 logits 到概率采样
模型每一步会给词表中每个候选 Token 打一个分数（内部叫 logits），分数越高说明模型越觉得这个词应该出现在这里。
举个例子，假设模型正在补全“今天天气真__”，它可能给出这样的分数：
| 候选 Token | 原始分数（logit） |
|---|---|
| 好 | 5.0 |
| 不错 | 3.2 |
| 棒 | 2.1 |
| 糟糕 | 0.5 |
| 紫色 | -8.0 |
但原始分数不是概率——需要经过一次数学变换（softmax）才能变成每个候选被选中的概率。变换后大致是：
| 候选 Token | 概率 |
|---|---|
| 好 | 62% |
| 不错 | 20% |
| 棒 | 10% |
| 糟糕 | 5% |
| 紫色 | ≈ 0% |
最后，模型按这个概率分布“抽签”（采样），决定输出哪个 Token。
解码参数（Temperature、Top-p、Top-k 等）就是在这个“打分 → 概率 → 抽签”的过程中施加控制：
- Temperature：调整概率分布的“形状”，让高分选项更突出，或者让各选项更均匀。
- Top-p / Top-k：直接砍掉不靠谱的候选项，缩小“抽签池”。
- Penalty 系列：对已经出现过的词降分，防止“复读机”。
Temperature 的“冒险程度”
Temperature 的工作原理很简单：在 softmax 之前，先把所有分数除以温度值 T。
p(t) = softmax(z_t / T)
- T ≈ 1：保持原始分布。
- T < 1：分布更尖锐，更倾向选择高概率 Token（更“稳”）
- T > 1：分布更平坦，低概率 Token 更容易被采样到（更“野”）
还是用“今天天气真__”的例子：
- T = 0.2（低温）：分数差距被放大（都除以 0.2，等于乘以 5），原本就领先的“好”概率飙升到 ~98%，几乎每次都选它。
- T = 1.0（默认温度）：保持原始分布不变，“好”62%、“不错”20%...按正常概率采样。
- T = 1.5（高温）：分数差距被缩小（都除以 1.5），“好”概率降到 ~35%，“棒”、“不错”甚至“糟糕”都有更大机会被选中。
温度越低，输出越确定；温度越高，输出越随机。
工程建议（经验值，非硬规则）：
| 场景 | 推荐温度 | 说明 |
|---|---|---|
| 结构化提取 / JSON 输出 | 0 ~ 0.3 | 配合严格 schema + 解析失败重试策略 |
| 评估 / 分析 / 代码评审 | 0.4 ~ 0.8 | 平衡确定性与表达多样性 |
| 创作类内容（文案、头脑风暴） | 0.8 ~ 1.2+ | 增加多样性，但要承担格式一致性风险 |
追求确定性？若需单元测试幂等或结果复现，仅设 Temperature=0 不够（GPU 浮点误差仍可能导致非确定性）。建议同时配置 seed 参数（如 OpenAI/DeepSeek 支持）。
即使配置 seed，以下情况仍可能导致结果不一致：
- 模型版本更新（底层权重变化）。
- 跨区域调用（不同集群可能部署不同版本）。
- Top-p 采样（即使 T=0，若 Top-p<1 仍有随机性）。
建议在 CI/CD 中仅将 LLM 调用用于冒烟测试，核心逻辑仍依赖 Mock。
Top-p 与 Top-k 的“抽签池”
Temperature 调整的是概率分布的形状，但不管怎么调，词表里所有 Token 理论上都有被选中的可能。Top-p 和 Top-k 则更直接——把不靠谱的候选直接踢出抽签池。
还是用“今天天气真__”的例子：
| 候选 Token | 概率 | 累计概率 |
|---|---|---|
| 好 | 62% | 62% |
| 不错 | 20% | 82% |
| 棒 | 10% | 92% |
| 糟糕 | 5% | 97% |
| 紫色 | ≈0% | ≈100% |
- Top-k = 3：只保留概率最高的 3 个候选（好、不错、棒），在这 3 个里重新分配概率后采样。“糟糕”和“紫色”直接出局。
- Top-p = 0.9：从高到低累加概率，保留累计刚好达到 90% 的最小集合。这里“好 + 不错 + 棒 = 92% ≥ 90%”，所以保留这 3 个。如果某个场景下头部更集中（比如第一名就占了 95%），Top-p 会自动只保留 1 个——比 Top-k 更灵活的地方就在这。
两者的区别：Top-k 固定保留 k 个，不管概率分布长什么样；Top-p 根据概率自适应调整候选数量。实践中 Top-p 更常用，因为它能自动适应不同的概率分布。
常见组合：
| 组合 | 效果 | 适用场景 |
|---|---|---|
| T=0（贪婪解码） | 永远选最高分，完全确定 | 结构化输出、可复现场景 |
| 低温 + Top-p=0.9 | 相对稳定，但允许措辞上有些变化 | 分析报告、摘要 |
| 中高温 + Top-p=0.95 | 多样性较高，但排除了极端离谱选项 | 创意写作、对话 |
注意：贪婪解码虽然最稳定，但可能更容易陷入重复循环。
停止条件与截断风险
工程上需要意识到两点：
- Max Tokens 是硬上限：到上限会被强制截断，模型正写到一半也会被“掐断”。常见后果：JSON 缺右括号、列表缺最后几项、句子写了一半。
- Stop Sequences（停止词）是软切断：可以指定一些字符串（如
"\n\n"或"```"），模型生成到这些内容时会自动停止。但如果 stop 设计不当，可能提前截断关键字段。
结构化输出场景要把“截断风险”当成一类失败路径来设计缓解策略。
思维链模式的 Token 计算差异：对于支持思维链的模型（如 DeepSeek-R1），max_tokens 通常包含思考过程 + 最终回答两部分。例如设置 max_tokens=8192，模型可能在思考链上消耗 5000 tokens，最终回答只剩 3192 tokens 的预算。
不同供应商的默认值和上限差异较大：DeepSeek-R1 默认 32K、最大 64K；OpenAI o1 系列的输出上限也高于普通模型。使用前务必查阅具体模型的 API 文档。
Penalty 与复读问题
可能遇到过模型反复输出同一句话，或者在长回答里不断重复相同观点。Penalty 参数用来缓解这类问题，它们在解码时降低已出现 Token 的分数：
| 参数 | 作用 | 通俗理解 |
|---|---|---|
| Repetition Penalty | 降低所有已出现 Token 的概率 | “说过的词，再说就扣分” |
| Presence Penalty | 只要 Token 出现过就扣分（不看次数） | “鼓励聊新话题” |
| Frequency Penalty | Token 出现次数越多扣分越重 | “同一个词说了三遍？重罚” |
工程陷阱：
- 结构化输出别乱加 Penalty：JSON 里字段名（如
"name"、"score"）需要反复出现，加了 Repetition Penalty 可能把必须出现的字段名也“惩罚掉”，导致输出残缺。 - RAG 问答别加 Presence Penalty：它会鼓励模型“说点新东西”，反而降低对检索内容的忠实度，增加幻觉风险。
保守建议：如果不确定这些参数的精确语义（不同供应商定义可能不同），建议保持默认值。用低温 + 更强 Prompt 约束 + 更短输出来获得稳定性，比调 Penalty 更可控。
思维链模式的参数限制
部分模型（如 DeepSeek-R1、OpenAI o1）支持“思维链模式”，在生成最终回答前会先输出一段内部推理过程。这类模型有特殊的参数约束：
不支持的采样参数：思维链模式下，以下参数通常被忽略：
temperature、top_p：采样控制参数。presence_penalty、frequency_penalty：惩罚参数。
原因：思维链模式的设计目标是让模型“自由思考”，采用模型内部固定的采样策略，用户传入的采样参数会被忽略。
工程建议：
- 调用思维链模型时，不要依赖上述参数控制输出风格。
- 若需要更稳定的输出格式，应通过 Prompt 约束而非采样参数。
- 关注模型返回的
reasoning_content字段（思考过程）与content字段（最终回答）的区别。
流式输出与首字延迟
默认情况下，API 会等模型生成完所有内容后一次性返回。流式输出则是边生成边返回——模型每生成一个（或几个）Token，就立刻推送给客户端，用户更早看到内容开始出现。
核心价值：改善用户体验，降低首字延迟（TTFT，Time-To-First-Token）。
常见误解澄清：
- 流式输出更快——总耗时（E2E latency）不一定下降，模型生成的总 Token 量相同。
- 流式输出更省钱——Token 计费不变，仍然受限流/配额影响。
- 如果需要结构化输出（如 JSON），流式场景要考虑“半成品 JSON”在前端/网关层的处理。
Logprobs 与置信度排查
部分 API（如 OpenAI）支持返回每个生成 Token 的对数概率（logprobs），可以理解为模型对该 Token 的“确信程度”。logprob 越接近 0，模型越确信；值越小（如 -5.0），说明模型越“犹豫”。
工程应用场景：
- 置信度评估：提取“金额: 1000”时，若对应 Token 的 logprob 很低，说明模型不太确定，可能需要人工复核。
- 异常检测：监控生产环境中模型输出的平均 logprob，若突然下降可能提示 Prompt 漂移或输入数据异常。
- 多候选对比：获取 Top-N 候选 Token 及其概率，用于纠错或二次排序。
注意事项：logprobs 会增加响应体积，且并非所有供应商都支持。使用前请查阅 API 文档。
采样参数配置建议
| 场景 | Temperature | Top-p | Penalty | 其他建议 |
|---|---|---|---|---|
| JSON / 结构化输出 | 0 ~ 0.3 | 1.0 | 保持默认 | 配合 Strict Mode + 重试策略 |
| 代码评审 / 技术分析 | 0.4 ~ 0.7 | 0.9 | 保持默认 | 结合 CoT Prompt |
| 多轮对话 | 0.6 ~ 0.8 | 0.9 | 适度开启 | 控制历史消息长度 |
| 创意写作 / 头脑风暴 | 0.8 ~ 1.2 | 0.95 | 按需开启 | 接受输出多样性，做好后处理 |
| 思维链模型 | —（不支持） | — | — | 通过 Prompt 控制，非采样参数 |
总结
回顾这篇扫盲内容，核心其实就是处理好三个维度的工程权衡：
- Token 是成本与性能的物理标尺：它不仅决定计费账单和推理延迟，更决定模型对文本的理解粒度。做容量规划时，必须按 Token 算账，而不是按字数算账。
- 上下文窗口是极其稀缺的资源：哪怕模型宣称支持 1M 上下文，也不意味着可以毫无节制地堆砌数据。为 Prompt、RAG 检索片段、历史对话和输出预留做好严格的 Token 预算分配，是走向生产环境的必修课。
- 采样参数是业务场景的调音台：如果追求稳定的 JSON 输出，就果断压低 Temperature 并配合严格的 Schema；如果需要创意与头脑风暴，再适度放开 Temperature 和 Top-p。不要迷信默认参数，要根据业务的容错率来定制。
打好这层参数与原理的地基，再去看 Agent 编排、RAG 检索或是 MCP 工具调用，你会发现那些高阶架构的本质，无非是在更好地调度这些底层 Token，更精准地管理这个上下文窗口。