Temperature（溫度）是控制 AI 語言模型輸出隨機性的參數。理解它需要先理解 LLM 的生成機制：模型每次生成一個字時，實際上是在對所有可能的下一個字計算「出現機率」，然後從這個機率分布裡選擇一個字。
Temperature 的作用是調整這個「選擇」的方式：
Temperature = 0（或接近 0）：從機率分布裡每次都選最高機率的那個字（Greedy Decoding）。這讓輸出非常確定性——同樣的問題每次給的答案幾乎一樣。適合需要準確、可重現答案的任務：代碼生成、數學計算、事實查詢、格式轉換。
Temperature = 1：按照原始機率分布隨機採樣。機率高的字仍然更可能被選到，但也有機率選到機率較低的字，引入了多樣性。適合需要創意和多樣性的任務：創意寫作、腦力激盪、對話設計。
Temperature > 1：進一步增加隨機性，輸出更「出人意料」，但也更不連貫——通常在創意探索場景下使用，一般應用少用。
一個直觀比喻：溫度低的 Claude 像一個保守的編輯——選最安全、最確定的詞；溫度高的 Claude 像一個詩人——在詞彙的選擇上更冒險、更有個性。
不同的任務應該用什麼 Temperature？有沒有一般性的建議？
低 Temperature（0-0.3）：最適合需要準確性和一致性的任務。
代碼生成和調試：你希望 Claude 每次都給出最正確的代碼，而不是「有創意的錯誤代碼」。Temperature 0 讓輸出更穩定，更容易預測和測試。
事實查詢和摘要：需要 Claude 說出它最有把握的內容，而不是「創意發揮」。
格式轉換：把 JSON 轉成 CSV、把會議記錄整理成結構化清單——輸出格式要確定、不需要多樣性。
中等 Temperature（0.5-0.8）：大多數日常任務的甜蜜點。
商業寫作（郵件、報告、提案）：需要一定的自然流暢性，但不要太「狂野」。
問答和解釋：Claude 需要在準確性和表達多樣性之間找平衡。
高 Temperature（0.8-1.0）：創意場景。
創意寫作（小說、詩歌、廣告文案）：需要 Claude 跳出最顯而易見的選擇，探索更有趣的可能性。
腦力激盪和構想生成：你想要多樣化的想法，包括一些你可能意想不到的角度。
重要提醒：claude.ai 介面預設的 Temperature 設定對大多數任務已經優化得很好，一般用戶不需要也不能在介面上調整。Temperature 調整主要是 API 開發者的工具。
Temperature 和 Top-p、Top-k 有什麼關係？這些參數有什麼差別？
這些都是控制 LLM 輸出多樣性的參數，但機制不同：
Temperature：如前面說的，縮放整個機率分布。調高溫度讓所有低機率的詞都有更多機會被選到；調低讓高機率的詞更壟斷選擇權。
Top-p（Nucleus Sampling）：只從「累積機率達到 p 的最高機率詞集合」裡採樣。例如 top-p = 0.9，就是把所有詞按機率從高到低排，只保留加起來達到 90% 機率的那些詞，從這些詞裡再隨機採樣。這讓輸出在確保主要的可能選項的同時，排除了那些機率極低（幾乎不可能出現）的詞。
Top-k：只從機率最高的 k 個詞裡採樣。例如 top-k = 50，不管這 50 個詞的機率分布如何，只在這 50 個詞裡隨機選。
對 Claude API 用戶的實際建議：Claude API 主要支援 Temperature 和 Top-p 這兩個參數（top-k 不一定支援）。大多數情況下，只調整 Temperature 就夠了——它是最直觀、最容易理解效果的參數。Top-p 通常不需要修改（預設值已優化），除非你有非常特殊的輸出控制需求。不要同時把 Temperature 設很高又把 Top-p 設很大，這會讓輸出變得非常不可控。
實際使用 Claude API 時，溫度設定的常見錯誤和最佳實踐是什麼？
最常見的錯誤一：認為高溫度 = 更好的輸出
溫度控制的是多樣性，不是品質。對代碼生成任務，溫度 1 不會讓代碼更好，只會讓每次輸出更不一樣——而你需要的是每次都給出正確的代碼，不是「創意的錯誤代碼」。
最常見的錯誤二：所有任務用同一個溫度
一個應用裡可能有多種任務類型。用一個固定的溫度對所有任務，意味著創意任務可能太保守、分析任務可能太不穩定。最佳做法：根據每種任務類型在 System Prompt 裡說明用途，並根據任務類型動態設定溫度。
最佳實踐：
從預設值（通常 0.7-1.0）開始，只在你觀察到問題時才調整。如果發現輸出品質不穩定（同樣的問題有時好有時差），可以試著降低溫度。如果發現輸出太「千篇一律」缺乏多樣性，試著適當提高溫度。
對生產環境的應用，確定好你的溫度設定後就固定下來，不要頻繁調整——溫度的改變會影響輸出的一致性，讓你的應用行為更難預測。
跟你的實際開發有什麼關係：如果你是剛開始用 API 的開發者，把溫度設在 0.7-1.0 之間開始，等你對 Claude 的輸出有足夠感覺之後，再根據具體任務需求微調。Temperature 是個需要靠實際觀察而不是理論分析來優化的參數。
一個 AI 客服應用需要同時處理兩種類型的問題：技術支援（「我的帳號無法登入」）和創意行銷（「幫我想一個活動的標語」）。
如果統一用 Temperature = 0.3：
技術支援問題回答準確、一致——用戶問同樣的問題，每次得到的標準答案都一樣，容易品管。但創意行銷問題的回答太保守、缺乏新奇感，每次給的標語都差不多，客戶覺得 AI 沒有創意。
如果統一用 Temperature = 0.9：
創意行銷問題每次輸出都有新意——標語多樣且有趣。但技術支援問題開始出現不穩定：同樣的登入問題，有時說「清除 Cookie」，有時說「重設密碼」，有時說「換個瀏覽器試試」——每次的建議不一樣，用戶體驗差，也難以測試和品管。
正確的做法：動態設定 Temperature：
在 System Prompt 裡判斷問題類型，對技術支援問題設 Temperature = 0.2，對創意問題設 Temperature = 0.9。讓準確性和創意性各自在最適合它們的溫度下工作，整體應用品質大幅提升。
Temperature 的核心取捨是「輸出一致性 vs 輸出多樣性」。沒有哪個溫度設定在所有場景下都是最好的——這是一個純粹依任務性質而定的參數。對需要可重現、可測試輸出的工程應用，低溫度讓你的系統更容易預測和維護；對需要每次都能給出新鮮感的創意應用，高溫度是必要的。最大的工程挑戰往往是一個應用裡同時有多種任務類型，需要動態調整溫度——這比固定溫度更複雜，但也讓每種任務都能在最適合的溫度下運作。