这是「AI 之路进阶升级指南」第一周 Day 3 的配套练习。你需要先完成 Day 1。Part 1 里讲了参数的理论（「理解 API 参数」），今天动手验证。
Part 1 读了参数理论，但没有亲手试过，那些只是文字。今天做三个实验，亲眼看看参数如何影响输出。
准备工作
确保 Day 1 的项目能跑：
uv run python hello_api.py
看到 AI 回复就说明环境没问题。接下来的实验都基于这段代码改。
实验一：temperature 从 0 到 1
把 hello_api.py 复制为 experiment_temp.py，改成这样：
import os
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
api_key = os.environ.get("DEEPSEEK_API_KEY")
if not api_key:
raise ValueError("DEEPSEEK_API_KEY 环境变量未设置，检查 .env 文件")
client = OpenAI(
api_key=api_key,
base_url="https://api.deepseek.com"
)
question = "写一个关于猫的短故事（三句话以内）"
for temp in [0, 0.5, 1.0]:
print(f"\n{'='*40}")
print(f"temperature = {temp}")
print('='*40)
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=[{"role": "user", "content": question}],
temperature=temp
)
print(response.choices[0].message.content)
运行：
uv run python experiment_temp.py
观察什么：
temperature=0：每次跑出来的结果几乎一样。AI 选了概率最高的词，没有随机性。temperature=0.5：有些变化，但逻辑依然连贯。temperature=1.0：每次跑出来差异明显。用词、风格、故事走向都可能不同。
动手试：把同一段代码跑两三遍，对比 temperature=0 和 temperature=1.0 的输出稳定性。
什么时候用哪个：
- 要确定性结果（代码、数据提取）→
temperature=0 - 要有点变化但可控（日常对话、翻译）→
temperature=0.5-0.7 - 要创意发散（写作、头脑风暴）→
temperature=0.8-1.0
实验二：max_tokens 截断效果
新建 experiment_tokens.py：
import os
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
api_key = os.environ.get("DEEPSEEK_API_KEY")
if not api_key:
raise ValueError("DEEPSEEK_API_KEY 环境变量未设置，检查 .env 文件")
client = OpenAI(
api_key=api_key,
base_url="https://api.deepseek.com"
)
question = "解释什么是机器学习，举三个生活中的例子"
for limit in [50, 200, 1000]:
print(f"\n{'='*40}")
print(f"max_tokens = {limit}")
print('='*40)
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=[{"role": "user", "content": question}],
max_tokens=limit
)
print(response.choices[0].message.content)
print(f"\n(实际输出 tokens: {response.usage.completion_tokens})")
运行：
uv run python experiment_tokens.py
观察什么：
max_tokens=50：AI 刚开始解释就被截断了，句子可能不完整。max_tokens=200：能给出一个简短的回答，但三个例子可能写不完。max_tokens=1000：完整回答，三个例子都能展开。
注意：max_tokens 是上限，不是目标长度。AI 不一定会用满。如果问题只需要 100 tokens 的回答，设成 1000 也不会输出更多。
实验三：算一下你花了多少钱
在实验二的代码末尾加一段：
# 最后一次请求的费用估算
usage = response.usage
input_tokens = usage.prompt_tokens
output_tokens = usage.completion_tokens
# DeepSeek V4-Flash 价格（2026年5月，随时可能变）
input_price = 0.14 / 1_000_000 # $/token
output_price = 0.28 / 1_000_000
cost = (input_tokens * input_price) + (output_tokens * output_price)
print(f"\n本次请求费用: ${cost:.6f} (约 ¥{cost * 7.2:.4f})")
print(f" 输入: {input_tokens} tokens, 输出: {output_tokens} tokens")
建立直觉：
- 一次简单的问答（100 输入 + 200 输出 tokens）大约花 ¥0.0006，不到一厘钱
- 10 元可以跑大约 15,000-20,000 次这样的请求
- 真正花钱的是长文本：一篇 5000 字文章的摘要可能消耗 7,500 输入 tokens
今天的收获
- 跑了 temperature 实验，看到了 0 和 1 的输出差异
- 跑了 max_tokens 实验，看到了截断效果
- 算了一次请求的实际费用
下一步：Day 4 是 Part 2 骨干教程——从单次调用进阶到批量处理。你将学会让 API 自动处理 100 个文件。
不确定参数怎么调？把你想要的效果用自然语言描述，直接问 AI：“我想让输出更稳定/更有创意/更短，temperature 和 max_tokens 应该怎么设？”