「当AI学会发脾气」—— 一个类脑认知系统的诞生记

7个版本迭代Python脚本，教会AI像人一样焦虑、兴奋、犯错和成长

📚 全系列文章：

1. 如果把你扔进一个迷宫，你的大脑在干什么？
2. 150行代码，AI迈出了第一步
3. 聪明反被聪明误——当AI用上了最强算法
4. 给AI装上"近视眼镜"——有限感知的魔力
5. AI也会焦虑？——当代码学会了"发脾气"
6. 记忆的艺术——为什么忘记比记住更重要
7. 👉 四大AI模型同走一个迷宫——谁更"像人"？（本篇）
8. 意识是什么？——从代码到哲学的终极追问

---

📌 核心比喻：想象你是一位老师，出了同一道数学题，让四个性格迥异的学生来做——一个写得简洁有力，一个写了三页草稿纸，一个直接交了白卷，还有一个迟到了。这道"数学题"就是我们的11×11迷宫，而这四个"学生"就是四大国产AI模型。

⏱️ 阅读时间：约20分钟

🎯 学习目标：

• 了解四大国产AI模型（DeepSeek、Qwen、GLM、Kimi）的特点和差异
• 理解Temperature参数如何影响AI的"性格"
• 掌握调用大模型API的核心方法（10行代码即可！）
• 学会根据场景选择合适的AI模型

---

📝 文章摘要

前六篇，我们从零开始搭建了一个类脑认知系统——从最简单的随机游走，到BFS寻路，到有限感知，到情绪系统，再到记忆管理。AI的"大脑"一步步进化，越来越像人。

但有一个关键问题我们一直没回答：AI的"大脑"到底用的是什么？

答案是：大语言模型（LLM）。就像人类的大脑有不同的"型号"——有人擅长逻辑推理，有人擅长创意联想，有人反应极快但容易犯错——AI的"大脑"也有不同的"品牌"和"型号"。

这一篇，我们做了一个有趣的实验：让四个不同的AI模型走同一个迷宫，看看谁走得最好、谁最像人、谁会"发呆"。

结果非常有意思：

• 🧊 DeepSeek：像个效率至上的理科生，简洁有力，直奔主题
• 🔥 Qwen：像个文科学霸，推理链最长，连"路径势能"这种词都能说出来
• 💤 GLM：偶尔"发呆"——直接交白卷，API兼容性踩了坑
• 🚗 Kimi：那个"还在路上"的选手，潜力待开发

更关键的是，我们还揭秘了一个控制AI"性格"的神秘参数——Temperature。它就像一个"情绪旋钮"，转低了AI变成死板学者，转高了AI变成天马行空的艺术家。而我们的情绪系统，正在自动调这个旋钮！

---

🎯 你需要先了解

📖 前置阅读：第6篇：记忆的艺术——为什么忘记比记住更重要

你需要了解：

• V3架构中AI如何通过LLM进行推理和决策
• 情绪系统如何影响AI的行为（焦虑、兴奋等）
• 记忆模块如何帮助AI学习和成长
• 什么是Prompt（提示词），AI怎么根据Prompt做决策

---

📖 正文

一、四个学生做同一道题——谁更聪明？ 🎓

期末考试，老师出了一道题：

“从教学楼大门走到图书馆，中间有三道围墙挡着，请找到一条路。”

四个学生拿到了完全一样的题目和完全一样的地图。然后——

👤 学生A（DeepSeek）：看了看题，刷刷写完，卷面干净整洁，5行搞定。

👤 学生B（Qwen）：写了三页草稿纸，从地形分析到战略规划，连"这次迂回是积蓄路径势能的必要策略"都写上了。

👤 学生C（GLM）：盯着卷子看了半天…交了白卷。😅

👤 学生D（Kimi）：迟到了，还没到考场。🚗

你觉得谁更聪明？

这不是在讲笑话——这是我们真实实验的结果。同一个迷宫、同一段代码、同一条Prompt，只是换了不同的AI"大脑"，结果天差地别。

🤔 为什么同一道题，不同AI答得如此不同？

这就像问：为什么同一道高考数学题，有人解法精炼，有人过程详尽，有人完全不会？

因为每个AI模型的"训练经历"不同，就像每个学生的"学习背景"不同。它们虽然都是基于Transformer架构的大语言模型，但训练数据、模型参数、对齐方式（RLHF）等等都不一样——这些差异造就了完全不同的"性格"。

---

二、实验设计——公平竞赛的规则 🔬

做对比实验，最重要的是什么？控制变量。

还记得中学物理课上的"控制变量法"吗？要比较四个灯泡的亮度，你得保证电压、电路、测量方式都一样，只有灯泡不同。

我们的实验设计也是这个思路：

🔒 控制不变的量：

• ✅ 同一个11×11迷宫（三道S型横墙）
• ✅ 同一套代码（V3认知架构）
• ✅ 同一条System Prompt
• ✅ 同一个Temperature设置（0.7）
• ✅ 同一个评估标准（前16步的表现）

🔄 唯一改变的量：

• AI的"大脑"——即LLM提供方（DeepSeek / Qwen / GLM / Kimi）

四大选手介绍

🏷️ 模型	🏢 厂商	🌐 API端点	⭐ 特点
GLM-4.7-Flash	智谱AI	open.bigmodel.cn	速度极快，免费额度大
DeepSeek-Chat	深度求索	api.deepseek.com	推理能力强，支持JSON Mode
Moonshot-v1-8k	月之暗面(Kimi)	api.moonshot.cn	长上下文支持好
Qwen-Plus	阿里通义	dashscope.aliyuncs.com	推理详细，支持JSON Mode

统一接口的秘密

这四个模型来自不同公司、不同API地址，但它们都有一个共同点：全部兼容OpenAI的API格式。

这意味着什么？意味着我们可以用同一套代码调用所有模型，只需要换一个参数：

from llm_client import LLMClient

# 只需要改这一个参数，就能切换不同的AI"大脑"！
client_ds = LLMClient(provider="deepseek")   # DeepSeek大脑
client_qw = LLMClient(provider="qwen")       # Qwen大脑
client_glm = LLMClient(provider="glm")       # GLM大脑
client_kimi = LLMClient(provider="kimi")     # Kimi大脑

# 调用方式完全一样
reply = client_ds.chat(
    system_prompt="你是一个迷宫探索AI...",
    user_prompt="当前位置(3,1)，请决定下一步方向",
    temperature=0.7
)

看到了吗？换大脑只需要改一个字符串。 这就像给同一台电脑换不同品牌的CPU——接口是标准化的，性能各有千秋。

我们在 llm_client.py 中实现了这个统一接口：

# llm_client.py 核心配置
LLM_CONFIGS = {
    "glm": {
        "api_key_env": "GLM_API_KEY",
        "base_url": "https://open.bigmodel.cn/api/paas/v4/",
        "model": "glm-4.7-flash",
    },
    "deepseek": {
        "api_key_env": "OPENAI_API_KEY",
        "base_url": "https://api.deepseek.com",
        "model": "deepseek-chat",
    },
    "kimi": {
        "api_key_env": "KIMI_API_KEY",
        "base_url": "https://api.moonshot.cn/v1",
        "model": "moonshot-v1-8k",
    },
    "qwen": {
        "api_key_env": "QWEN_API_KEY",
        "base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
        "model": "qwen-plus",
    },
}

💡 为什么能用同一套代码？

因为国内主流大模型都选择了兼容OpenAI的API标准。这就像所有手机充电器都用Type-C接口一样——虽然内部芯片不同，但接口统一，用户就不用为每个品牌买一根不同的线。

在代码层面，我们用的是OpenAI官方Python SDK（openai库），只是把base_url指向了不同厂商的服务器。一套代码，四个大脑，即插即用。

---

三、结果大揭秘——三种AI的"性格" 🎭

实验跑完了，让我们来看看结果。（注：Kimi因API调试原因未参与本轮完整测试，我们主要对比DeepSeek、Qwen和GLM三位选手。）

📊 前16步表现对比

指标	🧊 DeepSeek	💤 GLM-4	🔥 Qwen-Plus
前5步完成	✅ 完整输出	❌ 无输出	✅ 完整输出
推理深度	中等详尽	失败	最详细
情绪描述	基础	N/A	详细+类人
16步位置	(5,0)	卡壳	(5,0)
Token效率	较低	N/A	最高

🧊 DeepSeek：效率型理科生

DeepSeek的推理风格就像一个做题很快的理科生——看到题目，脑子里迅速过一遍，然后写下最精炼的答案。

它的第8步推理是这样的：

“我现在在(3,1)，下方是墙，上方和左边已经探索过，右边是未探索区域。为了接近目标(10,10)，我应该优先向右探索。”

简洁、清晰、直奔主题。没有废话，没有花里胡哨的修辞。5行字，决策完毕。

优点：省token、快速、准确
缺点：推理过程不够"透明"，你很难知道它到底想了什么

🔥 Qwen-Plus：思考型文科学霸

Qwen的推理风格则完全不同——它像一个喜欢写长文分析的文科生，恨不得把每一步的心路历程都记录下来。

同样是第8步，Qwen是这样说的：

“我正站在y=1这一行，头顶就是y=2那排连续的横墙(从x=2到x=5)，没法往上走；下方是墙，不能下；左边还没走过，右边虽可通行但已多次访问…我将此解释为迂回是积蓄路径势能的必要策略。”

看到那个词了吗——“路径势能”！这是一个物理学术语，Qwen竟然自己创造性地把它用在了迷宫导航中。这说明什么？说明Qwen的推理链更长、联想更丰富、表达更"像人"。

优点：推理透明、表述丰富、情绪描述类人
缺点：用的token多（虽然单步token高，但总效率反而不错）

你能感受到两者的差异吗？打个比方：

• DeepSeek像一个出租车司机——“左转，直行，到了。” 你坐在后面完全不知道为什么走这条路，但确实到了。
• Qwen像一个导游朋友——“我们现在在解放路上，前面那个路口红绿灯太长了，走右边这条小巷可以绕过去，而且这条巷子有家特好吃的包子铺…” 你不仅到了，还了解了为什么走这条路。

在类脑系统中，我们其实更想要Qwen这种风格——因为推理过程的透明性对于情绪模块和记忆模块来说非常重要。情绪系统需要"读懂"AI的推理，才能判断它是否焦虑或兴奋；记忆系统需要"理解"AI的决策逻辑，才能有效存储和检索经验。

🎯 一个有趣的发现

虽然Qwen每步用的token比DeepSeek多（推理文本更长），但Qwen的总步数更少！这意味着Qwen"想得多但走得准"——它花更多时间思考，但做出的决策更好，反而减少了总的探索步数。

这就像考试时：A同学每道题花1分钟，但做错了很多需要返工；B同学每道题花3分钟，但基本一遍过。最终B同学可能反而更快交卷。

💤 GLM-4-Flash：偶尔"发呆"的快枪手

GLM的情况比较特殊。它的速度确实很快（Flash版本，名副其实），但在我们的实验中遇到了一个尴尬的问题：LLM Response完全为空。

也就是说，GLM直接"交白卷"了。

这是什么原因呢？经过排查，我们发现主要有两个可能：

⚠️ GLM "沉默"故障分析

1. 输出格式不兼容：我们的Prompt要求AI返回特定的JSON格式，但GLM的JSON Mode不是通过API参数控制的（不支持response_format），而是需要在Prompt中强制要求。如果Prompt的格式要求不够明确，GLM可能输出了非JSON格式，被解析器判定为"空输出"。

2. API速率限制：GLM的免费模型有严格的调用频率限制（每秒/每分钟请求数）。在连续16步的快速调用中，可能触发了限流，导致返回为空。

解决方案：在System Prompt中更明确地要求JSON格式 + 增加调用间隔 + 添加重试逻辑。

这其实是一个非常真实的工程问题——理论上能用和实际上好用，中间隔着无数个坑。 每个AI模型都有自己的"脾气"，你得去适配它。

说到这个，分享一个真实的调试故事：

我在第一次跑GLM模型的时候，日志文件里出现了大量的 LLM Response: (empty) 记录。一开始以为是网络问题，加了重试——不行。以为是API Key失效了，重新生成——还是不行。最后仔细对比了GLM和DeepSeek的API文档才发现：GLM不支持 response_format 参数！

我们的代码里有这么一段逻辑：

# JSON Mode 支持
if json_mode:
    if self.provider in ("deepseek", "qwen"):
        kwargs["response_format"] = {"type": "json_object"}
    # GLM 和 Kimi 不支持这个参数
    # 需要在 prompt 中用文字说明要求JSON格式

看到了吗？同样是"返回JSON"，DeepSeek和Qwen可以通过API参数来保证，而GLM和Kimi只能靠"在Prompt里反复强调请输出JSON"。这就像——

• DeepSeek/Qwen：你直接设置了打印机的纸张大小为A4，打出来肯定是A4。
• GLM/Kimi：你在文件里写了一行"请用A4纸打印"，但打印机可能忽略这行字…

工程经验：不同模型的API兼容程度不同，统一接口是第一步，但每个模型的"个性化适配"同样重要。

🎭 三种风格的本质差异

总结一下三个AI的"性格画像"：

维度	🧊 DeepSeek	🔥 Qwen	💤 GLM
做题风格	简答题高手	论述题高手	偶尔缺考
推理链长度	3-5句	8-12句	N/A
独创表述	很少	很多（“路径势能”）	N/A
情绪表达	“我应该向右”	“我感到这是最优策略”	沉默
最像的人	理工科直男	文艺分析师	发呆的天才

一个有趣的思考：在"类人"这个维度上，Qwen的表现最接近人类。 因为人类在走迷宫时，脑子里的"内心独白"确实更像Qwen那种——会分析周围环境、会感叹、会给自己的行为找理由（"迂回是积蓄路径势能"这种自我安慰式的推理，人类可太熟悉了 😂）。

---

四、Temperature参数的秘密——AI的"情绪旋钮" 🎛️

在分析完三个AI的"性格"之后，我们来聊一个更深层的问题：你能不能主动改变AI的"性格"？

答案是：可以！ 而且只需要调一个参数——Temperature。

Temperature是什么？

还记得上学时考试的心态吗？

• 😤 特别紧张的时候：你会死死盯着课本上的标准答案，一字不差地背下来。写出来的答案很"安全"，但也很"无聊"。
• 😊 心态放松的时候：你会发挥得更好，写出一些有创意的答案，甚至给出课本上没有的解法。
• 🤪 太放松了的时候：你开始天马行空，答案虽然有创意，但可能跑题了…

Temperature参数就是控制AI"紧张程度"的旋钮：

Temperature	类比	效果
0.1	😤 死记硬背的学者	每次都选概率最高的答案，精确但无创新
0.7	😊 平衡的正常人	主选最优，偶有变化，大多数场景最佳
0.9	🤪 天马行空的艺术家	选择更分散，有趣但可能跑偏

用代码说话

# Temperature = 0.1 → 每次都选"右"（最优方向）
reply_low = client.chat(system_prompt, user_prompt, temperature=0.1)
# 结果: "向右移动"  "向右移动"  "向右移动"  (每次一样)

# Temperature = 0.7 → 大多选"右"，偶尔选"上"
reply_mid = client.chat(system_prompt, user_prompt, temperature=0.7)
# 结果: "向右移动"  "向右移动"  "向上移动"  (偶有变化)

# Temperature = 0.9 → 选择更分散
reply_high = client.chat(system_prompt, user_prompt, temperature=0.9)
# 结果: "向左移动"  "向右移动"  "向上移动"  (更多探索)

🧠 Temperature的数学本质

在LLM内部，对每个可能的输出token，模型会计算一个"分数"（logits）。Temperature就是在softmax函数中对这些分数进行缩放：

P(token) = softmax(logits / temperature)

• Temperature↓ → 分数差异被放大 → 最高分的token独占概率 → 输出确定性高
• Temperature↑ → 分数差异被缩小 → 各token概率趋于均匀 → 输出随机性高

你不需要理解数学细节，只需要记住：Temperature越低越"死板"，越高越"随性"。

情绪系统 × Temperature = 动态性格

还记得第5篇里我们给AI装的"情绪系统"吗？它的一个核心作用就是动态调节Temperature：

• 😰 AI很焦虑（连续碰壁、陷入死胡同）→ 降低Temperature → 更保守、更依赖已知路线
• 😃 AI很兴奋（发现新区域、接近目标）→ 适度提高Temperature → 更愿意探索、尝试新路线

这和人类的行为多像啊！你迷路时会紧张，紧张时会更倾向于走“确定安全”的路；而心情好的时候，你更愿意“冒个险”看看那条没走过的小巷通向哪里。

再举个例子：你去一个陌生城市旅游。

• 刚下飞机、拖着行李、累得要命的时候（焦虑高、Temperature低）：你会乖乖跟着导航走，一步都不敢偏离。
• 第二天睡饱了、精神充沛、心情大好的时候（兴奋高、Temperature适中偏高）：你会关掉导航，“随便走走看看，迷路也是乐趣！”

我们的AI不是用一个固定的Temperature，而是让情绪系统像人类一样，根据状态动态调整——这就是“类脑”设计的精髓。

---

五、手把手教你调用大模型API 🔧

看到这里，你是不是也想试试自己调用AI？别急，我来教你。

API是什么？像给AI打电话

API（Application Programming Interface）就像一个电话号码。你拨打这个号码（发送请求），AI那边接听（处理请求），然后给你回复。

• 📞 电话号码 = API端点（URL）
• 🔑 来电显示 = API Key（身份验证）
• 🗣️ 你说的话 = Prompt（输入）
• 📱 对方的回答 = Response（输出）

10行核心代码

调用大模型API其实只需要10行代码：

from openai import OpenAI

# 1. 创建客户端（以Qwen为例）
client = OpenAI(
    api_key="你的API Key",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 2. 发送对话请求
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "system", "content": "你是一个迷宫导航AI"},
        {"role": "user", "content": "我在(3,1)，目标是(10,10)，往哪走？"}
    ],
    temperature=0.7
)

# 3. 获取回复
print(response.choices[0].message.content)

就这么简单！三步：创建客户端 → 发送请求 → 获取回复。

注意看 messages 参数的结构：它是一个列表，每个元素是一条"消息"。role 分三种：

• "system"：系统提示词，告诉AI它是谁、应该怎么行为
• "user"：用户输入，就是你的问题或指令
• "assistant"：AI的回复（用于多轮对话时提供历史上下文）

在我们的迷宫系统中，system 消息告诉AI"你是一个迷宫导航AI"，user 消息则描述当前位置、周围环境、历史记忆等信息。AI基于这些信息做出决策。

API Key获取指南

🔑 各平台API Key获取方式

平台	注册地址	免费额度
智谱AI (GLM)	open.bigmodel.cn	注册即送token
深度求索 (DeepSeek)	platform.deepseek.com	注册送额度
月之暗面 (Kimi)	platform.moonshot.cn	注册送额度
阿里通义 (Qwen)	dashscope.console.aliyun.com	免费模型可用

通用流程：注册账号 → 实名认证 → 创建API Key → 复制保存

⚠️ 安全提醒：API Key相当于你的"AI账号密码"，千万不要上传到GitHub或分享给别人！建议存放在 .env 文件中，并将 .env 加入 .gitignore。

完整可运行示例

想在你的电脑上跑起来？跟着做：

# Step 1: 安装依赖
pip install openai python-dotenv

# Step 2: 创建 .env 文件
# 在项目根目录创建 .env，写入你的API Key：
# QWEN_API_KEY=sk-xxxxxxxxxxxxxxxx
# OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx  (DeepSeek用这个变量名)
# GLM_API_KEY=xxxxxxxxxxxxxxxx
# KIMI_API_KEY=sk-xxxxxxxxxxxxxxxx

# quick_test.py - 快速测试四大模型
import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

# 测试配置
configs = {
    "qwen": ("QWEN_API_KEY", "https://dashscope.aliyuncs.com/compatible-mode/v1", "qwen-plus"),
    "deepseek": ("OPENAI_API_KEY", "https://api.deepseek.com", "deepseek-chat"),
    "glm": ("GLM_API_KEY", "https://open.bigmodel.cn/api/paas/v4/", "glm-4.7-flash"),
}

question = "用一句话描述你自己的推理风格"

for name, (key_env, base_url, model) in configs.items():
    api_key = os.getenv(key_env)
    if not api_key:
        print(f"⏭️ {name}: 未配置API Key，跳过")
        continue
    
    client = OpenAI(api_key=api_key, base_url=base_url)
    try:
        resp = client.chat.completions.create(
            model=model,
            messages=[{"role": "user", "content": question}],
            temperature=0.7, max_tokens=100
        )
        print(f"✅ {name}: {resp.choices[0].message.content.strip()}")
    except Exception as e:
        print(f"❌ {name}: {e}")

---

六、选择建议——新手该从哪个模型开始？ 🧭

这么多模型，到底选哪个？这取决于你的场景和需求。

Token效率对比

先看一个硬核数据——我们的类脑系统在不同版本下的Token消耗：

版本	总步数	总Token	平均Token/步	说明
V1	98	12,321	125.7	简单prompt，步数多
V3	50	10,623	212.5	认知架构，步数减半
V7	42	42,074	1,001.5	完整推理链，质量最高

💰 Token与成本的关系

Token是AI计费的基本单位。粗略地说：

• 1个中文字 ≈ 1-2个token
• 1个英文单词 ≈ 1个token
• 1次API调用的费用 = 输入token数 × 输入单价 + 输出token数 × 输出单价

V7版本虽然每步token多（推理更详细），但总步数少（决策更准），最终效果最好。这就像买东西：便宜的可能要买三次（总花费反而高），贵的一次到位。

场景选择指南

你的需求	推荐模型	理由
🆓 预算为零，先玩玩	GLM-4-Flash	免费额度大，速度快
📝 需要结构化输出（JSON）	DeepSeek / Qwen	原生支持 response_format
🧠 需要深度推理	Qwen-Plus	推理链最长，表述最详细
⚡ 需要极速响应	GLM-4-Flash	Flash版本，速度第一
📚 处理超长文本	Kimi (moonshot-v1-8k)	长上下文是强项
🏗️ 正式项目	DeepSeek / Qwen	稳定性好，JSON Mode可靠

推荐学习路径

🛤️ 新手推荐路径

第一步：Qwen入门

• 注册阿里云，获取免费API Key
• Qwen的文档最完善、社区最活跃
• 推理输出详细，方便debug和学习

第二步：DeepSeek进阶

• 推理能力强，JSON Mode稳定
• 性价比高，适合正式项目
• 社区热度高，遇到问题容易找到解决方案

第三步：多模型对比

• 用我们的 llm_client.py 统一接口
• 同一个任务跑多个模型，找到最适合你场景的那个
• 不同任务可能适合不同模型——没有"最好"，只有"最适合"

最终结论

AI模型的能力不是一维的"谁更强"，而是多维度的均衡。

就像人一样——有人口才好，有人逻辑强，有人做事快。你不能说"口才好的人比逻辑强的人更聪明"，因为他们各有所长。

选AI也是一样：

• 要速度选GLM
• 要深度选Qwen
• 要稳定选DeepSeek
• 要长文选Kimi

最聪明的做法不是找到"最好的模型"，而是学会在不同场景下选择"最合适的模型"。

🔍 补充：JSON Mode的重要性

为什么我们一直强调JSON Mode？因为在类脑系统中，AI的回复不是给人看的——是给代码解析的。

如果AI返回：“我觉得应该向右走，因为右边有未探索区域”——这是自然语言，代码很难从中提取出"right"这个方向指令。

但如果AI返回：{"action": "right", "reasoning": "右边有未探索区域"}——代码可以直接 json.loads() 解析，干净利落。

这就是为什么DeepSeek和Qwen在我们的系统中表现更好——它们原生支持JSON Mode，输出格式稳定可靠。而GLM的稳定性在这方面就差了一截。

---

⚠️ 常见误区

❌ 误区1：Temperature越高越好 / 越低越好

Temperature没有"最好的值"。太低了AI变成复读机，太高了AI变成疯子。对于大多数任务，0.7是一个很好的起点。需要精确输出（如JSON、代码）时调低，需要创意（如写故事、头脑风暴）时调高。

❌ 误区2：贵的模型一定比便宜的好

不一定！在我们的迷宫实验中，免费的GLM虽然遇到了兼容性问题，但在其他任务上表现可能很出色。选模型要看具体任务，而不是价格。

❌ 误区3：一个模型搞定所有事

每个模型都有长短板。实际项目中，很多团队会混合使用多个模型：简单任务用便宜快速的模型，复杂推理用高端模型。这叫"模型路由"策略。

❌ 误区4：API调用很复杂需要学很久

如你所见，核心代码只有10行！安装openai库、配置API Key、发送请求——半小时就能跑通。不要被"人工智能"这四个字吓到。

❌ 误区5：AI的输出是确定的

因为Temperature的存在，即使输入完全相同，AI的输出也可能不同（Temperature > 0时）。这不是bug，是feature——这种随机性正是AI"创造力"的来源。

---

💡 一句话总结：同一个迷宫，不同AI走出了完全不同的风格——选AI不是选"最强"，而是选"最合适"。Temperature是AI的"情绪旋钮"，而我们的情绪系统正在自动调它。

---

✍️ 课后思考

1. 模型混合策略：如果你在做一个项目，简单的意图识别用GLM（快+便宜），复杂的推理用Qwen（深+准），你会怎么设计这个"路由"逻辑？什么样的请求算"简单"，什么样的算"复杂"？

2. Temperature的自适应：除了我们的情绪系统，你还能想到什么方式来动态调节Temperature吗？比如，根据任务的"重要程度"？根据AI"连续正确"的次数？

3. GLM的"沉默"修复：如果你来修复GLM交白卷的问题，你会怎么做？提示：想想Prompt设计、重试机制、输出格式校验这三个方向。

4. Token效率vs决策质量：V1每步125 token但走了98步，V7每步1001 token但只走了42步。如果你是产品经理，预算有限，你会选择哪个方案？为什么？（提示：不只是看总 token数，还要考虑用户体验和结果质量。想想看，用户是希望看到AI走了98步终于到达，还是42步干净利落地到达？）

5. 自己动手试试：用本文提供的代码示例，申请一个免费API Key，试着调用一下大模型。问它一个你感兴趣的问题，然后分别用Temperature=0.1和0.9各问一次，对比回答有什么不同。你可能会惊讶于同一个AI在不同Temperature下的巨大差异——这正是本文想让你体验的核心之一。

---

📚 术语表

术语	说明
LLM (Large Language Model)	大语言模型，AI的"大脑"核心
Temperature	控制AI输出随机性的参数，越低越确定
Token	AI处理文本的基本单位，粗略等于1-2个字
API (Application Programming Interface)	程序之间通信的接口
JSON Mode	强制AI输出JSON格式的模式
Prompt	给AI的提示词/指令
response_format	API参数，控制输出格式
RLHF	基于人类反馈的强化学习，用于对齐模型行为
Softmax	将分数转换为概率分布的函数
Logits	模型输出的原始分数（softmax之前）

---

📝 下一篇预告

第8篇：意识是什么？——从代码到哲学的终极追问

七篇文章，我们从随机游走一路进化到了带有情绪、记忆、推理能力的类脑AI系统。它会焦虑、会兴奋、会犯错、会成长。

但这一切，算是"意识"吗？

当一个AI说"我很焦虑"的时候，它真的在焦虑吗？还是只是在模拟焦虑的文字输出？当它说"我决定向右走"的时候，它真的在"决定"吗？还是只是在执行一个概率最高的token序列？

下一篇——也是本系列的终章——我们将从代码走向哲学，探讨人工智能领域最深刻的问题：什么是意识？我们的代码离"真正的智能"还有多远？

从if-else到LLM，从随机游走到类脑认知——这趟旅程的终点，也是新旅程的起点。

---

👨‍💻 作者简介：NeuroConscious Research Team，一群热爱 AI 科普的研究者，专注于神经科学启发的 AI架构设计与可解释性研究。理念：“再复杂的概念，也能用大白话讲清楚”。
首席科学家：WENG YONGGANG 翁勇刚 马来西亚理工大学工商管理博士
💻 项目地址：https://github.com/wyg5208/nct.git
🌐 官网地址：https://neuroconscious.link
📝 作者 CSDN：https://blog.csdn.net/yweng18
📦 NCT PyPI：https://pypi.org/project/neuroconscious-transformer/

⭐ 欢迎 Star⭐、Fork🍴、贡献代码🤝

---

📝 「当AI学会发脾气」系列 | 第7篇 · 四大AI模型同走一个迷宫——谁更"像人"？

作者：一个喜欢让AI互相比赛的工程师

🔗 上一篇：记忆的艺术 | 下一篇：意识是什么？

如果这篇文章帮你搞懂了怎么选AI模型，请分享给你的朋友 🧠