LLM 基础概念与模型选型：先算清楚再动手

1. 本节产出

你能在不看任何资料的情况下回答三个问题：一次对话到底发给模型的是什么、花多少钱、该选哪个模型。并且能用一段 20 行的 Java 代码，把任意一段中文文本估出 Token 数、算出单次调用成本。

2. 前置依赖

00-04 成本速算：已理解 Token 计价公式
00-05 术语表：已知道 Token、Temperature、上下文窗口的字面含义
00-02 环境准备：JDK 与 Maven 可用

3. 为什么先讲概念而不是先写代码

这是最容易被跳过的课时，也是后面踩坑最集中的地方。三个真实场景：

场景一：把「上下文」当成「对话记录」。 有位同学把整个数据库表结构（约 3 万 Token）塞进 system prompt，说「让模型知道我们的表」。结果不是答得更准，而是每次调用成本翻了 30 倍，且前 20 轮的对话被挤出窗口，模型开始胡说。原因：上下文窗口是按 Token 计的总量上限，不是按轮数计的。

场景二：把 temperature 当成「随机程度」。 他给结构化抽取任务设了 0.9，抽取结果每次都不一样，最后加了一堆后处理正则去兜底。正确做法是抽取类任务设 0，创意类任务才调高。

场景三：认为「贵的模型一定更好」。 把全部流量打到旗舰模型上，月账单超出预算 8 倍。实际业务里 70% 的请求是「分类 + 摘要」这种简单任务，用轻量模型即可。

这三件事的共同点：不是代码问题，是心智模型问题。概念错了，代码写得再漂亮也是往错的方向加速。

4. 核心原理

4.1 模型看到的到底是什么

你以为发出的：     "帮我看看这段代码"
实际发出的：       [{"role":"system","content":"你是一个助手..."},
                   {"role":"user","content":"帮我看看这段代码"}]
模型看到的：       一个 Token 序列 + 一个概率分布
模型返回的：       按概率采样出的下一个 Token，循环直到结束符

关键点：模型没有「理解」，只有「续写」。它在预测「给定这段前文，下一个最可能的 Token 是什么」。所有 Prompt 工程技巧，本质都是在操纵这个前文。

这条推论很重要，能解释大半现象：

现象	真实原因
模型会编造不存在的 API	它在续写「看起来合理的下一个 Token」，不是在查数据库
长文档中间的信息被忽略	注意力对中间位置的权重偏低（Lost in the Middle 效应）
让它「不要做 X」反而更容易做 X	「不要」这个词本身把 X 的 Token 放进了上下文
同一个问题两次答案不同	采样是概率性的，temperature 控制分布的尖锐程度

4.2 三个必须记牢的参数

参数	作用机制	生产建议
`temperature`	拉平或锐化概率分布。0 = 总选最高概率，1+ = 长尾也被选中	抽取/分类 0~0.2；对话 0.5~0.7；创意 0.8~1.0
`maxTokens`	生成长度上限。超了会被截断，输出半句话	必须显式设置，否则按模型默认走，成本不可控
`topP`	核采样：只在累计概率达到 P 的候选集里采样	一般不动，与 temperature 二选一调整即可

提示：temperature 和 topP 同时调是新手最常犯的配置错误。二者都是改采样分布，叠加后行为难以预测。只调一个，另一个保持默认。

4.3 上下文窗口的账怎么算

总占用 = system prompt
       + 历史对话（含模型的回复）
       + 检索到的文档片段（RAG 场景下最大头）
       + 本次用户输入
       + 预留给生成的额度（maxTokens）
       ─────────────────────────────
       必须 ≤ 模型的上下文窗口

中文的经验值：1 个汉字 ≈ 0.6~1 个 Token（不同分词器差异较大，保守按 1 算），英文 1 个单词 ≈ 1.3 个 Token。

举例：一个 32K 窗口的模型，system prompt 占 800 Token，历史对话 4000 Token，RAG 塞了 10 个片段共 12000 Token，用户输入 200 Token，预留生成 2000 Token——还剩 13000 Token 可用。看着宽裕，但如果前端允许多轮聊 50 轮，历史部分很快就会爆。

4.4 选型决策表

任务类型	推荐档位	判断依据	典型模型定位
分类、打标、意图识别	轻量	输出只有几个字，不需要推理	小参数 / 高性价比档
摘要、抽取、格式转换	中档	需要遵循指令，但不需要复杂推理	主流档
代码生成、多步推理、Agent	旗舰	一步错满盘皆输，错误代价高	推理增强档
embedding	专用模型	不用对话模型做向量化	见 02-05

选型三步法：

先用旗舰模型跑通，确认这件事模型能做好；
再换中档模型跑同一批评测集，看质量掉多少；
掉得少就降级，掉得多就把「只有旗舰能做的部分」单独路由到旗舰。

绝大多数项目做完这三步，成本能降 50%~70%。这套方法在 04-02 模型网关里会做成可配置路由。

5. 代码走查

5.1 依赖与配置

xml

<!-- pom.xml：只需要 BOM，无需额外 starter 即可做本地估算 -->
<dependencyManagement>
  <dependencies>
    <dependency>
      <groupId>org.springframework.ai</groupId>
      <artifactId>spring-ai-bom</artifactId>
      <version>${spring-ai.version}</version>
      <type>pom</type>
      <scope>import</scope>
    </dependency>
  </dependencies>
</dependencyManagement>

5.2 一个够用的 Token 估算器

java

// src/main/java/com/example/aibasics/util/TokenEstimator.java
public final class TokenEstimator {

    /** 中文按 1 字 ≈ 0.7 token，英文按 4 字符 ≈ 1 token 的保守估算 */
    public static int estimate(String text) {
        if (text == null || text.isEmpty()) return 0;
        int cjk = 0, other = 0;
        for (char c : text.toCharArray()) {
            if (isCjk(c)) cjk++;
            else other++;
        }
        return (int) Math.ceil(cjk * 0.7 + other / 4.0);
    }

    private static boolean isCjk(char c) {
        return Character.UnicodeScript.of(c) == Character.UnicodeScript.HAN;
    }
}

提示：这是估算，不是精确值。精确值只有厂商的分词器能给。工程上够用的标准是「预算不失控」，不需要精确到个位数。

5.3 算单次成本

java

// src/main/java/com/example/aibasics/util/CostCalculator.java
public record CostResult(int inputTokens, int outputTokens, double cost) {

    /** priceIn / priceOut 单位：元 / 百万 Token */
    public static CostResult of(String prompt, String answer,
                                double priceIn, double priceOut) {
        int in = TokenEstimator.estimate(prompt);
        int out = TokenEstimator.estimate(answer);
        double cost = in / 1_000_000.0 * priceIn + out / 1_000_000.0 * priceOut;
        return new CostResult(in, out, cost);
    }

    @Override
    public String toString() {
        return String.format("in=%d out=%d cost=%.4f 元", inputTokens, outputTokens, cost);
    }
}

5.4 用真实响应校验估算

java

// 调用后从响应的 metadata 里读厂商返回的真实用量
ChatResponse resp = chatClient.prompt()
        .user("介绍 Spring 的事务传播机制")
        .call()
        .chatResponse();

// 厂商返回的 usage 才是计费依据
var usage = resp.getMetadata().getUsage();
System.out.printf("prompt=%d completion=%d total=%d%n",
        usage.getPromptTokens(), usage.getCompletionTokens(), usage.getTotalTokens());

// 对比自己的估算，偏差超过 30% 就调整系数
System.out.println("估算：" + TokenEstimator.estimate("介绍 Spring 的事务传播机制"));

为什么要做这一步：估算器只用于前置预算（比如限流阈值、用户提示），真正对账必须看厂商返回的 usage。两者长期偏差过大说明你的文本分布和假设不符（比如混了大量英文日志），要重新校准系数。

6. 跑起来

bash

git checkout ch01-01-concepts
mvn -q test -Dtest=TokenEstimatorTest

期望输出（数字会因文本不同略有差异）：

中文估算：输入「Spring Boot 自动配置原理是什么」 → 14 tokens
英文估算：输入「What is dependency injection」   → 7 tokens
真实调用 usage：prompt=18 completion=213 total=231
单次成本（按中档模型 2 元/百万输入、8 元/百万输出）：0.0017 元

自检三件事：

检查项	通过标准
估算与厂商 usage 偏差	中文文本偏差 < 30%
单次成本量级	一次普通问答在 0.001~0.01 元量级
换算成日成本	日活 1000 × 20 次问答 × 0.003 元 ≈ 60 元/天

最后这个换算必须在课堂上当场算出来——学员对「几分钱」没概念，对「一个月多少钱」才有概念。

7. 生产避坑

不要在生产里依赖估算值计费。估算只用于预算告警阈值和前端提示，实际对账一律用厂商返回的 usage 字段落库。两者混用会导致月底对不上账，且排查成本极高。
maxTokens 必须显式设置。不设时模型按自己的默认值走，一次「失控的长输出」可能吃掉你几百倍于预期的费用。做法是给每类任务定死上限：分类 50、摘要 500、生成 2000。
上下文超限的错误往往表现为「答非所问」而不是「报错」。超出窗口时部分厂商会静默截断前文，模型就开始乱答。所以要在调用前主动检查估算 Token 数，超限就压缩历史——这条在 01-06 对话记忆里会落地成代码。

8. 延伸与锚点

思考题：如果业务方要求「单次问答成本必须低于 0.002 元」，你会从哪三个地方省钱？（提示：模型档位、上下文长度、缓存——答案分布在 04-07 与 02-15）
代码锚点：git checkout ch01-01-concepts
下一课时：01-02 第一个 ChatClient
对应课件：L01-01 LLM 基础概念与选型

LLM 基础概念与模型选型：先算清楚再动手 ​

1. 本节产出 ​

2. 前置依赖 ​

3. 为什么先讲概念而不是先写代码 ​

4. 核心原理 ​

4.1 模型看到的到底是什么 ​

4.2 三个必须记牢的参数 ​

4.3 上下文窗口的账怎么算 ​

4.4 选型决策表 ​

5. 代码走查 ​

5.1 依赖与配置 ​

5.2 一个够用的 Token 估算器 ​

5.3 算单次成本 ​

5.4 用真实响应校验估算 ​

6. 跑起来 ​

7. 生产避坑 ​

8. 延伸与锚点 ​

LLM 基础概念与模型选型：先算清楚再动手

1. 本节产出

2. 前置依赖

3. 为什么先讲概念而不是先写代码

4. 核心原理

4.1 模型看到的到底是什么

4.2 三个必须记牢的参数

4.3 上下文窗口的账怎么算

4.4 选型决策表

5. 代码走查

5.1 依赖与配置

5.2 一个够用的 Token 估算器

5.3 算单次成本

5.4 用真实响应校验估算

6. 跑起来

7. 生产避坑

8. 延伸与锚点