CodeBuddy AI模型参数自定义指南：Temperature与Top-P调节详解

要精准控制AI输出的严谨性与创造性，关键在于调节Temperature和Top-P这两个核心参数。它们如同模型生成内容的“调控旋钮”，一个管理着答案的随机性与自由度，另一个则决定了候选词汇的筛选范围。

在CodeBuddy中，你可以根据具体任务需求，通过以下四种方式灵活配置这两个参数，从而实现对AI生成内容稳定性与创新性的精细化管理。

一、在单次指令中动态附加参数

此方法最为灵活，适用于临时测试或对单次交互有特定输出要求的场景。你无需更改任何全局配置，参数仅对当前指令生效。

操作十分直接：在对话框输入你的指令后，直接在末尾附加参数即可。格式为：temperature=0.4 top_p=0.85。

请注意格式规范：参数间使用英文空格分隔，键值对用等号连接，避免使用引号或中文标点。提交后，AI将严格依据此次设定的参数生成回复，不会影响后续对话的默认行为。

二、通过 .codebuddy/commands 下的 YAML 指令文件注入

如果你拥有一些高频使用的结构化自定义指令（例如用于需求澄清的 `/clarify`，或用于规范检查的 `/spec-check`），此方法可确保它们每次调用都保持一致的输出风格。

你需要定位到项目根目录下的 .codebuddy/commands 文件夹，打开对应指令的YAML配置文件。在文件顶部或 `model_config` 节点下，添加如下两行配置：temperature: 0.2 和 top_p: 0.4。

保存文件后，重启CodeBuddy或重新加载指令集，该指令将永久“绑定”你设定的参数组合，后续每次调用均会生效。

三、在本地 Skills 脚本中硬编码参数

对于需要构建自动化工作流的高级用户，例如进行批量文档处理或多轮技术评审，此方法能确保每次调用的结果具备高度的可复现性和一致性。

操作路径是进入CodeBuddy安装目录下的 skills/your_skill_name/config.yaml 文件。在 `model_config` 区域中，同样添加 `temperature` 和 `top_p` 字段并赋值。

若你的Skill配置了多个模型路由，请确保在对应的模型键名（例如 `glm4-flash`）下进行嵌套配置。修改完成后，执行 codebuddy skills reload 命令使变更生效。

四、通过 API 请求体显式传参（适用于 MCP Server 集成）

这是面向企业级集成的方案。当你将CodeBuddy作为服务接入自有自动化系统时，可通过API调用在每次请求中动态指定参数，实现跨环境的集中化管控。

你需要向CodeBuddy的MCP兼容接口（例如 /v1/chat/completions）发送POST请求。在请求的JSON体中，直接加入 "temperature": 0.3 和 "top_p": 0.75 这两个字段。

关键点在于：数值必须为浮点类型，并确保 `temperature` 值在 0.1到1.0 之间，`top_p` 值在 0.01到1.0 之间。如此，服务器的响应将完全基于本次请求的参数生成，不受客户端本地配置的干扰。