可通过四种方式调节temperature和top-p参数：一、指令末尾动态附加；二、yaml指令文件中配置；三、skills脚本硬编码；四、api请求体传参。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用 CodeBuddy 过程中希望针对不同任务精准控制 AI 输出的稳定性、逻辑严谨性或创意发散程度，则需通过调节 Temperature 和 Top-P 两个核心参数实现。这两个参数共同作用于模型采样阶段，分别影响概率分布陡峭程度与候选词集合范围。以下是多种可操作的调节路径：
一、在单次指令中动态附加参数
该方式无需修改任何配置文件或全局设置，适用于临时测试、A/B对比或对某条特定请求进行精细干预，参数声明将覆盖所有其他层级设定。
1、在 CodeBuddy 的对话输入框中撰写完整自然语言指令。
2、在指令末尾添加英文空格分隔的参数键值对，格式为：temperature=0.4 top_p=0.85。
3、确保参数名与数值间无等号以外的符号，不加引号、括号或中文标点。
4、按下回车提交后，本次响应将严格按所设参数执行，不影响后续指令。
二、通过 .codebuddy/commands 下的 YAML 指令文件注入
该方式面向结构化工作流场景，允许您为某一类自定义指令（如 /clarify、/spec-check）绑定专属参数策略，确保每次触发均携带预设行为特征。
1、定位到项目根目录下的 .codebuddy/commands 文件夹。
2、打开对应指令的 YAML 文件（例如 req-clarify.md 或 analyze-task.yaml）。
3、在文件顶部或 model_config 节点下新增两行参数字段：temperature: 0.2 与 top_p: 0.4。
4、保存文件后重启 CodeBuddy 或重新加载指令集，该指令即永久启用所设参数组合。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
三、在本地 Skills 脚本中硬编码参数
该方式适用于高级用户构建自动化技能链（如批量文档分析、多轮技术评审），可在 Python 或 JavaScript 编写的 Skills 脚本中直接嵌入参数逻辑，保障调用一致性与可复现性。
1、进入 CodeBuddy 安装路径下的 skills/your_skill_name/config.yaml。
2、在 model_config 区域内添加如下字段：temperature: 0.6 与 top_p: 0.9。
3、若该 Skill 支持多模型路由，须在对应模型键名（如 glm4-flash 或 qwen2.5）下嵌套配置。
4、保存后执行 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）
该方式适用于将 CodeBuddy 接入企业级服务编排系统，允许远程服务在发起 HTTP 请求时动态指定参数，实现跨环境统一调控。
1、构造 POST 请求至 CodeBuddy 的 MCP 兼容接口地址，如 /v1/chat/completions。
2、在 JSON 请求体中加入字段："temperature": 0.3 与 "top_p": 0.75。
3、确保数值类型为浮点数，且 temperature 取值严格限定在 0.1–1.0，top_p 在 0.01–1.0 范围内。
4、发送请求后，响应内容将依据该参数组合生成，不依赖客户端本地配置。
