大语言模型文本扩展实战：自动生成个性化客服邮件与temperature参数调优（附代码）

摘要

“扩展”（Expanding）是大语言模型的一项重要能力：根据简短的输入（如指令或主题）生成长篇内容（如邮件、文章）。本文基于 OpenAI 官方课程，以“根据客户评论自动生成定制化客服回复邮件”为实战案例，系统讲解如何利用 LLM 进行文本扩展。你将学习：构建带条件分支的提示词（根据情感倾向采取不同回复策略）、使用评论中的具体细节增强回复个性化、理解“temperature”参数对输出多样性的影响，以及如何在创意与确定性之间取得平衡。所有代码均基于 gpt-3.5-turbo 模型，可直接运行。

适用人群 / 前置知识

适用人群：需要自动化生成内容（如客服回复、营销文案、头脑风暴）的开发者、产品经理、运营人员；希望深入理解 LLM 参数调优的学习者。
前置知识：Python 基础；OpenAI API 调用基础；了解情感分析等推理任务（参考本系列前一篇博客）。

引言：从短到长——LLM 的“扩展”超能力

大语言模型不仅能“总结”（变长文为短句），还能“扩展”（变短句为长文）。你给它几个关键词或一句指令，它就能写出一封完整的邮件、一篇短文，甚至一份报告。这种能力在自动化客服、内容生成、头脑风暴等场景中极具价值。

但同时，这种能力也可能被滥用（如生成垃圾邮件）。因此，在使用时务必遵守伦理规范，保持透明度，让用户知道内容由 AI 生成。

本文将围绕一个真实案例展开：根据客户对产品的评论（以及我们提前分析出的情感倾向），自动生成一封个性化的客服回复邮件。我们还会深入讲解 temperature参数——它是控制模型“创造性”与“确定性”的关键旋钮。

环境准备

importopenaiimportosfromdotenvimportload_dotenv,find_dotenv _=load_dotenv(find_dotenv())openai.api_key=os.getenv('OPENAI_API_KEY')defget_completion(prompt,model="gpt-3.5-turbo",temperature=0):messages=[{"role":"user","content":prompt}]response=openai.ChatCompletion.create(model=model,messages=messages,temperature=temperature,)returnresponse.choices[0].message["content"]

案例数据：一条负面评论（搅拌机）

我们有一条关于搅拌机的客户评论（篇幅较长，摘要如下）：

• 11 月促销价 $49，12 月涨到 $70-89
• 底座刀片锁定部位质量不如以前
• 使用一年后电机发出异响，保修已过期，只能买新的
• 整体质量下降，公司依赖品牌忠诚度
• 送货速度还算快（两天到达）

情感分析结果为 negative（负面）。

任务：根据情感生成定制化客服回复

基础提示词（temperature=0）

sentiment="negative"review="""（完整的搅拌机评论，见代码文件）"""prompt=f""" 你是一个客户服务 AI 助手。 你的任务是给一位尊贵的客户发送邮件回复。 给定由三重反引号分隔的客户邮件， 生成一封回复以感谢客户的评论。 如果情感是正面或中性的，感谢他们的评论。 如果情感是负面的，道歉并建议他们可以联系客服。 确保使用评论中的具体细节。 以简洁、专业的语气撰写。 署名“AI 客户代理”。 客户评论：```{review}``` 评论情感：{sentiment}"""response=get_completion(prompt,temperature=0)print(response)

输出示例（temperature=0，每次运行结果相同）：

Dear Valued Customer,Thank youforsharing your detailed feedback about the blender.I sincerely apologizeforthe issues you experienced,particularlywiththe price increase,the quality of the blade locking mechanism,andthe motor noise after a year.Please reach out to our customer service team so we can assist you further.We appreciate your loyaltyandare committed to improving our products.AI customer agent

可以看到，模型正确地识别了负面情感，道歉并建议联系客服，同时提到了价格、刀片锁、电机噪音等具体细节。

temperature参数的影响

我们之前一直使用 temperature=0，这保证了输出的确定性——每次运行相同提示，结果完全一致。对于客服邮件、API 响应等需要稳定性的场景，推荐使用 0。

现在尝试 temperature=0.7：

response=get_completion(prompt,temperature=0.7)print(response)

第一次运行（温temperature=0.7）可能输出：

Hello,We are truly sorry to hear about your disappointing experiencewithour blender.The price changes,quality concerns,andmotor issue after a year arenotup to our standards.Please contact our customer service teamforfurther assistance.We value your feedbackandhope to make things right.AI customer agent

第二次运行（temperature=0.7，相同提示）可能输出不同的邮件：

Dear Customer,Thank youforyour honest review.We apologizeforthe trouble you've hadwiththe blender,including the price fluctuationandthe motor problem.Your comments about the base qualityandwarranty are very important to us.Please reach out to customer service so we can address your concerns directly.AI customer agent

每次结果都不同——用词、句式、细节侧重点都有变化。temperature越高，随机性越大，输出越多样。

深入理解 Temperature 参数

工作原理

LLM 本质上是根据概率预测下一个 token。对于给定的上文，模型会计算所有可能的下一个 token 的概率分布。

直观类比

想象你在玩一个“接龙”游戏：

• temperature=0：你永远选择最稳妥、最常见的下一个词。写出来的内容很“安全”，但也可能很“无聊”。
• temperature=0.7：你有时会选择一个稍微冷门的词，句子变得更有趣。
• temperature=1.5：你经常随机乱选词，句子可能变得奇怪甚至无意义。

实践建议

1. 生产环境优先用temperature=0：可预测、可测试、可缓存。
2. 创意任务适当调高temperature：建议从 0.5 开始，逐步上调到 0.8。
3. temperature不是唯一控制多样性的参数：还可以通过 top_p（核采样）调节，但 temperature 更直观。
4. 低temperature ≠ 无错误：即使temperature=0，模型仍可能产生幻觉。需要配合其他技巧（如少样本、约束提示）。

扩展应用场景

注意事项与伦理规范

1. 明确标识 AI 生成内容：如示例中的署名“AI 客户代理”，让用户知情。
2. 避免滥用：不要用扩展能力生成垃圾邮件、虚假评论、误导性内容。
3. 负面评论的处理：应引导用户联系真实客服，而非仅靠 AI 道歉。
4. temperature 过高的风险：可能生成不专业、不相关或冒犯性内容，需人工审核。
5. 结合推理任务：本示例中情感是预先提取的，你也可以在一个提示中同时完成情感分析和邮件生成（使用多步调用或更复杂的提示）。

总结

文本扩展能力让 LLM 成为自动内容生成的强大引擎。结合推理（情感分析）和扩展（邮件生成），你可以构建端到端的智能客服系统——先判断客户情绪，再生成恰当的回复。记住：temperature 是你控制“严谨”与“创意”之间的调节器，根据任务需求选择合适的值。

下一步，你可以尝试将扩展与其他能力组合：先让模型总结用户反馈，再扩展成改进建议报告；或者用低temperature参数生成标准回复，用高temperature参数生成多个备选方案供人工选择。无限可能，等你探索。