我们开始上课。第14课，前面几节课，我们已经把Python基础语法过了一遍，也成功让自己的电脑接上了大语言模型的API，能写出类似“你今年几岁”这种问题，让AI回答。但是有个问题一直困扰着零基础的小朋友：同一个模型，为什么换个说法，它回答的风格就完全不一样？今天要讲的“函数参数”，就是解开这个秘密的钥匙。
函数参数，说简单点，就是我们调用函数时放进括号里的那些值。它们像一个个小开关，控制着函数最后干出什么活。对于大语言模型应用来说，参数更是“命根子”——提示词、温度、回答长度、甚至切换不同模型，这些全部都是通过参数传进去的。这节课我尽量用最“笨”但最有效的方式，带零基础的小学生把参数的世界翻个底朝天。学完之后，你不仅能看懂大模型API调用的代码，还能自己动手改参数，让同一个AI为你写出完全不同的答案。
1. 为什么这一课叫“秘密世界”：参数到底是什么东西
先别急着碰代码，我们想一个生活场景。你在奶茶店点单，喊了一句“来一杯珍珠奶茶”。店员问：“甜度呢？冰量呢？”你说“七分甜，少冰”。这杯奶茶拿到了，和你那句“什么也不加”完全不是一回事。
这里“甜度”“冰量”“加不加珍珠”就是参数。奶茶店那台机器就是函数。你每次换不同的参数，机器就做出不同的奶茶。函数参数的世界一点都不神秘，它就是“我们告诉函数，这次干活要按照什么要求来”的一组信息。
放到大语言模型应用里，事情就更直观了。你调用AI的时候，告诉它：“请写一首关于夏天的诗，字数要短，语气要欢快。”这整句话，就是你传递给大语言模型函数的最重要的参数。换个说法，参数是“请写一篇关于夏天的800字故事，语气要悬疑”，AI给出的一定是另一种风格。
我在给小学生上课的时候，发现最有用的一张比喻图是这样的：
- 函数 = 一台会自动做作业的机器人
- 函数名 = 机器人身上的按钮，按下它才开始干活
- 括号里的参数 = 你塞给机器人的“要求纸条”
所以学参数，本质上就是在学“怎么给别人写清楚要求纸条”。这个能力不光编程用，日常生活中写作文、安排任务、和别人合作，通通在用。
这一课叫“秘密世界”，是因为参数藏得很深，但一旦看穿，整个函数调用的逻辑就全部透明了。
2. 提示词其实就是大模型最重要的那个参数
小学生学大语言模型应用，最早接触的不是什么高深的算法，而是提示词（Prompt）。说白了，提示词就是我们发给模型的文字输入。在代码里，这个提示词，恰恰是作为参数传进函数里的。
举个例子。上节课我们已经安装并配置好了调用大模型需要的库，也拿到了自己的API Key。现在我们要调用一个叫chat.completions.create的函数，让它生成一句话。典型的代码长这样：
from openai import OpenAI client = OpenAI(api_key="你的密钥") reply = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "system", "content": "你是一个严格的语文老师"}, {"role": "user", "content": "请用一句话批评我的作文跑题了"} ] ) print(reply.choices[0].message.content)我们来看看这里哪些是参数：
model：告诉函数用哪个模型，是参数。messages：告诉函数这次对话的内容，它里面的system和user两段角色话术，也是参数。- 后面那个
temperature、max_tokens之类，还是参数。
messages里面最重要的，其实就是我们平时说的提示词。所以你可以这样理解：写提示词这件事，在代码的世界里，就是“往参数里填内容”。等你学会了参数的各种写法，你操纵大模型的本事会一下子提升一大截。
对比一下。同样一个函数，参数换一换，效果天差地别：
reply = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "system", "content": "你是一个幽默的脱口秀演员"}, {"role": "user", "content": "请用一句话说说作业没写完的心情"} ] )一个是“严格的语文老师”，一个是“幽默的脱口秀演员”，角色变了，回答风格就完全变了。而这两个角色，不过就是参数值不同而已。
所以每次写代码调用大模型的时候，都可以问自己一句：我这次传的参数是什么？我想让函数按什么要求干活？这就是参数意识的开始。
3. 形参和实参：一个在说明书上，一个在实际调用中
我们去掉大模型，先看一个最朴素的Python函数。因为很多小朋友第一次听到“形参”“实参”就头晕，我决定把这两个概念拆得尽可能简单。
定义函数的时候，括号里写的叫形参（parameter）。调用函数的时候，括号里真正填进去的数值或文字，叫实参（argument）。
你可以这样记：形参是说明书上的空格，实参是你真正填进空格的字。
看代码：
def greet(name): print("你好，" + name + "！") greet("小明") greet("小红")这里的name就是形参。“小明”“小红”就是实参。同一个greet函数，因为实参不同，打出了两条不同的问候。
换个大模型应用的例子。假设我们自己封装一个小函数，专门用来让AI帮忙写评语：
def write_comment(thing, feeling): prompt = f"请用一句话写下你对{thing}的感受，核心情绪是{feeling}。" # 这里假设调用大模型API，并返回结果 return call_llm(prompt) print(write_comment("数学作业", "崩溃")) print(write_comment("冰淇淋", "开心"))在这个例子里，thing和feeling是形参，它们并没有具体的值；而“数学作业”“崩溃”“冰淇淋”“开心”是实参，是真正传进去的内容。
教学现场最容易出的问题是：孩子把形参当成“一个真实的变量”，以为写了一个name，程序里就真的存在一个叫name的东西。实际上，形参只是函数内部的占位符。它是什么值，完全取决于调用者传入的实参。
提示：如果孩子在这里卡住，不要急着讲更多概念。让他反复改实参、运行、看输出，改个十来次，形参和实参的关系自然就清楚了。
这块是整个函数参数世界的地基。地基不打牢，后面默认参数、关键字参数都会云里雾里。
4. 位置参数是排队，默认参数是备用方案
理解了形参和实参之后，我们来看参数在世界里的第一种排列方式：位置参数。
位置参数的意思是：实参按照形参定义的顺序，依次填入。这就像小朋友去食堂打饭，第一个窗口打饭，第二个窗口打菜，第三个窗口打汤。你得按顺序走，不能先跑到第三个窗口要汤，再回第一个窗口打饭。
def make_juice(fruit, size, sugar): print(f"制作一杯{size}杯{fruit}汁，甜度{sugar}。") make_juice("苹果", "大", "三分甜") make_juice("西瓜", "小", "无糖")这里“苹果”对应fruit，“大”对应size，“三分甜”对应sugar，完全按照定义时的位置来。你要是写make_juice("大", "苹果", "三分甜")，程序不会报错，但输出就变成“制作一杯苹果杯大汁”，明显不对。这就是位置参数的特点：顺序就是一切。
在调用大语言模型API时，我们也常常使用位置参数。比如有的封装函数这样定义：
def ask_llm(prompt, system_role, temperature): ...调用时如果你写ask_llm(0.7, "你是一个助手", "你好")，模型收到的提示词就变成了0.7，整个对话立刻乱套。所以面对接口文档里的参数列表，一定要养成“从第一个开始，一个一个对应过去”的习惯。
接着看默认参数。有些参数，很多时候我们不传，函数也可以正常工作，那就可以给它一个默认值。这就像买套餐时，店家默认给“不加辣”，你没交代就是不加辣，你交代“加辣”，它就按你的要求来。
def make_juice(fruit, size="中", sugar="标准"): print(f"制作一杯{size}杯{fruit}汁，甜度{sugar}。") make_juice("苹果") make_juice("西瓜", "超大杯", "无糖")第一次调用只传了一个实参“苹果”，其余的size和sugar自动使用默认值“中”和“标准”。第二次调用传了三个实参，前两个按位置对应fruit和size，“无糖”对应sugar。
默认参数在调用大模型的时候也特别常见。比如：
def ask_llm(prompt, model="gpt-4o-mini", temperature=0.7): ...如果你不指定模型，就用gpt-4o-mini；不指定温度，就用0.7。你只需要专注于传一个prompt，其他参数都有备用方案。
这里有个重要规矩必须记住：带默认值的参数，要放在没有默认值的参数后面。也就是说，你不能这样定义：
def ask_llm(model="gpt-4o-mini", prompt): ...这会直接报语法错误。原因很简单：如果默认参数在前面，Python会分不清我到底是想给model传值，还是想给prompt传值，顺序太混乱了。先写必填参数，再写选填参数，这是所有编程语言通行的规矩。
5. 不按顺序也能传参：关键字参数和不定长参数的玩法
位置参数要求我们按顺序填，但有时候参数太多了，或者我不想记住它们的位置，怎么办？Python给了我们一个很贴心的设计：关键字参数。
关键字参数调用时直接写“参数名=值”，喊名字，不用排队。
def make_juice(fruit, size, sugar): print(f"制作一杯{size}杯{fruit}汁，甜度{sugar}。") make_juice(sugar="无糖", fruit="橙子", size="中杯")你看，我把顺序完全打乱了，但因为每一个参数都明确写出了名字，程序依然能正确识别。这就像点名册上喊名字，而不是按队伍顺序喊“第一个人、第二个人”。
调用大模型API时，几乎处处都是这种写法：
reply = client.chat.completions.create( model="gpt-4o-mini", messages=messages, temperature=0.9, )这里model、messages、temperature都是关键字参数。这样写的好处是：哪怕接口有几十个参数，我们也能一眼看出每一项是干什么用的，代码可读性比单纯按位置传值高得多。
然后是不定长参数，包括*args和**kwargs。这两个名字里的args和kwargs不是固定的，真正的关键是前面的星号。
*args能把任意多个位置参数打包成一个元组。你可以把它想象成一个魔法口袋，不管来多少人排队，它都能装下。
def make_fruit_juice(*fruits): print("正在混合这些水果：", fruits) make_fruit_juice("苹果", "橙子", "西瓜", "葡萄")输出就会把四种水果都打包进一个元组里。
**kwargs则能把任意多个关键字参数打包成一个字典。你可以想象它是一个魔法小本本，每一页记着一个“参数名: 参数值”。
def describe_drink(**options): for key, value in options.items(): print(f"{key}: {value}") describe_drink(温度="少冰", 甜度="七分", 杯子="环保杯")这个设计在写一些很灵活的大模型封装函数时非常好用。比如你想做一个“万能调用函数”，让用户随便给各种参数，就可以把不固定的部分交给**kwargs。
def call_llm_ flexible(prompt, **kwargs): # kwargs里可能有temperature, max_tokens, top_p... print("收到额外参数：", kwargs)不用害怕这两个概念。学到这里，小学生只需要记住两点：一个星号管位置参数，两个星号管关键字参数，它们的共同点是“数量不固定”，像口袋一样能装。
6. 大模型API里那几个参数到底在调控什么
现在回到大语言模型本身。我们把这个时代的“大模型函数”当成一台能够自己生成文字的机器，那么它的主要参数，就是控制这台机器怎么想的旋钮。这一节我挑几个最常用的，讲清楚它们到底在干什么。
6.1 messages：决定AI扮演什么角色
messages是一个列表，里面通常有两种角色。system是系统角色，用于设置AI的整体人设；user是用户角色，代表我们提的问题。还有assistant角色，代表AI自己说过的话，一般在多轮对话时用。
比如：
messages=[ {"role": "system", "content": "你是一位耐心的小学数学老师"}, {"role": "user", "content": "请解释一下什么是分数"} ]这里如果把system改成“你是一位不耐烦的毒舌网友”，回答风格会截然不同。这就告诉我们：提示词不是只有“用户问话”这一部分，系统设定同样极其关键。
6.2 temperature：控制AI是稳定还是天马行空
temperature是一个0到2之间的小数，它控制回答的随机程度。数值越低，回答越稳定、保守，几乎每次结果都比较接近；数值越高，回答越有创造性，甚至脑洞大开。
我用一个简单实验来解释。让AI“用三个词形容太阳”，把temperature设成0.2，它可能每次都说“温暖、明亮、巨大”。把temperature设成1.6，它能给你说出“爆裂火球、晨光炸弹、无限能量”这样的词。
对小学生的建议是：需要做选择题、判断题、标准答案类的任务时，把温度调低一点，比如0.2到0.4；需要写诗歌、编故事、头脑风暴时，把温度调高一点，比如0.8到1.2。
6.3 max_tokens：限制回答的最大长度
max_tokens决定AI最多输出多少个“词元”。约等于英语里的一个片段或中文里的一个词，简单理解成回答的长度上限就行。
如果我们设max_tokens=30，AI就只会写非常短的句子；设成max_tokens=500，它就能洋洋洒洒写一大段。这个参数在实践中特别有用，因为有的人就是想要简短回答，结果模型啰嗦一大篇，这时候把max_tokens压小就已经成功了一半。
6.4 top_p：另一种控制选择范围的方式
top_p也叫核采样，意思是“只在概率最高的那前百分之多少的词里选择”。比如top_p=0.1，模型只会从概率累计到10%的那些高概率词里挑，结果比较稳定；top_p=0.9，选择范围大很多，结果更加多样。
你可以把temperature理解为“创造力的火焰高度”，把top_p理解为“可选词汇的游泳池大小”。很多初学者只调temperature，忽略了top_p，其实两个配合着用效果更好。典型的做法是：保持其中一个固定，调节另一个。
reply = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "user", "content": "写一句关于大海的比喻"} ], temperature=1.2, max_tokens=50, )把上面这段代码的温度改成0.2再跑一遍，对比两句话，你立刻就能感受到参数的作用。与其死背概念，不如做这个“对照实验”，看过一次，一辈子忘不掉。
7. 三道课堂小任务，把参数玩明白
理论知识说多了容易困，直接上任务。下面三道题，由易到难，零基础的小朋友建议按顺序完成。每道题都要求在电脑上自己敲代码，不是看一眼就算了。
任务一：修改位置参数，观察输出变化
先定义这个函数：
def write_sentence(who, where, what): print(f"{who}在{where}{what}。") write_sentence("小猫", "屋顶上", "晒太阳") write_sentence("我", "书房", "写作业")然后再写三行调用，分别改成：
- 小猫在院子里捉蝴蝶
- 爸爸在厨房做晚饭
- 我用稻草人守卫田地
运行之后看看输出是否和预期一样。这一步的目的，是让你亲手感受“实参的位置必须和形参一一对应”。
任务二：给“写诗机器人”加上默认参数
定义下面这个函数，它用来调用大模型写一首小诗：
def poem(theme, style="童趣", lines=4): prompt = f"请写一首主题为{theme}、风格{style}、共{lines}行的短诗。" # 此处假装调用大模型API返回结果 return prompt先调用poem("彩虹")和poem("大海", "悲伤")，观察不同位置传参的效果。再把默认参数改成你自己喜欢的风格，比如“奇幻”“豪迈”，看看函数的默认行为变化。
这里训练的是“默认参数是备用方案”的思路。不传就按默认，传了就用自己的。
任务三：用关键字参数打乱顺序
接着上面的函数，用关键字参数调用一次：
print(poem(lines=6, style="科幻", theme="太空"))注意顺序完全颠倒，但结果依然正确。然后你再写一个自己的函数，比如make_diary(date, weather, mood)，至少包含三个参数，分别用位置参数和关键字参数各调用一次，并打印结果。
这三道任务全部完成之后，你其实已经把函数参数最核心的五种玩法都用过了：普通位置参数、默认参数、关键字参数、形参实参、以及通过改参数影响大模型输出。
附加挑战：对比不同temperature下AI的答案
如果你已经能成功调用大模型API，可以挑战一下：
for t in [0.2, 0.7, 1.4]: reply = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "user", "content": "请用一句话向朋友推荐你的学校"} ], temperature=t ) print(f"temperature={t}: {reply.choices[0].message.content}")看看三次回答差别有多大。这个挑战题就是想告诉你：**真正的“提示词工程”，就是在和一堆参数打交道。**谁更懂参数，谁就能让大模型干出更漂亮的话。
8. 给家长和老师的三句悄悄话
这一课的内容，很多成年人看了都觉得不难，但真正教小学生的时候还是有一些讲究。我自己上这节课的时候踩过一些坑，总结成三句话，供家长和老师参考。
第一句话：让孩子先动手改，再学概念。不要一开始就板书“形参、实参、默认参数”这堆名词。让孩子把make_juice("苹果")改成make_juice("香蕉")，看见输出变了，他自然理解了“原来括号里就是用来改要求的地方”。概念是为操作服务的，操作永远先走一步。
第二句话：用“点单”和“做手工”的场景，不要用数学题场景。函数参数本身就是生活经验的抽象，搭配“奶茶店点单”“组装四驱车选配件”“微波炉按加热时间”这些场景，小学生几乎一听就懂。一旦你拿数学函数、方程式来类比，很容易把孩子的兴趣浇灭。
第三句话：让孩子自己设计一个“麻烦的参数组合”。我发现小孩子最兴奋的时刻，不是按部就班完成任务，而是故意制造一个“错误”。比如让AI写诗时，把情感设成“开心”，主题设成“考试”，模型给出的回答往往让人哭笑不得。这种“故意使坏”的过程，恰恰让他们深刻体会到：参数对最终结果的影响有多大。
还有一个小技巧：准备几张空白卡片，让孩子把model、temperature、max_tokens、top_p、messages等常用参数抄在上面，每次调试代码时拿一张卡片，把参数值改一改、记录一下输出。这个过程其实是在培养一种非常宝贵的工程习惯——让每一次修改都有记录，让每一个参数都有对照。很多成年工程师都没有这个好习惯，小朋友从小养成，未来的学习会顺畅得多。
函数参数这个“秘密世界”，说到底就是“用输入控制输出”的世界。你会发出指令，你就会用函数；你能设计指令，你就能驾驭大模型。下一节课，我们准备进入更复杂的“多轮对话”场景，到时候messages参数会发挥更大的作用。先把今天这几个参数玩熟，下一课见。
