WOLFRAM

Wolfram 语言与系统参考资料中心

LLMConfiguration[…]

表示 LLM 的一种配置.

LLMConfiguration[spec]

根据规定 spec 创建配置.

LLMConfiguration[LLMConfiguration[…],propspec]

根据现有配置创建新的配置.

更多信息
Details and Options Details and Options
范例  
基本范例  
范围  
可能存在的问题  
参见
相关指南
历史
按以下格式引用：

LLMConfiguration

该功能需要访问 LLM »

LLMConfiguration[…]

表示 LLM 的一种配置.

LLMConfiguration[spec]

根据规定 spec 创建配置.

LLMConfiguration[LLMConfiguration[…],propspec]

根据现有配置创建新的配置.

更多信息

  • LLMConfiguration represents the properties of an LLM task including model, special prompts, sampling strategy, etc.
  • 通过 LLMEvaluator 选项，LLMConfiguration 对象可用在 LLMSynthesize、ChatObject 和 ChatEvaluate 等函数中.
  • $LLMEvaluator 被设为一个 LLMConfiguration.
  • spec 可取的值包括：
  • "name"使用已命名配置
    propval设置特定属性
    <|prop1->val1,prop2->val2,...|>设置多个属性
  • 未指定的属性将被设置为 $LLMEvaluator 指定的值.
  • 有效的配置名称包括：
  • "WolframAIAccess"通过 Wolfram 使用 LLM 模型
    "WolframAIAssistant"使用 Wolfram AI Assistant 提供的提示词和工具
    "AgentOne"使用 Agent One API 的提示词和工具
  • 支持的 LLMConfiguration 对象的属性包括：
  • "MaxTokens"生成词元的最大数量
    "Model"基础模型
    "PromptDelimiter"在提示间插入的字符串
    "Prompts"初始提示或 LLMPromptGenerator 对象
    "Reasoning"推理设置
    "StopTokens"用来指示停止生成的词元
    "Temperature"采样温度
    "ToolMethod"用于工具调用的方法
    "Tools"可用的 LLMTool 对象列表
    "TopProbabilities"采样类截止
    "TotalProbabilityCutoff"采样截止概率（核心采样）
  • "Model" 的有效设置包括：
  • name已命名模型
    {service,name}来自 service 的已命名模型
    <|"Service"service,"Name"name|>完全指定的模型
  • LLM 生成的文本采样自一个分布. 可用 LLMConfiguration 的以下属性指定采样的详细信息：
  • "Temperature"tAutomatic用正的温度 t 进行采样
    "TopProbabilities"kAutomatic只在 k 个概率最高的类别中抽样
    "TotalProbabilityCutoff"pAutomatic在最有可能的选择中采样，累积概率至少为 p（核心采样）
  • 这些参数的 Automatic 值使用指定 "Model" 的默认值.
  • "Reasoning" 的有效设置为：
  • None不要使用推理
    "spec"使用名为 "spec" 的规范
    Quantity[n,"Tokens"]分配 n 个词元用于推理
  • "Prompts" 的有效设置包括：
  • "string"静态文本
    LLMPrompt["name"]存储库提示
    LLMPromptGenerator[…]LLMPromptGenerator 对象
    {prompt1,…}提示列表
  • "PromptDelimiter" 的设置决定了如何连接多个提示.
  • "ToolMethod" 的有效设置包括：
  • Automatic当支持时为 "Service"，否则为 "Textual"
    "Service"依靠 service 的工具机制
    "Textual"使用基于提示的工具调用
    assoc特定文本提示和解析
  • assoc 中有效的键包括：
  • "ToolPrompt"提示指定工具格式
    "ToolRequestParser"解析工具请求的函数
    "ToolResponseInsertionFunction"用于将工具响应序列化的函数
  • 仅在指定至少一种工具时才使用 "ToolPrompt" 指定的提示.
  • "ToolPrompt" 可以是一个模板，被应用于一个包含 LLMConfiguration 所有属性的关联.
  • "ToolRequestParser" 指定一个从 LLM 获取最近补全 (completion) 的函数，并返回以下形式之一的结果：
  • None没有工具请求
    {{start,end},LLMToolRequest[…]}工具请求
    {{start,end},Failure[…]}无效的工具请求
  • 整数对 {start,end} 指明工具请求出现的补全字符串中的字符范围.
  • LLMConfiguration[] 给出一个所有属性均设为默认值的配置.
  • 并非所有 LLM 服务都支持在 LLMConfiguration 中指定的所有参数.

范例

打开所有单元 关闭所有单元

基本范例  (3)

创建包含一个提示的配置：

Wolfram Language code: config = LLMConfiguration["Prompts" -> LLMPrompt["ELI5"]]

在 LLM 运算中使用配置：

Wolfram Language code: LLMSynthesize["What is the tallest mountain?", LLMEvaluator -> config]

指定配置的多个属性：

Wolfram Language code: config = LLMConfiguration[<|"Prompts" -> LLMPrompt["ELI5"], "Tools" -> LLMTool[...]|>]
Wolfram Language code: LLMSynthesize["Which is bigger, Chicago or Boston? Use the tool to check.", LLMEvaluator -> config]

修改现有配置：

Wolfram Language code: config1 = LLMConfiguration["Prompts" -> LLMPrompt["ELI5"]]
Wolfram Language code: config2 = LLMConfiguration[config1, "Tools" -> LLMTool[...]]

范围  (12)

创建一个 "WolframAIAssistant" 配置，以访问优化过的提示词和工具：

Wolfram Language code: LLMConfiguration["NotebookAssistant"]

用它获取更贴切的答案：

Wolfram Language code: LLMSynthesize["plot a degree 2 polynomial in the complex plane", LLMEvaluator -> %]

用 "AgentOne" 配置来访问 Agent One API：

Wolfram Language code: LLMSynthesize["what is the tallest mountain?", "FormattedBoxes", LLMEvaluator -> LLMConfiguration["AgentOne"]]

为 LLM 生成的文本指定一个令牌限制：

Wolfram Language code: LLMConfiguration["MaxTokens" -> 10]
Wolfram Language code: LLMSynthesize["what is the tallest mountain ?", LLMEvaluator -> %]

指定用于生成的服务和模型：

Wolfram Language code: LLMConfiguration["Model" -> <|"Service" -> "Anthropic", "Name" -> "claude-haiku-4-5" |>]
Wolfram Language code: LLMSynthesize["What's the plural of mouse?", LLMEvaluator -> %]

在向 LLM 提交之前，指定几个提示以及如何将它们连接在一起：

Wolfram Language code: LLMConfiguration[<|"Prompts" -> {LLMPrompt["ELI5"], "Always answer with a single sentence"}, "PromptDelimiter" -> " ----- " |>]
Wolfram Language code: LLMSynthesize["What's the plural of mouse?", "PromptText" , LLMEvaluator -> %]

指定采样应在零温度下进行：

Wolfram Language code: LLMConfiguration["Temperature" -> 0]
Wolfram Language code: Table[LLMSynthesize["What is the plural of mouse? One sentence.", LLMEvaluator -> %], 6]

指定切断分布前的最大累积概率（又称核抽样）：

Wolfram Language code: LLMConfiguration["TotalProbabilityCutoff" -> .2]
Wolfram Language code: LLMSynthesize["What's the plural of mouse?", LLMEvaluator -> %]

指定要采样的最高概率令牌的数量：

Wolfram Language code: LLMConfiguration[<|"TopProbabilities" -> 50, "Model" -> <|"Service" -> "Anthropic", "Name" -> "claude-haiku-4-5" |>|>]
Wolfram Language code: LLMSynthesize["What's the plural of mouse?", LLMEvaluator -> %]

指定一个或多个替代字符串，以停止 LLM 生成过程：

Wolfram Language code: LLMConfiguration["StopTokens" -> {"mouse"}]
Wolfram Language code: LLMSynthesize["What's the plural of mouse?", LLMEvaluator -> %]

指定 LLM 在需要时可以调用的工具：

Wolfram Language code: LLMConfiguration["Tools" -> {LLMTool[{"altimeter", "gives the altitude at a location"}, {"where" -> "Location"}, GeoElevationData[#where]&], LLMTool[{"thermometer", "gives the current temperature at a location"}, {"where" -> "Location"}, AirTemperatureData[#where]&]}]
Wolfram Language code: ChatEvaluate[ChatObject[LLMEvaluator -> %], "what are Rome's altitude and the current temperature?"]

指定工具调用应尝试使用本地 API 机制：

Wolfram Language code: config = LLMConfiguration[<| "ToolMethod" -> "Service", "Tools" -> {LLMTool[{"altimeter", "gives the altitude at a location"}, {"where" -> "Location"}, GeoElevationData[#where]&], LLMTool[{"thermometer", "gives the current temperature at a location"}, {"where" -> "Location"}, AirTemperatureData[#where]&]}|>]
Wolfram Language code: ChatEvaluate[ChatObject[LLMEvaluator -> config], "what are Rome's altitude and the current temperature?"]

与基于文本的替代方法（一次只执行一次调用）进行比较：

Wolfram Language code: config2 = LLMConfiguration[config, "ToolMethod" -> "Textual"]
Wolfram Language code: ChatEvaluate[ChatObject[LLMEvaluator -> config2], "what are Rome's altitude and the current temperature?"]

创建一个所有属性均设为默认值的配置：

Wolfram Language code: LLMConfiguration[]

可能存在的问题  (1)

未指定的属性将被设置为 $LLMEvaluator 指定的值：

Wolfram Language code: $LLMEvaluator = LLMConfiguration[<|"Temperature" -> 0.5|>]; LLMConfiguration[<|"MaxTokens" -> 3, "TotalProbabilityCutoff" -> .2|>]["Temperature"]

仅设置指定的属性，其余属性均采用模型默认的值：

Wolfram Language code: LLMConfiguration[LLMConfiguration[], <|"MaxTokens" -> 3, "TotalProbabilityCutoff" -> .2|>]["Temperature"]
Wolfram Research (2023)，LLMConfiguration，Wolfram 语言函数，https://reference.wolfram.com/language/ref/LLMConfiguration.html （更新于 2026 年）.

文本

Wolfram Research (2023)，LLMConfiguration，Wolfram 语言函数，https://reference.wolfram.com/language/ref/LLMConfiguration.html （更新于 2026 年）.

CMS

Wolfram 语言. 2023. "LLMConfiguration." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2026. https://reference.wolfram.com/language/ref/LLMConfiguration.html.

APA

Wolfram 语言. (2023). LLMConfiguration. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/LLMConfiguration.html 年

BibTeX

@misc{reference.wolfram_2026_llmconfiguration, author="Wolfram Research", title="{LLMConfiguration}", year="2026", howpublished="\url{https://reference.wolfram.com/language/ref/LLMConfiguration.html}", note=[Accessed: 17-June-2026]}

BibLaTeX

@online{reference.wolfram_2026_llmconfiguration, organization={Wolfram Research}, title={LLMConfiguration}, year={2026}, url={https://reference.wolfram.com/language/ref/LLMConfiguration.html}, note=[Accessed: 17-June-2026]}