Stop Sequences（停止序列）

在日常使用大模型时，小伙伴们肯定会发现一个现象：大模型真的太能唠了！

很多时候，我们只希望大模型回答 “是” 或 “否”，它非要长篇大论给你解释一番。或者让大模型写一小段文案，它非要在末尾加上一段客套话：“希望这篇文案能帮到您哦！”

对于普通用户来说，有时我们需要多花时间手动删大模型的废话。而对于开发工程师来说，多余的字符可能会导致程序出错（比如破坏 JSON 格式）。

为了解决这个问题，研究者们为大模型提供了一个参数——Stop Sequences（停止序列）。

大模型的 Stop Sequences 是什么？

Stop Sequences，中文翻译为 “停止序列”、“终止标记”。我们可以把 Stop Sequences 理解成大模型的 “刹车片”。

简单来说，我们可以给大模型指定一组特定的字符串（也叫 “停止词” 或 “终止标记”）。在代码里通常是一个字符串数组，比如：

["\n", "User:", "###"]

大模型在做文字接龙时，只要碰到了我们设定的标记集合中的任何一个，不管它后面还有多少话没说完，都会被系统直接暂停。

正常情况下，大模型只有在遇到自身的底层结束标记（如 <|endoftext|>）时才会自行停下。而 Stop Sequences 这个参数允许我们人为设置拦截，让大模型在最该闭嘴的时候强制停下。

这里还有一个很重要、却经常被忽略的细节：被命中的停止词本身，通常不会出现在最终的输出结果里。也就是说，大模型是在 “即将说出” 这个词的前一刻就被刹停的，这个词本身会被自动丢弃。记住这一点，下面几个例子就能瞬间看懂了。

Stop Sequences 的应用场景

无论小伙伴们是在智能体平台（如 Coze）搭建专属的 AI 助手，还是作为开发工程师去编写前后端业务逻辑，Stop Sequences 参数都能帮我们解决大模型让人头疼的 “废话” 问题。

1. 屏蔽烦人的 “客套话”（适合所有人）

• 业务场景：开发一个 “小红书文案生成器”，希望 AI 直接输出纯正的文案正文。
• 痛点：大模型总喜欢在结尾自作多情地加上一句客套话（如：“希望这篇文案能帮到你！”）。这种客套话每次都需要手动删掉，让人非常心烦。
• 调校策略：这类客套话往往有比较固定的开头，比如 “希望……”、“以上就是……”。此时，我们可以在后台把停止序列设置为：

["希望", "以上"]

• 分析：一旦大模型准备开始啰嗦这些字眼，就会立刻触发拦截，从而让我们拿到纯净无暇的干货文案。

不过这里要提醒一句：停止词的拦截是 “宁可错杀、不可放过” 。如果你的正文里本身就要用到 “希望” 这个词（比如 “希望大家都能用上”），那它同样会被当成停止信号，导致正文被提前掐断。所以挑选停止词时，要尽量选那些只会出现在 “废话” 里、正文几乎不会用到的词。

2. 屏蔽代码后的多余解释（开发者必备）

• 业务场景：对于开发者来说，通常会要求大模型把生成的代码或 JSON 数据包裹在 Markdown 的代码块中，并在后端提取后进行解析。
• 痛点：大模型自带“话痨属性”，在输出完最后的 ```` 闭合代码块之后，经常喜欢多嘴解释一句：“以上就是为您生成的代码，需要注意……”。这对于自动化脚本来说纯属废话。
• 调校策略：我们可以直接把停止序列设置为：

["```\n"]

• 分析：大模型刚刚闭合代码块准备换行啰嗦时，程序就会完美定格。这不仅节省了 Token 费用，后端在使用正则表达式提取数据时也会更加干净利落。

3. 精确控制列表生成的数量（通用）

• 业务场景：让 AI 脑暴 3 个新的英文宣传标语，多一个都不要。
• 痛点：如果仅仅在 Prompt 里写 “请给我 3 个”，大模型偶尔还是会因为玩嗨了而吐出第 4 个。
• 调校策略：我们可以另辟蹊径，把停止序列设置为

["4."]

• 分析：当大模型写完前 3 个标语，刚准备吐出第 4 个列表序号 “4.” 的一瞬间，就会触发强制拦截。

实际上，Stop Sequences 参数并不是在限制大模型的思考能力，而是在限制它的 “嘴巴边界”。学会灵活配置这个参数，我们就能让大模型在需要发散时滔滔不绝，在需要严谨时字字珠玑。

最后再补充 3 个使用时的小细节，能让大家少走一点弯路：

• 停止词的匹配通常是 “区分大小写” 而且 “完全一致” 的，比如你设的是 “User:”，那么 “user:”（小写）是拦不住的。
• 大多数大模型 API 对停止词的数量有上限（常见是最多 4 个），不能无限添加。
• Stop Sequences 参数在不同平台叫法不同，写代码调用 API 时它通常叫 stop 或 stop_sequences，我们只需要查一下对应的官方文档即可。

“这个人的名字叫张三，今年 20 岁，是一名设计师。”

{
    "姓名": "张三",
    "年龄": 20,
    "职业": "设计师"
}

总结一下大模型的几个重要参数

最后，我们来总结一下这一章学过的几个大模型参数，主要有以下几个：

• Temperature（温度）：大模型的 “性格调节钮”，控制输出的理智与疯狂（感性程度）。
• Top-K 与 Top-P：大模型的 “理智底线”，分别按排名和累计概率进行选择候选词，消除大模型胡言乱语的问题。
• Frequency Penalty（频率惩罚）：按出现 “次数” 进行扣分，用于解决复读机问题。
• Presence Penalty（存在惩罚）：按出现 “有无” 进行扣分，用于引导大模型换话题或换思路。
• Stop Sequences（停止序列）：给大模型安装 “人工刹车片”，强制其在遇到特定字符时立刻闭嘴，保证格式和内容的绝对稳定。