比如你输入"今天天气真"，模型内部会算出一张概率表，然后挑高分的接上：

粗略的换算感觉（不同模型略有差异，记个量级即可）：

• 英文：大约 1 个 token ≈ 4 个字符 ≈ 0.75 个单词；
• 中文：大约 1 个汉字 ≈ 1~2 个 token；
• 一段 700 字左右的中文短文，大概 1000~1400 token。

不同模型窗口差别很大，从几千 token 到上百万 token 不等。窗口越大越能塞长文档，但也越贵、有时越慢，而且塞太满模型还容易"顾此失彼"（这个现象叫"lost in the middle"，阶段 3 的 Day 18 会专门讲）。

粗略的直觉（不是硬规则，只帮你建立量级感）：

• 参数越多，通常越"博学、会推理"，但也越慢、越贵、越吃显卡；
• 参数越少（小模型），跑得快又便宜，适合简单、高频的活；
• 这正是后面 Day 15 "模型路由"的由头：贵活派大模型、便宜活派小模型，别拿牛刀杀鸡。

理解了这点，你就明白幻觉不是偶发故障，而是"预测下一个词"这套机制的自然副产物。所以整条学习路线后面才有那么多"防幻觉"的功夫：

• 给它真资料：RAG(阶段 4)——先检索真实文档再让它基于文档回答；
• 让它调工具查：Function Calling(阶段 5)——算数/查库交给真程序；
• 加审查：Critic 防幻觉(阶段 10，深潜 gov-agents)——专门挑"编造"的刺；
• 做评测：faithfulness 等指标(阶段 9)——量化"它有没有忠于事实"。

✋ 动手：直观感受"文字→token"（无需 API Key）

大厂大多提供在线的"Tokenizer"网页，你可以搜 "OpenAI tokenizer" 或 "tokenizer 可视化"，把下面几句话粘进去，观察它被切成几个 token、每块长什么样：

# 分别粘进 tokenizer 网页，比较 token 数：
# 1) Hello, how are you?
# 2) 你好，最近怎么样？
# 3) Agent工程师转行学习路线

# 观察：中文 vs 英文，谁更“费 token”？“Agent”这种词被切成了几块？

想在本地用代码数 token，也可以（可选，需联网装库）：

# pip install tiktoken   # OpenAI 的分词工具，可离线数 token
import tiktoken
enc = tiktoken.get_encoding("cl100k_base")   # 一种常见编码
text = "你好，我在学 Agent 开发"
tokens = enc.encode(text)                    # 把文字切成 token 的 id 列表
print("token 数：", len(tokens))             # 打印这句话占几个 token
print("大致费用感：字越多，token 越多，越贵")