本文介绍了Spring AI示例工程项目，并深入探讨了大型语言模型（LLMs）在生成“随机”数字时出现的偏向性，尤其对数字27的偏好。研究表明，这种现象并非技术缺陷，而是源于模型学习了人类在“随机”选择中的认知偏差。文章分析了数字27作为“黄金地带”的原因，并指出这一现象不仅存在于国外模型，国内模型也可能受到影响。文章还提到了一个使用Agent进行深度研究的案例，旨在帮助读者理解模型产生这种偏好的原因。

🤔 Spring AI 示例工程项目：该项目是一个 Spring AI 快速入门的样例工程，旨在通过一些小的案例展示 Spring AI 框架的核心功能和使用方法。项目采用模块化设计，便于学习和扩展。

🔢 LLMs的数字偏向性：大型语言模型在生成1-50范围内的“随机”数字时，表现出对数字27的强烈偏好。

🧐 偏向性原因：这种偏向并非技术缺陷，而是因为模型在人类生成的文本数据上训练，学习并复制了人类在“随机”选择中的系统性偏差。

🏆 数字27的“黄金地带”：数字27位于心理学上的“黄金地带”，既不太明显，也不太无趣，给人以“随机而独特”的感觉。

🌍 普遍性现象：这一现象不仅存在于国外主流模型中，国内模型似乎也遵循这一法则。

原文链接：mp.weixin.qq.com/s/tEozMs4QW…

一个面向 Java 开发者的 Sring-Ai 示例工程项目，该项目是一个 Spring AI 快速入门的样例工程项目，旨在通过一些小的案例展示 Spring AI 框架的核心功能和使用方法。 项目采用模块化设计，每个模块都专注于特定的功能领域，便于学习和扩展。欢迎感兴趣的小伙伴们关注和 Star。

项目地址：github.com/java-ai-tec…

当要求大型语言模型(LLMs)在1-50范围内生成"随机"数字时，它们表现出明显的偏向性，特别是对数字27的强烈偏好。 这一现象并非技术缺陷，而是反映了人类认知偏差的深层镜像——因为这些模型是在人类生成的文本数据上训练的， 它们学会了复制人类在"随机"选择中的系统性偏差。研究表明，数字27位于心理学上的"黄金地带"—— 既不太明显（如1、10、25、50），也不太无趣（如20、30），给人以"随机而独特"的感觉。

这个现象不仅仅是国外主流模型出现，国内模型似乎也在遵循这个法则。

为什么会有这个 27 Magic Number 存在呢？下面是我使用 Agent 做的一个 DeepReaserch～，来看看模型怎么解释模型的