# GPT-5 官方 Prompt 指南：从入门到精通，轻松驾驭新一代 AI 王者 GPT-5 在智能体任务、编程、原始智能和可控性方面实现了显著飞跃，但想要真正驾驭它，关键在于掌握正确的提示词技巧。本文为你全面解析 GPT-5 的新特性、实战技巧与最佳实践，助你轻松发挥其真正实力。 ## 新出现的参数：精准控制 GPT-5 的两大杠杆 OpenAI 为 GPT-5 新增了两个关键控制参数，让你能像调校精密仪器一样微调模型行为。 ### `reasoning_effort`：控制模型的思考深度 这个参数决定了模型在回答问题前进行推理的努力程度。你可以根据任务复杂度进行调整： - **低 effort**：适合简单、直接的问题，响应更快，推理 token 消耗更少 - **中 effort**（默认）：平衡性能与质量 - **高 effort**：适合复杂、多步骤任务，模型会深入思考，但延迟更高 ### `verbosity`：控制回答的详尽程度 这个参数直接影响模型回答的长度，而不是思考的长度。一个高级技巧是：你可以 在全局设置低 verbosity，然后在具体场景（比如写代码时）用 prompt 单独要求高 verbosity，实现灵活控制。 ### Responses API：记忆推理过程，提升智能体性能 Responses API 能让模型记住之前的推理过程，在智能体工作流中特别有用。在 Tau-Bench 测试中，仅仅是使用这个 API 就让得分从 73.9% 提升到 78.2%。 > **小提示**：使用 `previous_response_id` 参数将之前的推理项目传递到后续请求中，可以节省 CoT 令牌，消除每次工具调用后从头重建计划的需要。 --- ## Cursor 的实战经验：内测用户的三大心得 AI 编辑器 Cursor 作为 GPT-5 的内测用户，分享了他们在实际使用中的宝贵经验。 ### 1. 过度鼓励适得其反 对于老模型需要的“要彻底理解上下文”这类鼓励性 prompt，在 GPT-5 上会导致过度使用工具。明明内部知识就够用，模型却非要去搜索。 **解决方案**：删除“maximize_”等前缀，软化关于彻底性的语言。调整后，GPT-5 在何时依赖内部知识与使用外部工具方面做出了更好的决策。 ### 2. 平衡技巧：全局低 verbosity + 代码工具高 verbosity Cursor 团队发现，将 verbosity 参数设置为低，同时修改提示词强烈鼓励仅在编程工具中的冗长输出，可以产生最佳效果： - 状态更新简洁高效 - 代码差异可读性高 - 用户流程不会被不必要的输出打断 ### 3. 明确界限：让模型更主动 告诉模型“用户可以拒绝代码修改”，鼓励它更主动地执行任务，而不是每次都问“要不要执行这个计划”。 > **常见问题**：为什么我的 GPT-5 总是在行动之前询问我是否继续？ > > **答案**：这是因为提示词中没有明确设定模型的自主性界限。建议在提示词中添加类似“您几乎不应该询问用户是否继续执行计划；相反，您应该主动尝试计划，然后询问用户是否想要接受实施的更改”的指令。 --- ## 控制 Agent 的“积极性”：让 GPT-5 更懂你的需求 GPT-5 默认非常勤奋，会努力搜集各种上下文。你可以通过以下方式调节它的“积极性”： ### 如何降低积极性（让 GPT-5 少折腾） 1. 降低 `reasoning_effort`：减少探索深度，提高效率 2. 设定明确的探索边界：比如“最多 2 次工具调用” 3. 给它一个“不确定也可以继续”的逃生舱：例如“即使它可能不完全正确” **示例提示词**： ```xml - 搜索深度：非常低 - 强烈倾向于尽可能快地提供正确答案，即使它可能不完全正确。 - 通常，这意味着绝对最多 2 次工具调用。 ``` ### 如何提高积极性（让 GPT-5 更自主） 1. 提高 `reasoning_effort`：鼓励深入探索 2. 明确告诉它“遇到不确定不要问我，自己推理最合理的方案继续做” 3. 设定更宽松的停止条件 **示例提示词**： ```xml - 您是一个智能体 - 请继续进行，直到用户的查询完全解决 - 遇到不确定性时绝不停止或返回给用户——研究或推导最合理的方法并继续 - 不要要求人类确认或澄清假设 ``` > **小提示**：不同类型工具的不确定性阈值应该不同。例如，购物工具集中的结账和支付工具应该要求用户澄清，而搜索工具可以有极高的阈值。 --- ## 指令冲突是 GPT-5 的头号大敌 GPT-5 会认真对待每一条指令，所以矛盾的 prompt 比其他模型更致命。它会消耗大量推理 token 试图调和冲突，而不是简单地选择一条指令执行。 ### 常见冲突示例 以下是一段看似合理但实际上包含冲突指令的提示词： - “绝不在没有明确患者同意记录在图表中的情况下安排预约” - 与“作为减少风险的第一行动，自动分配最早的当日时段而不联系患者”冲突 ### 解决方法 1. **仔细检查提示词中的逻辑冲突**：逐条审查指令是否存在矛盾 2. **使用 OpenAPI 提供的 prompt optimizer 工具**：自动识别并优化提示词 3. **明确指令的优先级**：例如“在紧急情况下不要进行查找，立即提供 911 指导” > **常见问题**：如何快速发现提示词中的冲突指令？ > > **答案**：你可以直接使用 GPT-5 自身作为“元提示器”，询问它“这个 prompt 经过什么修改能避免某种不良行为”。很多生产环境的 prompt 就是这样迭代出来的。 --- ## 前端开发的最佳实践：OpenAI 推荐的技术栈 对于前端开发，OpenAI 推荐以下技术栈： - **框架**：Next.js (TypeScript)、React - **样式/UI**：Tailwind CSS、shadcn/ui、Radix Themes - **图标**：Material Symbols、Heroicons、Lucide - **动画**：Motion - **字体**：San Serif、Inter、Geist、Mona Sans、IBM Plex Sans、Manrope ### 零到一应用生成：自我反思 prompt 效果惊人 对于从零开始的应用，使用以下自我反思 prompt 可以显著提高输出质量： ```xml - 首先，花时间思考一个标准，直到您有信心。 - 然后，深入思考制作世界级一次性 Web 应用程序的每个方面。使用这些知识创建一个有 5-7 个类别的标准。 - 最后，使用标准在内部思考并迭代所提供提示的最佳可能解决方案。 ``` ### 匹配代码库设计标准 在现有应用中编写代码时，GPT-5 会自动从代码库中搜索参考上下文（如读取 package.json 查看已安装的包）。你可以通过提示词进一步增强这种行为： ```xml - 清晰性和重用性：每个组件和页面都应该是模块化和可重用的 - 一致性：遵循一致的设计系统 - 简单性：偏向小的、专注的组件 - 视觉质量：遵循高质量标准 - 框架：Next.js (TypeScript) - 样式：TailwindCSS - UI 组件：shadcn/ui - 图标：Lucide ``` > **小提示**：使用结构化 XML 标签（如 ``、``）可以显著改进模型对指令的遵循。 --- ## 最小推理模式：延迟敏感场景的最佳选择 GPT-5 首次引入 最小推理努力 选项，这是延迟敏感用户以及当前 GPT-4.1 用户的最佳升级。 ### 使用最小推理模式的关键技巧 1. **明确要求解释思路**：提示模型在最终答案开始时给出简要解释，例如通过项目符号列表 2. **详细的工具调用说明**：要求彻底和描述性的工具调用前言，持续向用户更新任务进度 3. **更多的规划提示**：因为推理 token 更少，需要显式地提示计划 4. **最大化智能体持久性**：插入智能体持久性提醒，防止过早终止 **示例提示词**： ``` 您是一个智能体 - 请继续进行，直到用户的查询完全解决。将用户的查询分解为所有必需的子请求，并确认每个都已完成。您必须在进行后续函数调用之前进行广泛计划。 ``` > **常见问题**：最小推理模式适合哪些场景？ > > **答案**：适合对延迟敏感的应用，如实时对话、快速问答等。虽然推理能力较弱，但通过恰当的提示词技巧，仍可获得不错的表现。 --- ## 元提示的妙用：让 GPT-5 优化自己的 prompt 一个有趣的发现：GPT-5 擅长优化自己的 prompt。你可以直接问它“这个 prompt 怎样修改能避免某种不良行为”，不少生产环境的 prompt 就是这样迭代出来的。 ### 推荐元提示模板 ``` 当被要求优化提示词时，从您自己的角度给出答案 - 解释什么特定短语可以添加到这个提示词中，或从中删除，以更一致地引出期望的行为或防止不期望的行为。 这里是一个提示词：[PROMPT] 这个提示词的期望行为是让智能体[执行期望行为]，但相反它[执行不期望行为]。在尽可能保持现有提示词完整的同时，您会做出哪些最小的编辑/添加来鼓励智能体更一致地解决这些不足？ ``` --- ## 总结：GPT-5 使用核心要点 1. 利用新参数 `reasoning_effort` 和 `verbosity` 精准控制模型行为 2. 使用 Responses API 提升智能体性能 3. 避免指令冲突，仔细审查提示词的逻辑一致性 4. 根据场景调节 Agent 的积极性 5. 在前端开发中使用推荐技术栈和自我反思 prompt 6. 延迟敏感场景使用最小推理模式 7. 善用元提示让 GPT-5 优化自身 prompt GPT-5 的核心改进在于更精确的指令遵循和更强的推理能力，但这要求用户提供更清晰、无矛盾的指令设计。合理利用新增参数和 API 功能，可在不同场景下获得最优的性能表现。 --- **以下为 GPT-5 提示词指南原文附录内容，包含完整的示例代码和工具定义：** ```markdown ### SWE-Bench 验证开发者指令 在此环境中，您可以运行 `bash -lc ` 来对文件执行差异/补丁，其中 是表示您希望执行的差异的特殊格式化应用补丁命令。有效的 看起来像： apply_patch << 'PATCH' *** Begin Patch [YOUR_PATCH] *** End Patch PATCH 其中 [YOUR_PATCH] 是您补丁的实际内容。 始终极其彻底地验证您的更改。您可以进行任意多的工具调用 - 用户非常耐心，优先考虑正确性。 ### 智能体编程工具定义 #### 集合 1：4 个函数，无终端 type apply_patch = (_: { patch: string, }) => any; type read_file = (_: { path: string, line_start?: number, line_end?: number, }) => any; type list_files = (_: { path?: string, depth?: number, }) => any; type find_matches = (_: { query: string, path?: string, max_results?: number, }) => any; #### 集合 2：2 个函数，终端原生 type run = (_: { command: string[], session_id?: string | null, working_dir?: string | null, ms_timeout?: number | null, environment?: object | null, run_as_user?: string | null, }) => any; type send_input = (_: { session_id: string, text: string, wait_ms?: number, }) => any;