# GPT-5 提示工程核心技巧实战指南：从入门到精通 掌握 GPT-5 提示工程的核心技巧，释放 AI 的全部潜能。本教程将带你深入了解如何通过精细化的提示词设计和 API 参数调优，最大化 GPT-5 在智能体任务、编程开发及指令遵循等方面的卓越性能。 ## 核心内容 1. **智能体自主性控制方法**：降低与提高推理强度的实用技巧 2. **编程性能优化**：从技术栈选择到代码规范的全流程指南 3. **关键 API 与参数详解**：Responses API 和 verbosity 等核心功能的最佳实践 ![GPT-5 提示工程核心技巧] --- ## 01 要点总结 ### 控制智能体自主性 #### 降低自主性方法 - 切换到较低的 `reasoning_effort`（推理强度） - 在提示词中为模型探索问题空间定义明确标准 - 设置固定工具调用预算 - 提供"逃生舱口"条款 #### 提高自主性方法 - 提高 `reasoning_effort` - 使用持续性提示词鼓励模型工作到完全解决问题 - 明确定义停止条件和安全行为边界 ### 工具调用前言 (Tool Preambles) - GPT-5 支持通过"工具调用前言"提供清晰计划和进度更新 - 可在提示词中引导前言的频率、风格和内容 - 提供友好、清晰、简洁的目标重述和结构化计划 ### 推理强度参数 - 提供 `reasoning_effort` 参数控制思考深度 - 默认为 `medium`，可根据任务难度调整 - 复杂多步骤任务建议使用更高推理强度 ### Responses API - 强烈建议使用 Responses API 替代 Chat Completions API - 可传回先前推理项，节省思维链令牌 - 实测 TauBench-Retail 得分从 73.9% 提升到 78.2% ### 最大化编程性能 #### 前端应用开发 **推荐技术栈：** - 框架：Next.js (TypeScript), React, HTML - 样式/UI：Tailwind CSS, shadcn/ui, Radix Themes - 图标：Material Symbols, Heroicons, Lucide - 动画：Motion - 字体：San Serif, Inter, Geist 等 **从零到一应用生成：** - 使用自我反思提示词建立评估标准 - 要求模型根据自建标准进行迭代执行 **匹配代码库设计规范：** - 提供工程原则、目录结构和最佳实践指导 - 使用结构化的代码编辑规则模板 ### Cursor 的 GPT-5 提示词调优经验 #### 系统提示词优化 - 将 `verbosity` 参数设为 `low` 保持简洁 - 在提示词中强调编程工具使用高详细程度 - 提供产品行为细节减少模糊性 #### 关键发现 - 移除过度鼓励彻底性的提示词（如 `maximize_context_understanding`） - 使用结构化 XML 规范提高指令遵循度 - 允许用户配置自定义规则 ### 优化智能与指令遵循 #### 可引导性（Steering） **详细程度控制：** - 新增 `verbosity` API 参数影响最终答案长度 - 支持提示词中的自然语言详细程度覆盖指令 #### 指令遵循 **关键原则：** - GPT-5 具有"外科手术般"精度的指令遵循 - 矛盾或模糊指令会消耗推理令牌 - 需要彻底审查提示词发现措辞不当的指令 #### 最小推理模式 **适用场景：** - 延迟敏感型用户 - GPT-4.1 用户的最佳升级路径 **优化建议：** - 在最终答案开头提供简短解释 - 请求详尽的工具调用前言 - 最大化消除工具指令歧义 - 强化提示驱动的规划 #### Markdown 格式化 - 默认不使用 Markdown 格式 - 可通过特定提示词引导生成分层 Markdown - 长对话中需要定期追加 Markdown 指令 #### 元提示 (Metaprompting) - 使用 GPT-5 作为自身的"元提示器" - 询问模型如何添加或删除提示词元素 - 多位用户已将 GPT-5 生成的提示词修订版部署到生产环境 ### 附录 - 包含了 SWE-Bench 验证、智能体编程工具定义、包含 Taubench-Retail 指令和 Terminal-Bench 提示词等具体实现细节和完整的工具函数定义。 --- ## 02 全文翻译 GPT-5 作为最新的旗舰模型，在智能体任务性能、编程能力、原始智能和可引导性方面均实现了重大飞跃。 我们相信它在各种应用场景下都能“开箱即用”，表现出色。但在这份指南中，我们将分享一些旨在最大化模型输出质量的提示技巧，这些技巧源于我们训练模型并将其应用于真实世界任务的宝贵经验。我们将深入探讨如何提升智能体任务性能、确保指令遵循、运用全新的 API 功能，以及为前端和软件工程任务优化编程等概念，并重点分享 AI 代码编辑器 Cursor 在 GPT-5 提示词调优方面的关键见解。 我们发现，通过应用这些最佳实践并尽可能采用我们的标准工具，模型性能得到了显著提升。我们希望本指南以及我们构建的提示词优化工具，能成为您驾驭 GPT-5 的起点。但请始终牢记，提示工程并非一刀切的实践——我们鼓励您在本文提供的基础上不断实验和迭代，以找到解决您特定问题的最佳方案。 ###

智能体工作流的可预测性

我们在训练 GPT-5 时充分考虑了开发者的需求：我们专注于改进工具调用、指令遵循和长上下文理解能力，使其成为构建智能体应用的最佳基础模型。若要将 GPT-5 用于智能体和工具调用流程，我们建议升级至 Responses API，该 API 能够在工具调用之间持久化推理过程，从而实现更高效、更智能的输出。 ###

控制智能体的“自主性”

智能体的控制框架千差万别——有些系统将绝大部分决策权委托给底层模型，而另一些系统则通过大量的程序化逻辑分支对模型进行严格约束。GPT-5 经过训练，能够胜任这一范围内的任何工作，无论是处理模糊情况下的高层决策，还是执行专注且明确定义的任务。在本节中，我们将介绍如何最好地校准 GPT-5 的智能体自主性（Agentic Eagerness）：换言之，即它在主动性和等待明确指令之间的平衡。 > **