图片由ChatGPT生成
大多数用户并未充分发掘GPT-5的潜力。
原因何在？因为要充分利用GPT-5，需要熟悉提示词技巧（prompting techniques）和参数设置（parameter settings），才能最大限度提升其输出质量。
我们花了大量时间研究OpenAI的GPT-5提示词指南（GPT-5 prompting guide），以便更好地理解如何通过ChatGPT网页应用和OpenAI Playground充分利用该模型。在本指南中，我会用通俗易懂的语言解释OpenAI的提示词建议，避开官方指南中大部分的技术术语。
#1 优化指令遵循效果
GPT-5能极高精度地遵循指令，这在大多数情况下都很有优势，但如果你的提示词表述模糊或包含相互矛盾的指令，该模型可能会陷入困惑，或浪费时间试图调和这些矛盾。
例如，不要在同一个提示词中先写“Give a brief summary”（给出简要摘要），之后又写“Include all the details”（包含所有细节）。
为什么这样不对？相互矛盾的指令会破坏响应效果，因为模型无法判断该优先执行哪一项。这里的提示词技巧是：务必反复检查你的提示词，看是否存在表意混乱的内容。删除或澄清任何可能产生多种解读的表述。
根据OpenAI的说法，清除提示词中的模糊表述和矛盾内容，能显著提升GPT-5的性能。
你可以借助ChatGPT查找提示词中的矛盾之处，只需向ChatGPT输入以下指令：
Review my instructions. Point out any conflicts. Suggest the smallest edits to make the instructions consistent
或者你也可以使用OpenAI的提示词优化工具（prompt optimizer）来检查你的提示词。我们将在下一点中详细介绍该工具。
#2 使用OpenAI的提示词优化工具（prompt optimizer）
OpenAI在Playground中提供了GPT-5提示词优化工具（prompt optimizer）。Playground是一个为高级用户设计的平台，用户可在其中选择不同模型、调整模型参数等（事实上从第3点开始我们就会用到Playground）。
在Playground中，一个很实用的功能就是提示词优化工具（prompt optimizer）。
OpenAI Playground
要使用提示词优化工具，请使用你的ChatGPT账号登录，然后输入或粘贴你的提示词，点击“Optimize”（优化）按钮获取反馈。提示词优化完成后，该工具会用蓝色高亮显示修改内容，右侧的注释图标（notes icons）会说明这些修改背后的原因。
OpenAI Prompt Optimizer
该工具很实用，但仍有必要学习本指南中其余的提示词技巧，这样才能理解它所做的修改，以及判断何时需要进行这些修改。从本节开始，后续的提示词技巧可通过API或OpenAI Playground应用。Playground无需编程知识，我强烈建议：当你觉得ChatGPT网页应用功能不足，且需要对GPT-5拥有更多控制权时，就使用Playground。
#3 控制推理力度（reasoning effort）
GPT-5 设有 reasoning_effort 参数，用于控制模型的思考深度以及调用工具的主动程度。该参数默认值为 medium，但你需根据任务难度灵活调高或调低。
要控制推理力度，点击 Playground 中的设置调整图标即可。
OpenAI Playground
推理力度共分为 4 个等级：
-
minimal（最低）：这是 GPT-5 新增的等级，要求模型以最少的思考量得出答案。其设计初衷是追求速度，非常适合确定性、轻量级任务（如信息提取、格式整理、简短改写、简单分类）。
-
low（较低）：模型会进行稍多思考，但仍将效率置于最高优先级。对于需要一定理解但无需深度、创造性问题解决的任务，该等级表现可靠，适用于标准客户支持、内容摘要等场景。
-
medium（中等）：默认设置，在性能与速度之间取得平衡。从该等级开始，AI 才真正进入“思考”状态。其输出内容更全面、更具创造性且结构更清晰，适用于内容创作、代码生成、分析以及复杂指令遵循等任务。
-
high（最高）：要求 GPT-5 不设时间限制，在给出答案前使用必要数量的推理 tokens。该等级非常适合对准确性要求极高的任务，例如科学与学术研究、战略规划、复杂代码调试等，但可能存在速度慢、成本高的问题。
需注意，相比更高的推理等级，minimal等级的推理力度受提示词的影响会更为显著。
OpenAI 建议，当 GPT-5 设为 minimal 推理等级时，先让模型列出解决思路。例如，你可以输入：
First, list the steps you will take to solve the problem. （首先，列出你解决该问题将采取的步骤。）
即便在答案开头仅给出一句话的计划或几点策略要点，也能提升模型在需更高智能参与的任务中的表现。
#4 控制 Agent 的主动意愿（agentic eagerness）
通过控制 reasoning_effort 参数，我们还能校准 GPT-5 的 agentic eagerness（即模型的主动程度，是否更倾向于自主行动）。
- 更高主动意愿：会增强模型的自主性，减少模型提出澄清问题或向用户移交任务的情况。
若要提升模型的主动意愿，需提高 reasoning_effort 数值，并使用能鼓励模型坚持完成任务且确保任务完整性的提示词。以下是一个效果较好的提示词示例（源自 OpenAI 官方指南）：
- You are an agent — please keep going until the user’s query is completely resolved, before ending your turn and yielding back to the user.
- Only terminate your turn when you are sure that the problem is solved.
- Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
- Do not ask the human to confirm or clarify assumptions, as you can always adjust later — decide what the most reasonable assumption is, proceed with it, and document it for the user’s reference after you finish acting
- 更低主动意愿：默认情况下，GPT-5 的任务处理会非常详尽，它会尝试收集大量上下文以确保答案正确。若要减少其上下文收集行为，获得更聚焦、更快速的响应，可将推理力度调至较低等级，并在提示词中明确界定模型探索问题范围的标准。
以下是可添加到提示词中的部分指令，用于减少模型的上下文收集行为：
- Avoid over searching for context
- If you think that you need more time to investigate, update the user with your latest findings and open questions. You can proceed if the user confirms
- Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct
需注意，“even if it might not be fully correct”（即便答案可能并非完全准确）这一表述能明确为模型提供“缓冲空间”，使其更易满足“缩短上下文收集步骤”的要求。
#5 控制冗长性
OpenAI 在 GPT-5 中推出了一个新的 API 参数，名为 verbosity，该参数会影响模型最终响应的长度。现在，你可以通过 reasoning_effort 控制模型的推理量（思考多或少），同时通过 verbosity 独立调整其最终答案的长度。
这有什么用处呢？
还记得我们在第1点中提到的矛盾指令吗？在 Playground 中，你无需再使用“be concise”（保持简洁）这类生硬的提示词技巧，因为通过 verbosity 参数就能直接控制响应长度。
OpenAI Playground
这能减少矛盾指令的出现，同时提高模型对实际任务指令的遵循度。
冗长性（verbosity）分为 3 个等级：low（低）、medium（中）、high（高）。若将 verbosity 设为“low”，模型的响应会简洁、直接且高效；而设为“high”时，模型会给出更长、更详细的答案。
以下是 3 个冗长性等级的简单示例：
-
用户：法国的首都是哪里？
-
模型（low verbosity）：巴黎。
-
模型（medium verbosity）：法国的首都是巴黎。
-
模型（high verbosity）：法国的首都是巴黎。它是法国最大的城市，同时也是该国的政治、文化和经济中心。
以上就是全部内容！如果觉得本指南对你有帮助，欢迎分享给其他人。
