大多数用户并未充分挖掘 GPT-5 的潜力！

为什么？因为要充分利用 GPT-5，需要熟悉提示技术和参数设置，以最大限度地提高其输出质量。

我们花了大量时间研究 OpenAI 的 GPT-5 提示指南，以便更好地了解如何通过 ChatGPT Web 应用和 OpenAI Playground 充分利用该模型。在本指南中，我们将用通俗易懂的语言解释 OpenAI 的提示建议，避免使用官方指南中的大部分技术术语。

一、优化指令跟随

GPT-5 能够非常精确地遵循指令，这在大多数情况下都是有利的，但如果您的提示不清楚或包含相互矛盾的指令，模型可能会感到困惑或浪费时间试图协调冲突。

例如，不要说“简要概述”，然后在同一个提示中说“包括所有细节”。

为什么这是错的？相互冲突的指令会破坏响应，因为模型不知道该优先处理哪个指令。这里的提示技巧是，务必仔细检查你的提示，看看是否有任何混淆的信息。删除或澄清任何可能被多种解读的内容。

OpenAI 表示，消除提示中的歧义和矛盾之处可显著提高 GPT-5 的性能。

您可以使用 ChatGPT 查找提示中的冲突：

“审阅我的说明。指出任何冲突。建议进行细微修改，使说明保持一致”

或者，您可以使用 OpenAI 的提示优化器来检查您的提示。我们将在下一点详细介绍。

二、使用 OpenAI 的提示优化器

OpenAI 在 Playground 中提供了一个GPT-5 提示优化器。Playground 是一个专为高级用户设计的平台，用户可以在其中选择不同的模型、调整模型参数等等（事实上，我们将使用技巧 #3 中的 Playground）。

我们可以在 Playground 中发现的一个很酷的东西是提示优化器。

要使用提示优化器，请使用您的 ChatGPT 帐户登录。然后输入或粘贴您的提示，并点击“优化”以获取反馈。提示优化完成后，该工具将以蓝色突出显示更改，右侧的注释图标将显示这些更改背后的原因。

该工具很有用，但仍然需要学习本指南中的其他提示，以了解它所做的更改并识别何时需要进行这些更改。

从现在开始，这些提示可以通过 API 或 OpenAI Playground应用。Playground 不需要任何编码知识，我强烈建议您在 ChatGPT Web 应用程序不够用，并且需要对 GPT-5 进行更多控制时使用它。

三、控制推理力度

GPT-5 有一个 reasoning_effort 参数，用于控制模型的思考强度以及调用工具的意愿。默认值为“中等”，但您可以根据任务的难度进行调整。

要控制推理力度，请点击Playground中的设置调整图标。

推理力度（Reasoning Effort）的 4 个级别：

1.最小（minimal）：此级别在 GPT-5 中引入，它指示模型以尽可能少的思考来给出答案。它旨在追求快速响应，非常适合确定性的、轻量级的任务（例如信息提取、格式调整、简短重写、简单分类）。

2.低（low）：此级别会进行稍多的思考，但仍然高度优先考虑效率。对于需要一定理解但不需要深度、创造性解决问题的任务来说很可靠。适用于标准的客户支持、内容摘要等场景。

3.中（medium）：这是默认设置。它在性能和速度之间提供平衡。在此级别上，AI 真正开始“思考”。答案会更全面、更具创造性且结构更佳。适用于内容创作、代码生成、分析和复杂指令遵循。

4.高（high）：此级别指示 GPT-5 花费其所需的所有时间，并在给出答案前使用必要数量的推理令牌（token）。非常适合那些准确性至关重要的任务，例如科学和学术研究、战略规划以及调试复杂代码。它的响应速度可能较慢且成本较高。

请注意：与更高的推理级别相比，最小推理力度下的输出质量可能会更显著地因提示词（prompt）的不同而波动。

OpenAI 的建议：当将 GPT-5 设置为最小推理力度时，建议让其先概述解决方法。例如，您可以说：“首先，列出你解决问题将采取的步骤。”即使在回答开头有一个单句计划或几个要点的策略，也能改善那些需要更高智能水平的任务的表现。

四、控制代理渴望

通过控制 reasoning_effort（推理力度），我们也可以校准 GPT-5 的“智能体积极性”（agentic eagerness），即模型是更主动还是更被动。

更高的积极性（More eagerness）：这会鼓励模型自主决策，减少澄清性问题或将控制权交还给用户的次数。为了获得更高的积极性，你需要增加 reasoning_effort 并使用鼓励持久性和彻底完成任务的提示语。以下是一个来自 OpenAI 指南的提示词示例，用于获取更高的积极性：

•你是一个代理 — 请继续工作，直到用户的查询完全解决，然后再结束你的回合并将控制权交还给用户。

•只有当你确定问题已经解决时，才终止你的回合。

•当遇到不确定性时，绝不停止或交还给用户 — 研究或推断出最合理的方法并继续。

•不要要求人类确认或澄清假设，因为你之后总能进行调整 — 决定最合理的假设是什么，继续执行，并在你完成行动后记录下来以供用户参考。

更低的积极性（Less eagerness）：默认情况下，GPT-5 会相当彻底地尝试收集上下文以确保答案正确。你可以通过切换到较低的 reasoning_effort 并在提示中明确定义模型探索问题空间的标准，来缩小其行为范围并获得更快速、更精准的响应。

以下是一些你可以添加到提示中的指令，用以减少上下文收集行为（完整指令参见此处）：

•避免为上下文进行过度搜索。

•如果你认为需要更多时间进行调查，请向用户更新你的最新发现和未解问题。如果用户确认，你可以继续。

•强烈倾向于尽快提供正确答案，即使它可能不完全正确。

请注意，“即使它可能不完全正确”这句话明确为模型提供了一个“逃生舱口”，使其更容易满足较短的上下文收集步骤。

五、控制代理渴望

OpenAI 在 GPT-5 中引入了一个名为 verbosity（详细程度）的新 API 参数，该参数会影响模型最终响应的长度。现在，您可以使用 reasoning_effort（推理力度）要求模型进行更多或更少的推理，同时通过 verbosity 独立调整其最终答案的长度。

这有什么用处？

还记得我们在第一点中讨论过的那些相互矛盾的指令吗？现在，在 Playground 上，您不再需要像“请简洁”这样脆弱的提示技巧了，因为您可以通过 verbosity 参数来控制它。

这减少了对模型相互矛盾的指令，并提高了其对实际任务指令的遵循程度。

verbosity 有三个级别：low（低）、medium（中）和 high（高）。

•如果您将 verbosity 设置为“low”，模型的回复会简短、直接且高效。

•设置为“high”则会给出更长、更详细的答案。

以下是一个简单的例子，展示了 3 个详细程度级别的区别：

用户: 法国的首都是哪里？

•模型（低详细程度）: 巴黎。

•模型（中等详细程度）: 法国的首都是巴黎。

•模型（高详细程度）: 法国的首都是巴黎。它是法国最大的城市，也是其政治、文化和经济中心。

探索智能边界 发现无限可能