What’s actually new in OpenAI’s GPT-5 prompting guide?

Controls for reasoning effort, tighter structured outputs (including JSON mode), and agentic task patterns. The guide shows how to tune GPT-5 for reliability, not just creativity, with concrete examples and migration tips.

How do I make GPT-5 return clean JSON every time?

Define a schema, enable strict output requirements, and add an error object path for invalid cases. Validate programmatically and ask the model to self-check against the schema before returning.

When should I increase GPT-5’s reasoning effort?

Crank it up for investigations, long-horizon planning, and multi-source synthesis. Keep it low for formatting, extraction, and high-frequency tasks where speed and cost matter more than deep thinking.

How do I migrate old GPT-4 prompts to GPT-5?

Trim fluff, clarify roles and constraints, define output schemas, and add verification steps. Batch-test using prompt optimization techniques and iterate based on format compliance and accuracy.

Is GPT-5 better for coding prompts too?

Yes—use GPT-5-Codex-style prompting: provide environment details, failing tests, and expected behavior. Ask for explain-propose-patch, and request structured diffs and rationales to reduce hallucinations.

Panduan Prompting GPT-5 Resmi dari OpenAI: Tips yang Benar-Benar Akan Anda Gunakan

Pernahkah Anda mencoba menjelaskan kepada balita cara memakai sepatu, hanya untuk melihat mereka memasang keduanya di kaki yang sama? Begitulah cara kerja *prompting* pada model bahasa besar selama bertahun-tahun: Anda bisa sampai di sana, tetapi membutuhkan kesabaran, napas dalam-dalam, dan kadang-kadang, kue. Dengan GPT-5, OpenAI akhirnya memberi kita panduan *parenting*. Ya, ada panduan *prompting* GPT-5 resmi—dan penuh dengan trik yang membuat model ini lebih pintar dan lebih mudah diprediksi. Saya membacanya agar Anda tidak perlu melakukannya. Oke, saya membacanya karena saya seorang *nerd*—dan karena begitu Anda melihat apa yang baru di sini, *prompt* Anda akan berhenti tersandung dan mulai lari maraton.

Inilah berita utamanya: GPT-5 mengubah cara Anda berbicara dengan AI. Ini bukan hanya sekadar “tuliskan puisi tentang salad”. Ini tentang menyetel penalaran, memberlakukan format keluaran, dan membuat model berperilaku seperti asisten teliti yang Anda harapkan telah Anda pekerjakan di masa lalu—sebelum Anda membeli aplikasi *to-do* ketiga itu secara impulsif.

Apa yang benar-benar baru di GPT-5

Kontrol upaya penalaran: Anda dapat memberi tahu GPT-5 seberapa keras untuk berpikir—pada dasarnya, seberapa banyak tenaga kognitif yang harus diterapkan pada suatu masalah. Lebih banyak upaya untuk hal-hal sulit, lebih sedikit untuk hal-hal standar. Ini bukan hanya soal perasaan; ini adalah *dial* yang dapat Anda atur untuk kualitas versus kecepatan.

Format keluaran yang lebih ketat: Mode JSON dan validasi skema sekarang berarti permintaan “tolong berikan saya data yang bersih” Anda tidak berakhir dengan interpretasi *free-verse* AI. Alur kerja Anda akan berterima kasih kepada Anda.

Kinerja tugas *Agentic*: GPT-5 lebih baik dalam memecah pekerjaan kompleks dan bertindak seperti manajer proyek yang sebenarnya. Lebih sedikit momen “ups, saya lupa langkah 7”.

Bantuan migrasi dari *prompt* yang lebih lama: Ada panduan untuk meningkatkan *prompt* sehingga *Franken-prompt* era GPT-4 Anda dapat tumbuh dewasa dan berhenti menghantui *repo* Anda.

Konteks cepat yang dapat Anda gunakan agar terdengar pintar dalam rapat: OpenAI telah mulai menerbitkan lebih banyak dokumen dan contoh bergaya buku masak khusus untuk GPT-5, termasuk resep singkat dan praktis untuk optimalisasi *prompt*, migrasi, dan kasus penggunaan khusus seperti pembuatan kode. Terjemahan: kita telah beralih dari “cari tahu sendiri” menjadi “inilah buku pedomannya”.

Untuk siapa ini (ya, Anda)

Manajer produk yang membutuhkan keluaran yang konsisten untuk sistem *downstream*.

Insinyur yang bergulat dengan data terstruktur dan alur kerja LLM.

Orang-orang konten yang mencoba mengurangi lingkaran “tulis ulang tiga kali”.

Siapa pun yang mengetik “berikan dengan ringkas” dan mendapatkan TED Talk sepanjang 700 kata.

Pola pikir *prompting* GPT-5 yang baru: bicaralah seperti seorang bos, bukan seorang penyair

Lihat, GPT-5 bisa menjadi kreatif, tetapi itu bukan cerita besarnya. Cerita besarnya adalah kontrol. Anda tidak hanya meminta burung beo pintar untuk mengatakan hal-hal yang indah. Anda mengarahkan seorang *intern* yang cakap yang dapat berpikir—jika Anda memberi mereka rencana.

Berpikirlah dalam peran, langkah, dan pemeriksaan. Inilah formula yang berhasil:

Peran: Anda adalah X dengan tujuan Y.

Tugas: Lakukan Z dengan batasan ini.

Langkah: 1, 2, 3.

Penalaran: Berpikir pada tingkat upaya N.

Keluaran: Skema JSON atau struktur *markdown*.

*Guardrails*: Tolak jika… atau Tanyakan jika hilang…

Ya, itu membosankan. Ya, itu efektif. Seperti *flossing*.

Cara benar-benar menggunakan “upaya penalaran” tanpa tertidur

Bayangkan Anda meminta rencana perjalanan akhir pekan. Anda tidak memerlukan rantai pemikiran 45 langkah yang melibatkan etimologi “*brunch*”. Tetapi jika Anda sedang melakukan *debugging* kegagalan API intermiten? Tingkatkan upaya. Panduan GPT-5 menekankan untuk memberi tahu model kapan harus berkeringat dan kapan harus berlari cepat. Coba sesuatu seperti:

Untuk tugas sederhana: “Gunakan penalaran minimal. Lewati penjelasan kecuali penting.”

Untuk tugas kompleks: “Gunakan upaya penalaran tinggi. Evaluasi pendekatan alternatif. Berikan alasan atas jalur yang dipilih dalam bagian rasional yang ringkas.”

Langkah pro: Pisahkan alasan dari jawaban. Letakkan pemikiran di bawah kunci “rasional”; hasil di bawah “jawaban”. Kemudian Anda dapat menyembunyikan alasan dari pengguna dan mencatatnya untuk audit.

Percakapan JSON: Buat model berbicara seperti robot

GPT-5 memiliki dukungan yang lebih baik untuk keluaran terstruktur. Jika Anda pernah mencoba mengurai teks yang dihasilkan AI dan merasa seperti sedang *scraping* web pada tahun 2004, selamat datang di tahun 2025. Tentukan skema JSON, minta GPT-5 untuk memvalidasi terhadapnya, dan terapkan mode ketat. Buku masak menunjukkan contoh memasangkan *prompt* dengan definisi skema sehingga aplikasi Anda tidak tersedak *emoji* yang menyimpang.

Coba pola ini:

Sistem: “Anda adalah pemformat data. Keluaran harus sesuai dengan skema JSON ini dengan tepat.”

Berikan skema.

Pengguna: “Ubah konten berikut ke dalam skema.”

Tambahkan: “Jika ada bidang yang hilang, kembalikan objek kesalahan dengan alasan.”

Sekarang Anda tidak hanya menghasilkan teks—Anda sedang membangun keluaran yang andal dan dapat dibaca mesin. Perbedaan antara “demo yang rapi” dan “tingkat produksi”.

Tugas *Agentic*: Model yang mengelola dirinya sendiri (sebagian besar)

GPT-5 lebih baik dalam merencanakan, mengurutkan, dan memeriksa pekerjaan. Anda dapat menginstruksikannya untuk:

Hasilkan rencana, lalu jalankan.

Jalankan langkah demi langkah, meminta konfirmasi pada langkah-langkah berisiko.

Verifikasi sendiri hasil terhadap daftar periksa.

Anda bahkan dapat memintanya untuk membuat tes untuk keluarannya sendiri, lalu menjalankan tes tersebut dan menunjukkan ringkasan lulus/gagal. Apakah ini berarti Anda dapat memecat QA? Tentu saja tidak. Tetapi itu berarti Anda dapat meningkatkan skala QA dari “harapan dan perasaan” menjadi “proses yang dapat diulang”. Panduan resmi mengandalkan pembingkaian *agentic* ini untuk tugas-tugas kompleks dan multi-langkah.

Memigrasikan *prompt* lama Anda tanpa merusak semuanya

*Prompt* lama panjang, banyak bicara, dan rapuh. GPT-5 menyukai instruksi terstruktur dan ringkas, peran eksplisit, dan spesifikasi keluaran yang jelas. Permainan migrasi:

Pangkas *fluff*. Ganti “mari kita jelajahi dunia magis…” dengan “Tugas: Ringkas dalam 3 poin.”

Tukar permintaan lunak dengan batasan: “Kembalikan tepat 3 poin. Tidak ada pembukaan.”

Tambahkan skema untuk keluaran yang digunakan oleh kode.

Perkenalkan penyetelan upaya: “Penalaran minimal kecuali jika terdeteksi kontradiksi.”

Masukkan penanganan kesalahan: “Jika masukan hilang, ajukan satu pertanyaan klarifikasi.”

Buku masak optimalisasi *prompt* OpenAI menunjukkan evaluasi berulang—panggil model berulang kali, bandingkan hasil, dan secara bertahap tingkatkan kualitas *prompt* dengan data, bukan perasaan. Pikirkan pengujian A/B, tetapi untuk kata-kata.

Kasus penggunaan dunia nyata yang tidak membuat Anda memutar mata

*Triage* email pelanggan: Klasifikasikan nada, urgensi, dan area produk; kembalikan JSON dengan tag *routing*. Tambahkan skor kepercayaan dan *boolean* “membutuhkan-manusia”. Antrean dukungan Anda beralih dari kekacauan menjadi “ahh”.

Ringkasan analitik: Beri makan GPT-5 dengan metrik selama sebulan; minta deteksi *outlier*, hipotesis, dan eksperimen langkah berikutnya—lalu format ke dalam garis besar *slide*. Upaya penalaran: tinggi.

Asisten tinjauan kode: Berikan *diff*, aturan *lint*, dan daftar periksa. Minta komentar yang dikategorikan, tingkat keparahan, dan rekomendasi *merge* akhir dengan alasan. Jika tes gagal, blokir *merge*. Panduan GPT-5-Codex disesuaikan di sini, dengan saran *prompting* yang mengutamakan pengembang.

Pembuatan konten dalam skala besar: Berikan topik, audiens, panduan suara, dan struktur SEO. Wajibkan keluaran terstruktur: judul, *dek*, H2, deskripsi *meta*. Jika aturan suara merek dilanggar, minta percobaan ulang dengan catatan “pelanggaran gaya”.

Lima *prompt* yang terus saya gunakan (curi ini)

Rencanakan-Lalu-Lakukan

Anda adalah asisten proyek senior. Tujuan: Hasilkan X.

Pertama, buat draf rencana langkah demi langkah. Kemudian jalankan.

Gunakan upaya penalaran sedang. Jika batasan dilanggar, jeda dan tanyakan.

Keluaran: { plan: .

Mengabaikan tingkat upaya: *Default* ke “berpikir sangat keras” membuang token; *default* ke “berpikir hampir tidak” melewatkan nuansa.

Sepatah kata cepat tentang *hype* versus bermanfaat

Ya, internet ramai bahwa OpenAI “diam-diam merilis” panduan *prompting* resmi—karena memang demikian, dan tekniknya (upaya penalaran, keluaran terstruktur) nyata dan bermanfaat. Abaikan *take* yang terengah-engah; fokus pada dokumen buku masak, yang merupakan sumber sebenarnya dan menunjukkan cara melakukannya.

Bagaimana *prompting* GPT-5 mengubah alur kerja tim

Produk: Tentukan kontrak keluaran di awal. Perlakukan *prompt* seperti *interface* dengan pembuatan versi. Anda akan mengirim lebih cepat dan merusak lebih sedikit hal.

Teknik: Bungkus *prompt* dalam tes. Validasi JSON. Tambahkan percobaan ulang dengan mode yang lebih ketat jika validasi gagal.

Data: Lacak versi *prompt* dan hasil. Bangun *dashboard* untuk metrik kualitas: akurasi, cakupan, latensi.

Operasi: Buat *runbook* yang menyertakan “Jika model mengembalikan kesalahan, eskalasi ke manusia dengan konteks.”

Kapan meningkatkan “upaya penalaran” model

Investigasi: analisis akar penyebab, anomali keamanan, penurunan pendapatan.

Sintesis: penelitian multi-dokumen dengan klaim yang bertentangan.

Perencanaan: tugas jangka panjang dengan dependensi dan risiko.

Kreativitas dengan batasan: kampanye aman merek yang tetap menarik.

Kapan tidak

Pemformatan, ekstraksi, pembuatan *template*.

Ringkasan dengan satu sumber.

Apa pun yang Anda jalankan ribuan kali per jam.

Perlu dicatat: Jika Anda menginginkan cara cepat untuk membuat *prototype* dan memeriksa kewarasan *prompt* sebelum menggulirkannya ke dalam *stack* Anda, Sider.AI dapat membantu Anda melakukan iterasi, membandingkan keluaran, dan mengunci format terstruktur tanpa menjelajahi *log*. Ini seperti kencan cepat untuk *prompt*, tanpa basa-basi—dan ya, Anda dapat membawa skema JSON Anda ke kencan tersebut. Perhatian: ada di

Pola *prompt* untuk hasil spesifik (tandai ini)

Ringkasan anti peluru:

Peran: analis; Tugas: 5 poin; Batasan: tidak ada kata sifat kecuali dikuantifikasi; Sumber: daftar; Keluaran: daftar JSON.

Curah pendapat yang aman:

Peran: direktur kreatif; *Guardrails*: tidak ada pelanggaran IP, tidak ada klaim medis/keuangan; Upaya: sedang; Keluaran: 20 ide dengan tag.

Dokumen persyaratan:

Peran: penulis spesifikasi produk; Masukan: *user stories*; Keluaran: bagian—Tujuan, Non-tujuan, Kriteria penerimaan (Gherkin), Risiko.

Pembuat iklan dengan kepatuhan:

Peran: pemasar kinerja; Aturan: berkas nada merek; Platform: meta/google; Varian: 10; Keluaran: bidang CSV.

Pembuat pertanyaan wawancara:

Peran: manajer perekrutan; Senioritas: menengah; Fokus: desain sistem; Keluaran: pertanyaan, rubrik, bendera merah, contoh jawaban.

Buku pedoman mini: mengirim fitur LLM tingkat produksi dengan GPT-5

Tulis kontrak terlebih dahulu

Tentukan skema, batasan, dan rentang yang dapat diterima. Putuskan apa yang terjadi jika terjadi kegagalan.

Buat draf *prompt* seperti spesifikasi API

Peran, tugas, langkah, upaya, keluaran, *guardrails*. Buat itu membosankan. Membosankan menang.

Masukkan verifikasi

Minta GPT-5 untuk memeriksa sendiri terhadap daftar periksa. Kemudian validasi secara terprogram. Pagar ganda.

Uji dalam skala besar

*Batch prompt* dengan data nyata. Skor untuk akurasi dan kepatuhan format. Ulangi menggunakan pola buku masak optimalisasi.

Instrumentasi semuanya

Catat *prompt* yang diberi versi, pengaturan upaya penalaran, latensi, penggunaan token, dan jenis kesalahan.

Tetapkan jalur eskalasi

Jika kepercayaan < ambang batas atau skema gagal dua kali, arahkan ke manusia. Lampirkan alasan untuk *triage* yang lebih cepat.

Kelola harapan

Komunikasikan di mana GPT-5 bersinar (pembuatan terstruktur, perencanaan, bantuan kode) dan di mana hanya OK (esai terbuka tanpa batasan). Pengguna memaafkan batasan; mereka membenci kejutan.

Bagaimana dengan *coding* dengan GPT-5?

Materi OpenAI mengarah pada *prompting* khusus pengembang untuk GPT-5-Codex: berikan secara eksplisit lingkungan, dependensi, pesan kesalahan, dan perilaku *runtime* yang diharapkan. Berikan tes yang gagal dan minta model untuk membuatnya lulus. Struktur permintaan sebagai “jelaskan, usulkan, *patch*.” Ini menghasilkan *diff* yang lebih bersih dan lebih sedikit impor yang dihalusinasi. Jika Anda masih bertanya, “Tuliskan saya skrip yang melakukan X,” Anda meninggalkan kinerja di atas meja.

*Template* pemula 10 menit (ya, Anda dapat menyalin ini)

Sistem

Anda adalah asisten senior yang berspesialisasi dalam .

Sekarang berikan *makeover* yang layak untuk *prompt* lama Anda. Sepatu di kaki kanan. JSON di-*zip*. Penalaran diatur ke “cukup”. Dan mungkin sediakan satu kue—untuk Anda.

FAQ

Q1: Apa yang sebenarnya baru dalam panduan *prompting* GPT-5 OpenAI? Kontrol untuk upaya penalaran, keluaran terstruktur yang lebih ketat (termasuk mode JSON), dan pola tugas *agentic*. Panduan ini menunjukkan cara menyetel GPT-5 untuk keandalan, bukan hanya kreativitas, dengan contoh konkret dan kiat migrasi.

Q2: Bagaimana cara membuat GPT-5 mengembalikan JSON bersih setiap saat? Tentukan skema, aktifkan persyaratan keluaran yang ketat, dan tambahkan jalur objek kesalahan untuk kasus yang tidak valid. Validasi secara terprogram dan minta model untuk memeriksa sendiri terhadap skema sebelum mengembalikan.

Q3: Kapan saya harus meningkatkan upaya penalaran GPT-5? Tingkatkan untuk investigasi, perencanaan jangka panjang, dan sintesis multi-sumber. Pertahankan rendah untuk pemformatan, ekstraksi, dan tugas frekuensi tinggi di mana kecepatan dan biaya lebih penting daripada pemikiran mendalam.

Q4: Bagaimana cara memigrasikan *prompt* GPT-4 lama ke GPT-5? Pangkas *fluff*, klarifikasi peran dan batasan, tentukan skema keluaran, dan tambahkan langkah-langkah verifikasi. Uji *batch* menggunakan teknik optimalisasi *prompt* dan ulangi berdasarkan kepatuhan format dan akurasi.

Q5: Apakah GPT-5 lebih baik untuk *prompt coding* juga? Ya—gunakan *prompting* gaya GPT-5-Codex: berikan detail lingkungan, tes yang gagal, dan perilaku yang diharapkan. Minta jelaskan-usulkan-*patch*, dan minta *diff* dan alasan terstruktur untuk mengurangi halusinasi.