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.

OpenAI کی آفیشل GPT-5 پراپٹنگ گائیڈ: وہ ٹپس جو آپ حقیقت میں استعمال کریں گے

کبھی کسی چھوٹے بچے کو جوتے پہننے کا طریقہ سمجھانے کی کوشش کی ہے، اور پھر یہ دیکھا ہے کہ وہ دونوں جوتے ایک ہی پاؤں میں پہن رہا ہے؟ یہی حال کئی سالوں سے بڑے لسانی ماڈلز (large language models) کو پراپٹ (prompt) دینے کا تھا: آپ منزل تک پہنچ تو سکتے تھے، لیکن اس میں صبر، گہرے سانس اور کبھی کبھار کوکی کی ضرورت ہوتی تھی۔ GPT-5 کے ساتھ، OpenAI نے آخر کار ہمیں والدینیت کا ایک دستور العمل دے دیا ہے۔ جی ہاں، ایک سرکاری GPT-5 پراپٹنگ گائیڈ موجود ہے — اور یہ ان چالوں سے بھری ہوئی ہے جو ماڈل کو زیادہ سمارٹ اور زیادہ قابلِ پیش گوئی بناتی ہیں۔ میں نے اسے پڑھ لیا ہے تاکہ آپ کو نہ پڑھنا پڑے۔ ٹھیک ہے، میں نے اسے اس لیے پڑھا کیونکہ میں ایک نرڈ (nerd) ہوں — اور اس لیے بھی کہ جب آپ یہ دیکھ لیں گے کہ یہاں نیا کیا ہے، تو آپ کے پراپٹس (prompts) لڑکھڑانے کے بجائے میراتھن (marathons) دوڑنا شروع کر دیں گے۔

یہاں اہم بات یہ ہے: GPT-5 آپ کے AI سے بات کرنے کے انداز کو بدل دیتا ہے۔ اب یہ صرف "مجھے سلاد (salad) پر ایک نظم لکھ کر دو" کہنے کی بات نہیں ہے۔ بلکہ یہ استدلال کو بہتر بنانے، آؤٹ پٹ فارمیٹس (output formats) کو نافذ کرنے، اور ماڈل کو اس محنتی اسسٹنٹ (assistant) کی طرح برتاؤ کرنے پر مجبور کرنے کے بارے میں ہے جسے آپ چاہتے تھے کہ آپ اپنے ماضی میں خود ملازم رکھتے — اس سے پہلے کہ آپ نے تیسری ٹو ڈو ایپ (to-do app) خریدی تھی۔

GPT-5 میں واقعی نیا کیا ہے

استدلال کی کوشش پر قابو: آپ GPT-5 کو بتا سکتے ہیں کہ اسے کتنی سختی سے سوچنا ہے — بنیادی طور پر، کسی مسئلے پر کتنی ذہنی مشقت کرنی ہے۔ مشکل چیزوں کے لیے زیادہ کوشش، اور معمول کے کاموں کے لیے کم۔ یہ صرف ایک احساس کی بات نہیں ہے؛ یہ ایک ڈائل (dial) ہے جسے آپ معیار بمقابلہ رفتار کے لیے سیٹ کر سکتے ہیں۔

سخت آؤٹ پٹ فارمیٹس (output formats): JSON موڈ (mode) اور اسکیما ویلیڈیشن (schema validation) کا اب مطلب یہ ہے کہ آپ کی "براہ کرم مجھے صاف ڈیٹا دیں" کی درخواست کا اختتام AI کی آزاد نظم کی تشریح پر نہیں ہوگا۔ آپ کے پائپ لائنز (pipelines) آپ کا شکریہ ادا کریں گے۔

ایجنٹک ٹاسک پرفارمنس (Agentic task performance): GPT-5 پیچیدہ کاموں کو توڑنے اور ایک حقیقی پروجیکٹ مینیجر (project manager) کی طرح کام کرنے میں بہتر ہے۔ "اوہ، میں مرحلہ 7 بھول گیا" جیسے لمحات کم۔

پرانے پراپٹس (prompts) سے منتقلی میں مدد: پراپٹس (prompts) کو اپ گریڈ (upgrade) کرنے کے لیے رہنمائی موجود ہے تاکہ آپ کے GPT-4 کے دور کے فرینکین پراپٹس (Franken-prompts) بڑے ہو سکیں اور آپ کے ریپوز (repos) کو پریشان کرنا بند کر دیں۔

فوری سیاق و سباق جسے آپ میٹنگوں میں ہوشیار بننے کے لیے استعمال کر سکتے ہیں: OpenAI نے GPT-5 کے لیے خاص طور پر مزید کُک بُک (cookbook) طرز کی دستاویزات اور مثالیں شائع کرنا شروع کر دی ہیں، جن میں پراپٹ آپٹیمائزیشن (prompt optimization)، منتقلی اور کوڈ جنریشن (code generation) جیسے خصوصی استعمال کے معاملات کے لیے مختصر، عملی ترکیبیں شامل ہیں۔ ترجمہ: ہم "خود ہی معلوم کریں" سے "یہ پلے بُک (playbook) ہے" کی طرف منتقل ہو گئے ہیں۔

یہ کس کے لیے ہے (ہاں، آپ کے لیے)

پروڈکٹ مینیجرز (product managers) جنہیں ڈاؤن اسٹریم سسٹمز (downstream systems) کے لیے مستقل آؤٹ پٹ (output) کی ضرورت ہے۔

انجینئرز (engineers) جو منظم ڈیٹا اور LLM ورک فلوز (workflows) کو قابو میں رکھتے ہیں۔

کانٹینٹ (content) کے لوگ جو "اسے تین بار دوبارہ لکھنے" کے لوپ (loop) کو کم کرنے کی کوشش کر رہے ہیں۔

کوئی بھی جس نے "مختصر رہیں" لکھا اور اسے 700 الفاظ کی TED ٹاک (talk) ملی۔

نیا GPT-5 پراپٹنگ (prompting) ذہنیت: ایک باس (boss) کی طرح بات کریں، شاعر کی طرح نہیں۔

دیکھیں، GPT-5 تخلیقی ہو سکتا ہے، لیکن یہ بڑی بات نہیں ہے۔ بڑی بات کنٹرول (control) ہے۔ آپ صرف ایک سمارٹ طوطے سے خوبصورت باتیں کرنے کو نہیں کہہ رہے ہیں۔ آپ ایک قابل انٹرن (intern) کی ہدایت کر رہے ہیں جو سوچ سکتا ہے — اگر آپ اسے کوئی منصوبہ دیں۔

کرداروں، مراحل اور چیکوں میں سوچیں۔ یہاں وہ فارمولا (formula) ہے جو کام کرتا ہے:

کردار: آپ X ہیں جن کا مقصد Y ہے۔

کام: ان پابندیوں کے ساتھ Z کریں۔

مراحل: 1، 2، 3۔

استدلال: کوشش کی سطح N پر سوچیں۔

آؤٹ پٹ (output): JSON اسکیما (schema) یا مارک ڈاؤن اسٹرکچر (markdown structure)۔

گارڈ ریلز (Guardrails): انکار کریں اگر… یا پوچھیں اگر غائب ہے…

ہاں، یہ بورنگ (boring) ہے۔ ہاں، یہ مؤثر ہے۔ جیسے دانتوں میں فلاس (floss) کرنا۔

"استدلال کی کوشش" کو سوئے بغیر اصل میں کیسے استعمال کریں

تصور کریں کہ آپ ویک اینڈ (weekend) کے سفر کا پروگرام مانگ رہے ہیں۔ آپ کو "برنچ (brunch)" کی اشتقاقیات پر مشتمل 45 مراحل پر مشتمل زنجیر کی ضرورت نہیں ہے۔ لیکن اگر آپ ایک متواتر API فیلئر (failure) کو ڈیبگ (debug) کر رہے ہیں؟ تو کوشش کو بڑھا دیں۔ GPT-5 کی گائیڈ (guide) اس بات پر زور دیتی ہے کہ ماڈل کو کب پسینہ بہانا ہے اور کب تیزی سے دوڑنا ہے۔ کچھ اس طرح آزمائیں:

آسان کاموں کے لیے: "کم سے کم استدلال استعمال کریں۔ وضاحتوں کو چھوڑ دیں جب تک کہ وہ بہت اہم نہ ہوں۔"

پیچیدہ کاموں کے لیے: "زیادہ استدلال کی کوشش استعمال کریں۔ متبادل طریقوں کا جائزہ لیں۔ ایک مختصر منطقی حصے میں منتخب کردہ راستے کا جواز پیش کریں۔"

پرو موو (Pro move): منطق کو جوابات سے الگ کریں۔ "منطق" کی کے (key) کے تحت سوچنا رکھیں؛ "جواب" کے تحت نتائج۔ پھر آپ منطق کو صارفین سے چھپا سکتے ہیں اور اسے آڈٹ (audit) کے لیے لاگ (log) کر سکتے ہیں۔

JSON گفتگو: ماڈل کو روبوٹ (robot) کی طرح بولیں

GPT-5 میں منظم آؤٹ پٹس (outputs) کے لیے بہتر سپورٹ (support) موجود ہے۔ اگر آپ نے کبھی AI کے تیار کردہ متن کو پارس (parse) کرنے کی کوشش کی ہے اور آپ کو ایسا لگا ہے کہ آپ 2004 میں ویب (web) کو سکریپ (scrape) کر رہے ہیں، تو 2025 میں خوش آمدید۔ ایک JSON اسکیما (schema) کی وضاحت کریں، GPT-5 کو اس کے خلاف توثیق کرنے کو کہیں، اور سخت موڈ (mode) نافذ کریں۔ کُک بُک (cookbook) اسکیما (schema) کی تعریف کے ساتھ پراپٹس (prompts) جوڑنے کی مثالیں دکھاتی ہے تاکہ آپ کی ایپ (app) کو کسی بھی آوارہ ایموجی (emoji) پر متلی نہ ہو۔

یہ پیٹرن (pattern) آزمائیں:

سسٹم (System): "آپ ایک ڈیٹا فارمیٹر (data formatter) ہیں۔ آؤٹ پٹ (output) بالکل اس JSON اسکیما (schema) سے ملنا چاہیے۔"

اسکیما (schema) فراہم کریں۔

صارف: "مندرجہ ذیل کانٹینٹ (content) کو اسکیما (schema) میں تبدیل کریں۔"

شامل کریں: "اگر کوئی فیلڈ (field) غائب ہے، تو وجہ کے ساتھ ایک ایرر (error) آبجیکٹ (object) واپس کریں۔"

اب آپ صرف ٹیکسٹ (text) تیار نہیں کر رہے ہیں — آپ قابل اعتماد، مشین کے ذریعے پڑھنے کے قابل آؤٹ پٹس (outputs) بنا رہے ہیں۔ "صاف ڈیمو (demo)" اور "پروڈکشن (production) گریڈ" کے درمیان فرق۔

ایجنٹک ٹاسکس (Agentic tasks): وہ ماڈل جو خود کو منظم کرتا ہے (زیادہ تر)

GPT-5 منصوبہ بندی، ترتیب دینے اور کام کی جانچ پڑتال کرنے میں بہتر ہے۔ آپ اسے ہدایت دے سکتے ہیں کہ:

ایک منصوبہ تیار کریں، پھر اس پر عمل کریں۔

مرحلہ وار عمل کریں، خطرناک مراحل پر تصدیق طلب کریں۔

ایک چیک لسٹ (checklist) کے خلاف نتائج کی خود تصدیق کریں۔

آپ اس سے یہاں تک کہہ سکتے ہیں کہ وہ اپنے آؤٹ پٹ (output) کے لیے ٹیسٹ (test) بنائے، پھر ان ٹیسٹوں (tests) کو چلائے اور پاس/فیل (pass/fail) کا خلاصہ دکھائے۔ کیا اس کا مطلب یہ ہے کہ آپ QA کو فارغ کر سکتے ہیں؟ بالکل نہیں۔ لیکن اس کا مطلب یہ ہے کہ آپ QA کو "امید اور احساسات" سے "دہرانے کے قابل عمل" تک بڑھا سکتے ہیں۔ سرکاری گائیڈ (guide) پیچیدہ، کثیر الجہتی کاموں کے لیے اس ایجنٹک فریمینگ (agentic framing) پر انحصار کرتی ہے۔

ہر چیز کو توڑے بغیر اپنے پرانے پراپٹس (prompts) کو منتقل کرنا

پرانے پراپٹس (prompts) لمبے، باتونی اور نازک تھے۔ GPT-5 کو منظم، مختصر ہدایات، واضح کردار اور واضح آؤٹ پٹ اسپیکس (output specs) پسند ہیں۔ منتقلی کی چال:

اضافی باتوں کو تراشیں۔ "آئیے جادوئی دنیا کو دریافت کریں…" کو "کام: 3 بلٹس (bullets) میں خلاصہ کریں۔" سے تبدیل کریں۔

نرم درخواستوں کو پابندیوں سے بدلیں: "بالکل 3 بلٹس (bullets) واپس کریں۔ کوئی تمہید نہیں۔"

کوڈ (code) کے ذریعے استعمال ہونے والے آؤٹ پٹس (outputs) کے لیے ایک اسکیما (schema) شامل کریں۔

کوشش کو ٹیون (tune) کرنا متعارف کروائیں: "کم سے کم استدلال جب تک کہ تضادات کا پتہ نہ چل جائے۔"

ایرر ہینڈلنگ (error handling) میں بیک (bake) کریں: "اگر ان پٹس (inputs) غائب ہیں، تو ایک وضاحتی سوال پوچھیں۔"

OpenAI کی پراپٹ آپٹیمائزیشن (prompt optimization) کُک بُک (cookbook) تکراری تشخیص دکھاتی ہے — ماڈل کو بار بار طلب کریں، نتائج کا موازنہ کریں، اور ڈیٹا کے ساتھ پراپٹ کے معیار کو بتدریج بہتر بنائیں، احساسات سے نہیں۔ A/B ٹیسٹنگ (testing) کے بارے میں سوچیں، لیکن الفاظ کے لیے۔

حقیقی دنیا کے استعمال کے معاملات جو آپ کو آنکھیں گھمانے پر مجبور نہیں کرتے

کسٹمر (customer) ای میل ٹرائیج (triage): لہجے، عجلت اور پروڈکٹ ایریا (product area) کی درجہ بندی کریں؛ روٹنگ ٹیگز (routing tags) کے ساتھ JSON واپس کریں۔ ایک اعتماد اسکور (score) اور ایک "انسان کی ضرورت ہے" بولین (boolean) شامل کریں۔ آپ کی سپورٹ کیو (queue) افراتفری سے "آہ" میں بدل جاتی ہے۔

اینالیٹکس سمریز (Analytics summaries): GPT-5 کو ایک مہینے کی میٹرکس (metrics) کھلائیں؛ آؤٹ لائر (outlier) کا پتہ لگانے، مفروضوں اور اگلے مرحلے کے تجربات کے لیے پوچھیں — پھر اسے ایک سلائیڈ (slide) آؤٹ لائن (outline) میں فارمیٹ (format) کریں۔ استدلال کی کوشش: زیادہ۔

کوڈ ریویو (code review) اسسٹنٹ (assistant): ڈِف (diff)، لِنٹ (lint) رولز (rules) اور ایک چیک لسٹ (checklist) فراہم کریں۔ درجہ بندی شدہ تبصرے، شدت کی سطح اور منطق کے ساتھ حتمی مرج (merge) کی سفارش کے لیے پوچھیں۔ اگر ٹیسٹ (test) فیل (fail) ہو جائیں تو، مرج (merge) کو روک دیں۔ GPT-5-Codex کی رہنمائی یہاں تیار کی گئی ہے، جس میں ڈویلپر (developer) کے لیے پہلی پراپٹنگ (prompting) تجاویز شامل ہیں۔

اسکیل (scale) پر کانٹینٹ (content) جنریشن (generation): ایک موضوع، سامعین، وائس گائیڈ (voice guide) اور SEO اسٹرکچر (structure) دیں۔ منظم آؤٹ پٹس (outputs) کی ضرورت ہے: عنوان، ڈیک (dek)، H2s، میٹا ڈسکرپشن (meta description)۔ اگر برانڈ وائس رولز (brand voice rules) کی خلاف ورزی ہوتی ہے، تو "اسٹائل (style) کی خلاف ورزی" نوٹ (note) کے ساتھ دوبارہ کوشش کرنے کی درخواست کریں۔

پانچ پراپٹس (prompts) جنہیں میں دوبارہ استعمال کرتا رہتا ہوں (انہیں چرا لیں)

پلان (Plan)-پھر-کریں

آپ ایک سینئر (senior) پروجیکٹ اسسٹنٹ (project assistant) ہیں۔ مقصد: X تیار کرنا۔

سب سے پہلے، مرحلہ وار منصوبہ تیار کریں۔ پھر عمل کریں۔

اعتدال پسند استدلال کی کوشش استعمال کریں۔ اگر کسی پابندی کی خلاف ورزی ہوتی ہے، تو رکیں اور پوچھیں۔

آؤٹ پٹ (output): { plan: ۔

کوشش کی سطحوں کو نظر انداز کرنا: "واقعی سخت سوچنے" کو ڈیفالٹ (default) کرنا ٹوکن (token) ضائع کرتا ہے؛ "مشکل سے سوچنے" کو ڈیفالٹ (default) کرنا نزاکت سے محروم ہو جاتا ہے۔

ہائپ (hype) بمقابلہ مددگار پر ایک مختصر لفظ

ہاں، انٹرنیٹ (internet) پر دھوم مچی ہوئی ہے کہ OpenAI نے "خاموشی سے" سرکاری پراپٹنگ (prompting) گائیڈ (guide) جاری کی ہے — کیونکہ انہوں نے کی ہے، اور تکنیکیں (استدلال کی کوشش، منظم آؤٹ پٹس (outputs)) حقیقی اور کارآمد ہیں۔ جوش و خروش سے بھری باتوں کو نظر انداز کریں؛ کُک بُک (cookbook) دستاویزات پر توجہ مرکوز کریں، جو اصل ماخذ ہیں اور آپ کو طریقہ کار دکھاتی ہیں۔

GPT-5 پراپٹنگ (prompting) ٹیم کے ورک فلوز (workflows) کو کیسے بدلتی ہے

پروڈکٹ (Product): شروع میں آؤٹ پٹ کنٹریکٹس (output contracts) کی وضاحت کریں۔ پراپٹس (prompts) کو ورژننگ (versioning) کے ساتھ انٹرفیس (interfaces) کی طرح سمجھیں۔ آپ تیزی سے شپ (ship) کریں گے اور کم چیزیں توڑیں گے۔

انجینئرنگ (Engineering): پراپٹس (prompts) کو ٹیسٹوں (tests) میں لپیٹیں۔ JSON کی توثیق کریں۔ اگر توثیق ناکام ہو جاتی ہے تو سخت طریقوں کے ساتھ دوبارہ کوششیں شامل کریں۔

ڈیٹا (Data): پراپٹ ورژنز (prompt versions) اور نتائج کو ٹریک (track) کریں۔ معیار کی میٹرکس (metrics): درستگی، کوریج، تاخیر کے لیے ڈیش بورڈز (dashboards) بنائیں۔

آپریشنز (Ops): رن بکس (runbooks) بنائیں جن میں شامل ہو "اگر ماڈل ایرر (error) واپس کرتا ہے، تو سیاق و سباق کے ساتھ انسان تک پہنچائیں۔"

ماڈل کی "استدلال کی کوشش" کو کب بڑھائیں

تحقیقات: جڑ کی وجہ کا تجزیہ، حفاظتی خرابیاں، محصول میں کمی۔

سنتھیسس (Synthesis): متضاد دعووں کے ساتھ کثیر دستاویزاتی تحقیق۔

منصوبہ بندی: انحصار اور خطرات کے ساتھ طویل المدتی کام۔

پابندیوں کے ساتھ تخلیقیت: برانڈ (brand) کے لیے محفوظ مہمات جو اب بھی نمایاں ہوں۔

کب نہیں

فارمیٹنگ (Formatting)، نکالنا، ٹیمپلیٹنگ (templating)۔

ایک ماخذ کے ساتھ خلاصے۔

کوئی بھی چیز جسے آپ ایک گھنٹے میں ہزاروں بار چلاتے ہیں۔

قابل ذکر: اگر آپ کے پاس اپنے اسٹیک (stack) میں رول (roll) کرنے سے پہلے پراپٹس (prompts) کو پروٹوٹائپ (prototype) کرنے اور عقلمندی کی جانچ پڑتال کرنے کا ایک تیز طریقہ چاہتے ہیں، تو Sider.AI لاگز (logs) کے ذریعے غار میں اترے بغیر آپ کو تکرار کرنے، آؤٹ پٹس (outputs) کا موازنہ کرنے اور منظم فارمیٹس (formats) کو لاک (lock) کرنے میں مدد کر سکتا ہے۔ یہ پراپٹس (prompts) کے لیے اسپیڈ ڈیٹنگ (speed-dating) کی طرح ہے، چھوٹی بات چیت کے بغیر — اور ہاں، آپ اپنے ساتھ JSON اسکیما (schema) کو تاریخ پر لا سکتے ہیں۔ خبردار: یہ اس پر ہے۔

مخصوص نتائج کے لیے پراپٹ پیٹرنز (prompt patterns) (اسے بُک مارک (bookmark) کریں)

بلٹ پروف (Bulletproof) خلاصہ:

کردار: تجزیہ کار؛ کام: 5 بلٹس (bullets)؛ پابندیاں: کوئی صفت نہیں جب تک کہ مقدار درست نہ ہو؛ ذرائع: فہرست؛ آؤٹ پٹ (output): JSON فہرست۔

محفوظ برین اسٹارم (brainstorm):

کردار: تخلیقی ڈائریکٹر (creative director)؛ گارڈ ریلز (Guardrails): کوئی IP خلاف ورزی نہیں، کوئی طبی/مالی دعویٰ نہیں؛ کوشش: درمیانی؛ آؤٹ پٹ (output): ٹیگز (tags) کے ساتھ 20 آئیڈیاز (ideas)۔

ضروریات کی دستاویز:

کردار: پروڈکٹ اسپیک رائٹر (product spec writer)؛ ان پٹس (inputs): صارف کی کہانیاں؛ آؤٹ پٹ (output): حصے — مقاصد، غیر مقاصد، قبولیت کے معیار (گھرکن (Gherkin))، خطرات۔

تعمیل کے ساتھ اشتہار جنریٹر (generator):

کردار: پرفارمنس مارکیٹر (performance marketer)؛ رولز (rules): برانڈ ٹون فائل (brand tone file)؛ پلیٹ فارم (platform): میٹا/گوگل (meta/google)؛ ویرینٹس (variants): 10؛ آؤٹ پٹ (output): CSV فیلڈز (fields)۔

انٹرویو (interview) سوال بنانے والا:

کردار: ہائرنگ مینیجر (hiring manager)؛ سینئیرٹی (seniority): درمیانی؛ توجہ: سسٹم ڈیزائن (system design)؛ آؤٹ پٹ (output): سوالات، رُبرکس (rubrics)، ریڈ فلیگز (red flags)، نمونہ جوابات۔

منی پلے بُک (mini playbook): GPT-5 کے ساتھ پروڈکشن (production) گریڈ LLM فیچرز (features) شپ (ship) کرنا

پہلے معاہدہ لکھیں

اسکیما (schema)، پابندیوں اور قابل قبول حدود کی وضاحت کریں۔ فیصلہ کریں کہ ناکامی پر کیا ہوتا ہے۔

ایک API اسپیک (spec) کی طرح پراپٹ (prompt) تیار کریں

کردار، کام، مراحل، کوشش، آؤٹ پٹس (outputs)، گارڈ ریلز (guardrails)۔ اسے بورنگ (boring) بنائیں۔ بورنگ (boring) جیت جاتا ہے۔

تصدیق میں بیک (bake) کریں

GPT-5 کو چیک لسٹ (checklist) کے خلاف خود جانچ کرنے کو کہیں۔ پھر پروگرام کے ذریعے توثیق کریں۔ ڈبل فینسز (fences)۔

اسکیل (scale) پر ٹیسٹ (test) کریں

حقیقی ڈیٹا کے ساتھ بیچ پراپٹس (batch prompts)۔ درستگی اور فارمیٹ (format) کی تعمیل کے لیے اسکور (score) کریں۔ آپٹیمائزیشن (optimization) کُک بُک (cookbook) پیٹرنز (patterns) کا استعمال کرتے ہوئے تکرار کریں۔

ہر چیز کو آلات لگائیں

ورژنڈ (versioned) پراپٹس (prompts)، استدلال کی کوشش کی سیٹنگز (settings)، تاخیر، ٹوکن (token) کے استعمال اور ایرر (error) کی اقسام کو لاگ (log) کریں۔

اسکیل (scale) کرنے کے راستے سیٹ (set) کریں

اگر اعتماد < تھریشولڈ (threshold) یا اسکیما (schema) دو بار فیل (fail) ہو جاتا ہے، تو سیاق و سباق کے ساتھ کسی انسان تک پہنچائیں۔ تیزی سے ٹرائیج (triage) کے لیے منطق منسلک کریں۔

توقعات کا نظم کریں

بتائیں کہ GPT-5 کہاں چمکتا ہے (منظم جنریشن (generation)، منصوبہ بندی، کوڈ (code) کی مدد) اور یہ کہاں صرف ٹھیک ہے (پابندیوں کے بغیر کھلے عام مضامین)۔ صارفین حدود کو معاف کر دیتے ہیں؛ وہ حیرتوں سے نفرت کرتے ہیں۔

GPT-5 کے ساتھ کوڈنگ (coding) کے بارے میں کیا خیال ہے؟

OpenAI کے مواد GPT-5-Codex کے لیے ڈویلپر (developer) کے لیے مخصوص پراپٹنگ (prompting) کی طرف اشارہ کرتے ہیں: ماحول، انحصار، ایرر میسجز (error messages) اور متوقع رن ٹائم (runtime) رویے کے ساتھ واضح رہیں۔ فیل (fail) ہونے والے ٹیسٹ (test) فراہم کریں اور ماڈل کو انہیں پاس (pass) کرنے کو کہیں۔ درخواستوں کو "وضاحت کریں، تجویز کریں، پیچ (patch) کریں" کے طور پر اسٹرکچر (structure) کریں۔ اس سے صاف ڈِفس (diffs) اور کم دھوکہ دہی درآمدات حاصل ہوتے ہیں۔ اگر آپ اب بھی پوچھ رہے ہیں، "مجھے ایک اسکرپٹ (script) لکھ کر دیں جو X کرتا ہے،" تو آپ میز پر پرفارمنس (performance) چھوڑ رہے ہیں۔

10 منٹ کا اسٹارٹر (starter) ٹیمپلیٹ (template) (ہاں، آپ اسے کاپی کر سکتے ہیں)

سسٹم (System)

آپ ایک سینئر (senior) اسسٹنٹ (assistant) ہیں جو اس میں مہارت رکھتے ہیں۔

اب جائیں اور اپنے پرانے پراپٹس (prompts) کو وہ تبدیلی دیں جس کے وہ مستحق ہیں۔ جوتے صحیح پاؤں پر۔ JSON زِپ (zip)۔ استدلال کو "صرف اتنا" پر سیٹ (set) کریں۔ اور شاید ایک کوکی (cookie) آسانی سے رکھیں — آپ کے لیے۔

عمومی سوالات

سوال 1: OpenAI کی GPT-5 پراپٹنگ (prompting) گائیڈ (guide) میں اصل میں نیا کیا ہے؟ استدلال کی کوشش کے لیے کنٹرولز (controls)، سخت منظم آؤٹ پٹس (outputs) (بشمول JSON موڈ (mode))، اور ایجنٹک ٹاسک پیٹرنز (agentic task patterns)۔ گائیڈ (guide) بتاتی ہے کہ کس طرح ٹھوس مثالوں اور منتقلی کی تجاویز کے ساتھ، GPT-5 کو صرف تخلیقیت کے لیے نہیں بلکہ قابل اعتمادی کے لیے بھی ٹیون (tune) کیا جائے۔

سوال 2: میں GPT-5 کو ہر بار صاف JSON کیسے واپس کروں؟ ایک اسکیما (schema) کی وضاحت کریں، سخت آؤٹ پٹ کی ضروریات کو فعال کریں، اور غلط معاملات کے لیے ایک ایرر (error) آبجیکٹ (object) پاتھ (path) شامل کریں۔ پروگرام کے ذریعے توثیق کریں اور ماڈل کو واپس کرنے سے پہلے اسکیما (schema) کے خلاف خود جانچ کرنے کو کہیں۔

سوال 3: مجھے GPT-5 کی استدلال کی کوشش کو کب بڑھانا چاہیے؟ تحقیقات، طویل المدتی منصوبہ بندی اور کثیر ماخذ سنتھیسس (synthesis) کے لیے اسے بڑھا دیں۔ فارمیٹنگ (formatting)، نکالنے اور زیادہ تعدد والے کاموں کے لیے اسے کم رکھیں جہاں گہری سوچ سے زیادہ رفتار اور لاگت زیادہ اہمیت رکھتی ہے۔

سوال 4: میں پرانے GPT-4 پراپٹس (prompts) کو GPT-5 میں کیسے منتقل کروں؟ اضافی باتوں کو تراشیں، کرداروں اور پابندیوں کو واضح کریں، آؤٹ پٹ اسکیماز (output schemas) کی وضاحت کریں، اور تصدیق کے مراحل شامل کریں۔ پراپٹ آپٹیمائزیشن (prompt optimization) تکنیکوں کا استعمال کرتے ہوئے بیچ ٹیسٹ (batch-test) کریں اور فارمیٹ (format) کی تعمیل اور درستگی کی بنیاد پر تکرار کریں۔

سوال 5: کیا GPT-5 کوڈنگ (coding) پراپٹس (prompts) کے لیے بھی بہتر ہے؟ ہاں — GPT-5-Codex طرز کی پراپٹنگ (prompting) کا استعمال کریں: ماحول کی تفصیلات، فیل (fail) ہونے والے ٹیسٹ (test) اور متوقع رویہ فراہم کریں۔ وضاحت کریں-تجویز کریں-پیچ (patch) کرنے کے لیے کہیں، اور دھوکہ دہی کو کم کرنے کے لیے منظم ڈِفس (diffs) اور منطق کی درخواست کریں۔