OpenAI官方GPT-5提示詞指南：真正能用上的技巧
更新於 2025年9月29日
9 分鐘
是否曾經試圖向幼兒解釋如何穿鞋，結果卻看到他們把兩隻鞋都穿在同一隻腳上？多年來，我們對大型語言模型的要求就像這樣：雖然最終可以達成目標，但需要耐心、深呼吸，偶爾還需要一塊餅乾。有了 GPT-5，OpenAI 終於給了我們一份育兒手冊。沒錯，現在有一份官方的 GPT-5 prompting 指南了，其中包含了許多技巧，可以讓模型變得更聰明、更可預測。我已經閱讀過了，所以你不用再讀了。好吧，我讀了是因為我是個書呆子，而且一旦你了解了這裡的新內容，你的 prompts 就不會再絆倒自己，而是會開始跑馬拉松了。
重點是：GPT-5 改變了你與 AI 對話的方式。不再只是「幫我寫一首關於沙拉的詩」這麼簡單。而是關於調整推理、強制輸出格式，並讓模型表現得像你希望過去的自己聘請的那位一絲不苟的助理一樣，在你衝動購買第三個待辦事項應用程式之前。
GPT-5 的真正新功能
- 推理努力控制：你可以告訴 GPT-5 要多麼努力地思考，本質上就是對一個問題投入多少認知資源。困難的事情多用點力，樣板文件少用點力。這不是憑感覺，而是一個可以設定的旋鈕，用來調整品質與速度。
- 更嚴格的輸出格式：JSON 模式和 schema 驗證現在意味著你「請給我乾淨的數據」的要求，不會以 AI 的自由詩詮釋告終。你的 pipelines 會感謝你的。
- Agentic 任務執行：GPT-5 更擅長分解複雜的工作，並像一個真正的專案經理一樣行事。減少了「糟糕，我忘記了第 7 步」的時刻。
- 從舊 prompts 遷移的幫助：有升級 prompts 的指南，因此你 GPT-4 時代的 Franken-prompts 可以長大，不再困擾你的 repos。
你可以用來在會議中聽起來很聰明的快速背景知識：OpenAI 已經開始發布更多 cookbook 式的文件和範例，專門針對 GPT-5，包括用於 prompt 優化、遷移和專業用例（如程式碼產生）的簡短、實用指南。翻譯：我們已經從「自己想辦法」轉變為「這是劇本」。
這是為誰準備的（沒錯，就是你）
- 需要下游系統一致輸出的產品經理。
- 處理結構化數據和 LLM 工作流程的工程師。
- 試圖減少「重寫三次」循環的內容創作者。
- 任何輸入過「簡潔一點」卻得到一篇 700 字 TED 演講稿的人。
新的 GPT-5 prompting 思維模式：像老闆一樣說話，而不是像詩人一樣
聽著，GPT-5 可以很有創意，但這不是重點。重點是控制。你不只是要求一隻聰明的鸚鵡說好聽的話。你是在指導一位有能力的實習生，如果給他們一個計劃，他們就能思考。
以角色、步驟和檢查來思考。以下是有效的公式：
- 角色：你是 X，目標是 Y。
- 任務：在這些限制下執行 Z。
- 步驟：1, 2, 3。
- 推理：以 N 級別的努力思考。
- 輸出：JSON schema 或 markdown 結構。
- 防護欄：如果…則拒絕，或如果缺少…則詢問。
是的，這很無聊。是的，這很有效。就像使用牙線一樣。
如何在不睡著的情況下實際使用「推理努力」
想像一下，你正在要求一個週末行程。你不需要一個包含「早午餐」詞源的 45 步驟思考鏈。但是，如果你正在 debug 一個間歇性的 API 故障呢？提高努力程度。GPT-5 的指南強調告訴模型何時要努力工作，何時要快速衝刺。試試這樣：
- 對於簡單的任務：「使用最少的推理。除非關鍵，否則跳過解釋。」
- 對於複雜的任務：「使用高度的推理努力。評估替代方法。在簡明的理由部分中證明所選路徑的合理性。」
專業技巧：將理由與答案分開。將思考放在「理由」鍵下；將結果放在「答案」下。然後，你可以向用戶隱藏理由，並將其記錄下來以供審核。
JSON 對話：讓模型說機器人語
GPT-5 更好地支援結構化輸出。如果你曾經嘗試解析 AI 生成的文本，並且感覺像在 2004 年 scraping 網頁，歡迎來到 2025 年。定義一個 JSON schema，要求 GPT-5 根據它進行驗證，並強制執行 strict 模式。該 cookbook 顯示了將 prompts 與 schema 定義配對的範例，因此你的應用程式不會因為一個 stray emoji 而感到不適。
試試這個模式：
- System：「你是一個數據格式化器。輸出必須完全符合此 JSON schema。」
- 提供 schema。
- User：「將以下內容轉換為 schema。」
- Add：「如果缺少任何字段，則返回一個帶有原因的錯誤物件。」
現在你不只是在產生文本，你還在構建可靠的、機器可讀的輸出。「整潔的 demo」和「生產級」之間的區別。
Agentic 任務：管理自己的模型（大部分）
GPT-5 更擅長規劃、排序和檢查工作。你可以指示它：
- 產生一個計劃，然後執行。
- 逐步執行，要求確認有風險的步驟。
- 根據 checklist 自我驗證結果。
你甚至可以要求它為自己的輸出創建測試，然後運行這些測試並顯示通過/失敗摘要。這是否意味著你可以解僱 QA？絕對不是。但這確實意味著你可以將 QA 從「希望和感覺」擴展到「可重複的流程」。官方指南傾向於使用這種 agentic 框架來處理複雜的、多步驟的任務。
在不破壞任何內容的情況下遷移你的舊 prompts
舊的 prompts 很長、很健談且很脆弱。GPT-5 喜歡結構化、簡潔的指令、明確的角色和清晰的輸出規範。遷移策略：
- 刪除 fluff。將「讓我們探索…的神奇世界」替換為「任務：以 3 個要點總結」。
- 將軟性要求替換為約束：「準確返回 3 個要點。沒有 preamble。」
- 為程式碼使用的輸出添加 schema。
- 引入努力調整：「除非檢測到矛盾，否則最小的推理。」
- 加入錯誤處理：「如果缺少輸入，則提出一個 clarifying 問題。」
OpenAI 的 prompt 優化 cookbook 顯示了迭代評估：重複調用模型，比較結果，並使用數據（而不是感覺）逐步提高 prompt 品質。想想 A/B 測試，但用於文字。
不會讓你翻白眼的真實世界用例
- 客戶電子郵件分類：對語氣、緊急程度和產品領域進行分類；返回帶有路由標籤的 JSON。添加一個信心分數和一個「需要人工」的布林值。你的支援隊列從混亂變為「啊哈」。
- 分析摘要：向 GPT-5 提供一個月的指標；要求異常值檢測、假設和下一步實驗，然後將其格式化為 slide 大綱。推理努力：高。
- 程式碼審查助理：提供 diff、lint 規則和 checklist。要求分類的評論、嚴重程度和帶有理由的最終合併建議。如果測試失敗，則阻止合併。GPT-5-Codex 指導在這裡是量身定制的，帶有開發人員優先的 prompting 建議。
- 大規模的內容產生：提供主題、受眾、語音指南和 SEO 結構。要求結構化輸出：標題、dek、H2s、meta 描述。如果違反了品牌語音規則，則請求使用「style violation」註釋重試。
我一直重複使用的五個 prompts（偷走它們）
- 先計劃再做
- 你是一位資深專案助理。目標：產生 X。
- 首先，草擬一個 step-by-step 計劃。然後執行。
- 使用適度的推理努力。如果違反了約束，請暫停並詢問。
- 輸出：{ plan: .
- 忽略努力程度：預設為「非常努力地思考」會浪費 tokens；預設為「幾乎不思考」會錯過細微差別。
關於炒作與幫助的簡短說明
是的，網路上都在 buzz OpenAI「悄悄發布」了官方 prompting 指南，因為他們確實這樣做了，而且這些技術（推理努力、結構化輸出）是真實且有用的。忽略那些 breathless 的說法；專注於 cookbook 文件，這些文件是實際來源，並向你展示了 how-to。
GPT-5 prompting 如何改變團隊工作流程
- 產品：預先定義輸出合約。將 prompts 視為帶有版本控制的介面。你將更快地交付產品，並減少出錯。
- 工程：將 prompts 包裝在測試中。驗證 JSON。如果驗證失敗，則添加具有更嚴格模式的重試。
- 數據：追蹤 prompt 版本和結果。建立質量指標的 dashboards：準確性、覆蓋率、延遲。
- Ops：建立 runbooks，其中包括「如果模型返回錯誤，則將帶有 context 的問題升級給人工處理。」
何時提高模型的「推理努力」
- 調查：root-cause 分析、安全異常、收入下降。
- 綜合：具有矛盾說法的多文件研究。
- 規劃：具有依賴關係和風險的長遠任務。
- 具有約束的創造力：仍然流行的品牌安全廣告活動。
何時不使用
- 格式化、提取、範本化。
- 具有單一來源的摘要。
- 你每小時運行數千次的任何操作。
值得注意的是：如果你想要一種快速原型化和健全性檢查 prompts 的方法，然後再將它們滾動到你的 stack 中，Sider.AI 可以幫助你迭代、比較輸出並鎖定結構化格式，而無需在日誌中 spelunking。這就像 prompts 的 speed-dating，減去 small talk，而且，你可以將你的 JSON schema 帶到約會中。請注意：它位於
用於特定結果的 Prompt 模式（將其加入書籤）
- 防彈摘要：
- 角色：分析師；任務：5 個要點；約束：除非量化，否則沒有形容詞；來源：列表；輸出：JSON 列表。
- 安全 Brainstorm：
- 角色：創意總監；防護欄：沒有 IP 違規、沒有醫療/財務聲明；努力：中等；輸出：20 個帶有標籤的想法。
- 需求文件：
- 角色：產品規格編寫者；輸入：用戶故事；輸出：章節—目標、非目標、驗收標準 (Gherkin)、風險。
- 符合規範的廣告產生器：
- 角色：績效行銷人員；規則：品牌語氣文件；平台：meta/google；變體：10 個；輸出：CSV 字段。
- 面試問題建立器：
- 角色：招聘經理；資歷：中級；重點：系統設計；輸出：問題、評分標準、危險信號、範例答案。
迷你劇本：使用 GPT-5 交付生產級 LLM 功能
- 先寫合約
- 定義 schema、約束和可接受的範圍。決定失敗時會發生什麼。
- 像 API 規範一樣草擬 prompt
- 角色、任務、步驟、努力、輸出、防護欄。讓它變得無聊。無聊獲勝。
- 加入驗證
- 要求 GPT-5 根據 checklist 進行自我檢查。然後以程式設計方式驗證。雙重防護。
- 大規模測試
- 使用真實數據批量處理 prompts。對準確性和格式符合性進行評分。使用優化 cookbook 模式進行迭代。
- 測量一切
- 記錄版本化的 prompts、推理努力設定、延遲、token 使用量和錯誤類型。
- 設定升級路徑
- 如果信心 < 閾值或 schema 失敗兩次，則將其路由給人工處理。附加理由以加快分類。
- 管理期望
- 溝通 GPT-5 的優勢（結構化產生、規劃、程式碼輔助）和它的不足之處（沒有約束的開放式文章）。用戶會原諒限制；他們討厭驚喜。
使用 GPT-5 進行程式碼編寫怎麼樣？
OpenAI 的材料指向針對 GPT-5-Codex 的開發人員特定 prompting：明確環境、依賴關係、錯誤訊息和預期的運行時行為。提供失敗的測試，並要求模型通過它們。將請求結構化為「解釋、提出、修補」。這會產生更乾淨的 diffs 並減少幻覺導入。如果你仍然問「幫我寫一個執行 X 的腳本」，那麼你就是在浪費效能。
10 分鐘的入門範本（是的，你可以複製這個）
系統
- 你是一位專門從事…的資深助理。
現在就去給你舊的 prompts 做一個應有的 makeover。鞋子穿在正確的腳上。JSON 已壓縮。推理設定為「恰到好處」。並且可能隨時準備好一塊餅乾——給你自己。
常見問題
Q1：OpenAI 的 GPT-5 prompting 指南中實際的新功能是什麼？
推理努力的控制、更嚴格的結構化輸出（包括 JSON 模式）和 agentic 任務模式。該指南展示了如何調整 GPT-5 的可靠性，而不僅僅是創造力，並提供具體範例和遷移技巧。
Q2：如何讓 GPT-5 每次都返回乾淨的 JSON？
定義 schema，啟用嚴格的輸出要求，並為無效情況添加錯誤物件路徑。以程式設計方式驗證，並要求模型在返回之前根據 schema 進行自我檢查。
Q3：我應該何時增加 GPT-5 的推理努力？
在調查、長期規劃和多來源綜合時提高它。在格式化、提取和高頻率任務中保持較低水平，在這些任務中，速度和成本比深入思考更重要。
Q4：如何將舊的 GPT-4 prompts 遷移到 GPT-5？
刪除 fluff，明確角色和約束，定義輸出 schemas，並添加驗證步驟。使用 prompt 優化技術進行批量測試，並根據格式符合性和準確性進行迭代。
Q5：GPT-5 是否更適合用於程式碼編寫 prompts？
是的——使用 GPT-5-Codex 風格的 prompting：提供環境詳細資訊、失敗的測試和預期行為。要求解釋-提出-修補，並請求結構化的 diffs 和理由以減少幻覺。
