图解 GPT-5 提示词：这可能是全网最“直观”的《 GPT-5 提示词指南》拆解

OpenAI 前不久发布了一份《GPT-5 提示词指南》，主要讨论了关于如何：

• 提升智能体（Agent）的任务表现
• 确保指令精确遵循
• 利用全新 API 特性
• 优化编码与软件工程任务

这些技巧源于 OpenAI 训练模型并将其应用于真实世界任务时所积攒的宝贵经验，旨在最大化提升模型的输出质量。

另外还分享了 Cursor 在 GPT-5 提示词调优方面的关键见解。

---

本文将延续《Augment 团队亲授11个提示工程技巧》这篇文章的特色，将枯燥的文字概念用可视化的方式展示出来，帮助大家更好地理解。

智能体工作流的可预测性

GPT-5 在设计之初时就充分考虑了开发者的实际需求，着重加强了模型在

• 工具调用
• 指令遵循
• 长上下文理解

几个方面的能力，致力于成为构建智能体应用的最佳基础模型。

控制智能体的主动性

GPT-5 的一大特点是能灵活适应不同程度的控制。无论是在情况模糊时需要它做出高层决策，还是在处理目标明确的细致任务时，它都能游刃有余。

接下来，我们将探讨如何校准 GPT-5 的智能体主动性 ，也即让它在"主动出击 "和"等待指令"之间找到完美的平衡点。

场景一：引导模型降低主动性

在默认情况下，GPT-5 在智能体环境中，为了确保给出最准确的答案，会非常详尽地去收集和分析上下文信息。

如果你想减少不必要的工具调用 ，并尽快得到最终答案，可以尝试以下几种方法：

1. 降低"推理强度"

GPT-5 提供了一个名为 reasoning_effort 参数，它就像一个控制旋钮，可以调节：

• 模型思考的努力程度
• 模型调用工具的意愿

这个参数的默认值是 medium（中等）。你可以根据任务的复杂性调高或调低它。

降低该值会减少模型的探索深度，但能显著提升效率、降低延迟。许多工作流在 medium 甚至 low 的设置下，依然能获得理想的结果。

2. 设定明确的上下文收集标准

你可以在提示词中为模型设定一套清晰的规则，告诉它应该如何探索问题空间。这样做可以有效减少模型不必要的思考和探索。

下面是一个具体的提示词范例：

<context_gathering>
目标：快速获取足够的上下文。并行化探索，并在能够行动时立即停止。

方法：
- 从一个宽泛的查询开始，然后分散到多个专注的子查询。
- 并行发起多样的查询；只读取每个查询最匹配的结果。对路径进行去重和缓存，不要重复查询。
- 避免过度搜索。如果需要，在一次并行批处理中运行有针对性的搜索。

提前停止的标准：
- 当你已经可以明确指出需要更改的具体内容时。
- 当最高匹配的结果中，有大约70%都执行同一个领域或路径时。

何时可以升级搜索：
- 只有当信息相互冲突或范围依然模糊时，才可以再运行一次精炼的并行批处理，然后继续。

深度限制：
- 只追踪你将要修改的符号，或其依赖的契约符号。除非绝对必要，否则避免进行传递性扩展。

工作循环：
- 批处理搜索 → 制定最小化计划 → 完成任务。
- 只有在验证失败或出现新问题时才重新搜索。倾向于先行动，而不是无休止地搜索。
</context_gathering>

我们用一个"修复失灵的提交按钮"的例子，来拆解这个提示词是如何运作的：

1. 并行探索

首先，GPT-5 会围绕"提交按钮不起作用"这个核心问题，发起一个宽泛的查询。

接着，它会将问题分解，并行发起多个更具体的子查询，比如：

• • "检查按钮点击事件"
  • "检查提交请求错误"
  • "检查用户权限"

2. 信号收敛

当超过 70% 的查询结果都指向同一个原因时（例如"API 调用失败"），模型就会停止发散，将结论收敛于此。

3. 最小化计划 & 行动

基于这个结论，模型会制定一个最小化的可执行计划，例如"更改提交请求的URL"，并立即采取行动。

如果修改之后问题依旧存在，或出现新的状况，模型将开启新一轮的搜索循环。

4. 限制深度

在这个过程中，GPT-5 会限制查询的深度，只追踪直接依赖，避免层层深挖、钻牛角尖。

比如只会追踪与按钮直接相关的 submitForm 函数，而不会深究该函数内部是如何调用HTTP请求的。

5. 升级

同时，如果第一次查询的结果出现了矛盾（例如，前端报告点击事件未实现，而后端又报告服务器错误），或者结果太模糊，模型会整合现有信息，发起一次更精确的二次查询。

3. 设置固定的工具调用预算

你还可以通过"卡预算"的方式来限制模型的搜索行为，即直接在提示词中规定工具调用的最大次数。

同时，最好为模型提供一个"出口机制"，即允许模型在不确定时，也能快速给出一个可能的答案。

<context_gathering>
- 搜索深度：非常低。
- 强烈倾向于尽快提供一个答案，即使它可能不完全正确。
- 通常，这意味着最多进行 2 次工具调用。
- 如果你觉得需要更多时间调查，请向用户更新你的发现和待解决的问题。在用户确认后，你才能继续。
</context_gathering>

场景二：引导模型提高主动性

在另一些场景下，我们可能希望：

• 鼓励模型更加自主
• 让模型更持久地调用工具来完成任务
• 减少向用户寻求确认或交还控制权的次数

这是，你可以调高 reasoning_effort 参数，并使用下面这样的提示词来鼓励它更持久、更彻底地完成任务：

<persistence>
- 你是一个智能体------请持续工作，直到用户的请求完全解决，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解决时，才能结束你的回合。
- 当遇到不确定性时，绝不停止或将控制权交还给用户------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，因为你之后随时可以调整------决定最合理的假设是什么，继续执行，并记录下来供用户在行动结束后参考。
</persistence>

至于何时要提高或降低主动性，则完全取决于具体的场景，例如，从安全性方面考虑：

• 在购物场景中，涉及"支付"的工具，其不确定性阈值应设得较低，需要用户反复确认；而"搜索商品"的工具，则可以非常主动。
• 在编码场景中，"删除文件"工具的主动性阈值，必须远低于"搜索文本"（grep）工具。

工具调用前说明 (Tool preambles)

GPT-5 经过专门训练，在采取行动前，它会通过"工具调用前说明"来清晰地预告自己的计划，并持续同步进度。

简单来说，模型会不时地告诉你，它正在用工具做什么，以及为什么要这样做，极大地提升了交互体验。

你可以在提示词中，引导这些"说明"的频率、风格和内容。

<tool_preambles>
- 在调用任何工具之前，始终先以友好、清晰、简洁的方式重述用户的目标。
- 然后，立即概述一个结构化的计划，详细说明你将遵循的每个逻辑步骤。
- 在执行文件编辑时，简洁并按顺序叙述每一步，清晰地标记进度。
- 最后，将已完成的工作与你的之前的计划明确分开进行总结。
</tool_preambles>

以下是针对此类提示词可能得到的响应示例：

"output": [
  {
    "id": "rs_6888f6d0606c819aa8205ecee386963f0e683233d39188e7",
    "type": "reasoning",
    "summary": [
      {
        "type": "summary_text",
        "text": "**确定天气响应**\n\n我需要回答用户关于旧金山天气的问题。...."
      }
    ]
  },
  {
    "id": "msg_6888f6d83acc819a978b51e772f0a5f40e683233d39188e7",
    "type": "message",
    "status": "completed",
    "content": [
      {
        "type": "output_text",
        "text": "我将查询一个实时天气服务，以获取旧金山的当前状况，并同时提供华氏度和摄氏度的温度，以符合您的偏好。"
      }
    ],
    "role": "assistant"
  },
  {
    "id": "fc_6888f6d86e28819aaaa1ba69cca766b70e683233d39188e7",
    "type": "function_call",
    "status": "completed",
    "arguments": "{"location":"San Francisco, CA","unit":"f"}",
    "call_id": "call_XOnF4B9DvB8EJVB3JvWnGg83",
    "name": "get_weather"
  }
]

使用 Responses API 复用推理上下文

在使用 GPT-5 处理智能体流程时，强烈推荐使用 Responses API。它能带来更低的成本和更高效的 Token 使用。

这个 API 允许模型参考自己之前的推理轨迹。这样做的好处是，模型不必在每次工具调用后都从头开始重新思考和规划，从而节省了大量的思考链（CoT）Token ，并同时提升了响应速度和性能。

最大化编码性能，从规划到执行

前端应用开发

GPT-5 不仅具备严谨的实现能力，还拥有出色的基础审美。它能熟练运用各类 Web 开发框架。不过，如果你要从零开始构建新应用，OpenAI 建议使用以下技术栈，以充分发挥模型的前端能力：

• 框架: Next.js (TypeScript), React, HTML
• 样式 / UI: Tailwind CSS, shadcn/ui, Radix Themes
• 图标: Material Symbols, Heroicons, Lucide
• 动画: Motion
• 字体: San Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

场景一：从零到一的应用生成

GPT-5 非常擅长一次性构建完整的应用程序。

利用 GPT-5 全面的规划和自我反思能力，你通过以下提示词，要求模型先为自己建立一套高标准的评估准则，然后基于这套准则进行迭代和优化：

<self_reflection>
- 首先，花时间思考并建立一套评估标准，直到你充满信心。
- 深入思考构成世界级 Web 应用的每个方面，用这些知识创建一个包含5-7个类别的评估标准。这个标准仅供你自己内部使用，不要展示给用户。
- 最后，使用这个标准在内部反复思考和迭代，直到找到对用户提示的最佳解决方案。记住，如果你的响应在所有类别上没有达到最高分，就必须重新开始。
</self_reflection>

场景二：匹配现有代码库的设计规范

当我们需要在现有项目中进行增量修改或重构时，我们希望模型生成的代码能够遵循项目已有的风格和设计标准，做到无缝"融入"。

通常情况下，GPT-5 会自动在代码库中搜索参考信息，无需特别提示。 但我们依然可以通过明确的提示词来进一步强化这一行为。

下面这个提示词片段，就很好地为 GPT-5 组织了一套代码编辑规则：

<code_editing_rules>
<guiding_principles>
- 清晰与复用：每个组件和页面都应是模块化和可复用的。通过将重复的 UI 模式分解为组件来避免重复。
- 一致性：用户界面必须遵守一致的设计系统------颜色 token、排版、间距和组件必须统一。
- 简洁性：倾向于使用小而专注的组件，避免在样式或逻辑中引入不必要的复杂性。
- 面向演示：结构应允许快速原型制作，展示流式传输、多轮对话和工具集成等功能。
- 视觉质量：遵循 OSS 指南中概述的高视觉质量标准（间距、内边距、悬停状态等）。
</guiding_principles>

<frontend_stack_defaults>
- 框架：Next.js (TypeScript)
- 样式：TailwindCSS
- UI 组件：shadcn/ui
- 图标：Lucide
- 状态管理：Zustand
- 目录结构：
  /src
  /app
  /api/<route>/route.ts         # API 端点
  /(pages)                      # 页面路由
  /components/                    # UI 构建块
  /hooks/                         # 可复用的 React hooks
  /lib/                           # 工具函数 (fetchers, helpers)
  /stores/                        # Zustand stores
  /types/                         # 共享的 TypeScript 类型
  /styles/                        # Tailwind 配置
</frontend_stack_defaults>

<ui_ux_best_practices>
- 视觉层级：将排版限制在 4--5 种字体大小和字重以保持一致的层级；使用 `text-xs` 作为说明和注释；除非是英雄标题或主要标题，否则避免使用 `text-xl`。
- 颜色使用：使用 1 种中性基色（例如 `zinc`）和最多 2 种强调色。
- 间距和布局：始终使用 4 的倍数作为内边距和外边距以保持视觉节奏。处理长内容流时，使用固定高度的容器和内部滚动。
- 状态处理：使用骨架屏占位符或 `animate-pulse` 来指示数据获取。通过悬停过渡（`hover:bg-*`, `hover:shadow-md`）指示可点击性。
- 可访问性：在适当的地方使用语义化 HTML 和 ARIA 角色。倾向于使用内置了可访问性的预构建 Radix/shadcn 组件。
</ui_ux_best_practices>
</code_editing_rules>

生产环境的协作编码：Cursor 的 GPT-5 提示词调优

经验1：系统提示词和参数调优

• 问题：Cursor 团队发现，GPT-5 的默认输出有时过于冗长，包含了大量的状态更新和总结，这会打断用户的自然工作流。 与此同时，它生成的代码质量虽高，但有时又过于简洁（比如大量使用单字母变量名），降低了可读性。
• 解决方案 ：他们采取了"参数+提示词 "双管齐下的策略。首先，将 verbosity API 参数设为 low，让模型的文字回复保持简洁。 然后，通过以下提示词强烈鼓励模型在输出代码时保持详细和清晰。

首先要为清晰而编写代码。倾向于使用可读、可维护、具有清晰名称、必要注释和直接控制流的解决方案。除非明确要求，否则不要产出代码高尔夫（code-golf）或过于取巧的单行代码。在编写代码和使用代码工具时，使用高详细度（high verbosity）。

这样一来，就实现了完美的平衡：既有高效简洁的状态更新，又有易于阅读和维护的代码。

经验2：鼓励主动性，减少交互摩擦

• 问题：他们还发现，GPT-5 在采取行动前，偶尔会停下来向用户请求澄清或下一步指示，这在执行长任务时造成了不必要的打断。
• 解决方案：为了鼓励模型以更大的自主性、更少的打断来完成长任务，他们加入了以下提示：

请注意，你所做的代码编辑会作为建议展示给用户，这意味着：(a) 你可以非常主动地进行编辑，因为用户随时可以拒绝；(b) 你的代码应该写得很好，便于快速审查（例如，使用合理的变量名而不是单字母）。如果下一步计划涉及修改代码，请主动为用户完成修改，而不是询问是否要继续。总的来说，你几乎永远不应该问用户是否要继续你的计划，而应该主动去尝试，然后让用户决定是否接受你完成的改动。

经验3：根据模型特性优化提示词

• 问题：Cursor 早期的提示词会鼓励模型彻底分析上下文：

<maximize_context_understanding>
在收集信息时要彻底。在回复之前确保你已了解全局。根据需要使用额外的工具调用或澄清性问题。
...
</maximize_context_understanding>

但这对 GPT-5 却适得其反 ，由于 GPT-5 天生就具备强大的内省和主动收集上下文的能力，这个提示词在处理小任务时，反而导致了它过度使用工具、重复搜索。

• 解决方案 ：他们对提示词进行了微调，移除了 maximize_ 前缀，并软化了关于绝对性的语言。调整后的指令让 GPT-5 在"依赖内部知识"和"使用外部工具"之间做出了更好的平衡，既保持了高自主性，又避免了不必要的操作。

<context_understanding>
...
如果你执行的编辑可能部分满足了用户的查询，但你没有信心，那么在结束你的回合之前，请收集更多信息或使用更多工具。
如果你能自己找到答案，倾向于不向用户求助。
</...

经验4：用户提示词的可引导性

最后，虽然系统提示词为模型提供了坚实的基础，但用户自己的提示词，依然是实现个性化和可控性的高效杠杆。

Cursor 发现，允许用户配置自己的"自定义规则"，并结合 GPT-5 对直接指令的良好响应，为用户带来了高度定制化的绝佳体验。

优化智能与指令遵循

可引导性 (Steering)

GPT-5 是 OpenAI 迄今为止最具可引导性的模型。这意味着它对提示词中关于详细程度、语气和工具使用行为的指令，反应异常灵敏。

详细程度 (Verbosity)

OpenAI 在 GPT-5 中引入了一个新的 API 参数 verbosity。值得注意的是，它影响的是模型最终答案的长度，而不是它中间思考过程的长度。

指令遵循

GPT-5 能以手术刀般的精度来遵循提示指令，这让它能灵活地融入各种工作流。

然而，这也像一把双刃剑。正因为它的高度谨慎，如果你的提示词写得不好，包含了相互矛盾或模糊不清的指令，那么对 GPT-5 的负面影响会比对其他模型更大。因为它会耗费宝贵的推理资源去试图理解和调和这些矛盾，而不是随机选择一个方向。

为了避免这类问题，OpenAI 建议使用他们的提示词优化工具来测试你的提示词。

platform.openai.com/chat/edit?o...

最小推理强度 (Minimal reasoning)

GPT-5 引入了最小推理强度选项。它能在大幅降低延迟的同时，让你依然能享受到推理模型带来的好处。

不过，在这种模式下，模型会更依赖于提示词的质量。想要获得最佳结果，需要注意以下几点：

• 引导解释：提示模型在最终答案的开头，用一个简短的解释（比如项目符号列表）来总结它的思考过程，这能提升复杂任务的性能。
• 详尽的前说明：要求模型提供详尽且描述清晰的"工具调用前说明"，持续同步任务进展，这在智能体工作流中尤其重要。
• 消除歧义 ：最大程度地消除工具指令中的模糊之处，并加入前文提到的"智能体持久性提醒"，这在 minimal 推理模式下至关重要，能有效防止任务过早终止。

Markdown 格式化

默认情况下，通过 API 调用的 GPT-5 不会主动将其最终答案格式化为 Markdown。

另外，在进行长对话时，模型有时可能会忘记你在系统提示词中指定的 Markdown 格式化指令。如果遇到这种情况，一个有效的技巧是：每隔 3-5 条用户消息，就追加一次 Markdown 格式化指令，这样可以保持输出格式的稳定性。

元提示 (Metaprompting)

一个非常强大的技巧是：你可以让 GPT-5 本身来帮你优化提示词。这被称为"元提示"（Metaprompting）。

下面是一个你可以直接使用的元提示模板：

当被要求优化提示词时，请从你自己的角度给出答案------解释可以向这个提示词中添加或删除哪些具体短语，以更一致地引发期望的行为或防止不期望的行为。

这是一个提示词：[在此处插入你的提示词]

这个提示词期望的行为是让智能体 [描述你期望的行为]，但它现在却 [描述实际发生的不期望的行为]。在尽可能保持现有提示词完整的同时，你会做出哪些最小化的编辑或添加，来鼓励智能体更稳定地解决这些问题？

参考

GPT-5提示词指南\]（[cookbook.openai.com/examples/gp...](https://link.juejin.cn?target=https%3A%2F%2Fcookbook.openai.com%2Fexamples%2Fgpt-5%2Fgpt-5_prompting_guide "https://cookbook.openai.com/examples/gpt-5/gpt-5_prompting_guide")）