Как писать промпты для GPT-5

О чём урок

GPT-5, наша новейшая флагманская модель, представляет собой значительный шаг вперед в выполнении агентных задач, кодировании, чистом интеллекте и управляемости. Хотя мы уверены, что она будет отлично работать «из коробки» в широком спектре областей, в этом руководстве мы рассмотрим советы по созданию промптов для максимизации качества выходных данных модели, полученные из нашего опыта обучения и применения модели для решения реальных задач. Мы обсудим такие концепции, как улучшение выполнения агентных задач, обеспечение соблюдения инструкций, использование новых функций API и оптимизация кодирования для задач frontend- и software engineering — с ключевыми выводами из работы по настройке промптов AI-редактора кода Cursor с GPT-5. Мы наблюдали значительные улучшения от применения этих лучших практик и использования наших канонических инструментов, когда это возможно, и мы надеемся, что это руководство, наряду с разработанным нами инструментом оптимизации промптов, послужит отправной точкой для вашего использования GPT-5. Но, как всегда, помните, что создание промптов — это не универсальное решение — мы призываем вас проводить эксперименты и итерировать на основе предложенных здесь принципов, чтобы найти наилучшее решение для вашей задачи. Мы обучали GPT-5 с учетом потребностей разработчиков: мы сосредоточились на улучшении вызова инструментов, следовании инструкциям и понимании длинного контекста, чтобы модель служила лучшей базовой моделью для агентных приложений. При внедрении GPT-5 для агентных и инструментальных рабочих процессов мы рекомендуем обновить до Responses API, где рассуждения сохраняются между вызовами инструментов, что приводит к более эффективным и интеллектуальным результатам. Агентные структуры могут охватывать широкий спектр контроля — некоторые системы делегируют подавляющее большинство принятия решений базовой модели, в то время как другие держат модель на коротком поводке с помощью сложного программного логического ветвления. GPT-5 обучен работать в любой точке этого спектра, от принятия высокоуровневых решений в неоднозначных обстоятельствах до выполнения сфокусированных, четко определенных задач. В этом разделе мы рассмотрим, как наилучшим образом калибровать агентную инициативность GPT-5: то есть ее баланс между проактивностью и ожиданием явных указаний.

План урока

1. Предсказуемость агентного рабочего процесса
2. Управление агентной инициативностью
3. Промптинг для снижения инициативности
4. Промптинг для повышения инициативности
5. Преамбулы инструментов
6. Усилие рассуждения
7. Повторное использование контекста рассуждений с Responses API
8. Максимизация производительности кодирования, от планирования до выполнения