Переносим промпты на GPT-5 с оптимизатором

О чём урок

Семейство моделей GPT-5 — это самые умные модели, выпущенные нами на сегодняшний день, представляющие собой качественный скачок в возможностях моделей по всем направлениям. GPT-5 особенно специализируется на выполнении агентных задач, кодировании и управляемости, что делает его отличным выбором для всех — от любопытных пользователей до продвинутых исследователей. GPT-5 будет использовать все традиционные лучшие практики создания prompt'ов, но для упрощения оптимизации и миграции мы представляем **GPT-5 Prompt Optimizer** в нашей Playground, чтобы помочь пользователям начать **улучшать существующие prompt'ы** и **мигрировать prompt'ы** для GPT-5 и других моделей OpenAI. В этом cookbook мы покажем вам, как использовать Prompt Optimizer, чтобы быстро приступить к решению ваших задач с помощью GPT-5, демонстрируя при этом, как оптимизация prompt'ов может принести измеримые улучшения. Создание эффективных prompt'ов — критически важный навык при работе с LLM. Цель Prompt Optimizer — применить к вашему prompt'у лучшие практики и форматирование, наиболее эффективные для наших моделей. Оптимизатор также устраняет распространенные ошибки при создании prompt'ов, такие как: • Противоречия в инструкциях prompt'а• Отсутствующие или нечеткие спецификации формата• Несоответствия между prompt'ом и few-shot примерами Помимо настройки prompt'а для целевой модели, Оптимизатор учитывает конкретную задачу, которую вы пытаетесь выполнить, и может применять ключевые практики для повышения производительности в Agentic Workflows, Coding и Multi-Modality. Давайте рассмотрим несколько примеров «до» и «после», чтобы увидеть, где оптимизация prompt'ов проявляет себя наилучшим образом. Помните, что создание prompt'ов — это не универсальный процесс, поэтому мы рекомендуем проводить тщательные эксперименты и итерации, чтобы найти наилучшее решение для вашей проблемы. Убедитесь, что ваш OpenAI API Key установлен как OPENAI_API_KEY и у вас есть доступ к GPT-5 Начнем с задачи в области, где модель показала значительные улучшения: Coding и Analytics. Мы попросим модель сгенерировать Python-скрипт, который вычисляет точные Top‑K наиболее частых токенов из большого текстового потока, используя определенную спецификацию токенизации.

План урока

1. Миграция и оптимизация prompt'ов
2. Кодирование и аналитика: потоковая передача Top‑K наиболее частых слов
3. Наш базовый prompt
4. Посмотрим, как это работает: генерируем 30 скриптов с базовым prompt'ом
5. Оценка сгенерированных скриптов — базовый prompt
6. Оптимизируем наш prompt
7. Посмотрим, как это работает: оцениваем наш улучшенный prompt
8. Генерируем 30 скриптов с оптимизированным prompt'ом