OpenAI于2025年8月7日发布的GPT‑5模型标志着AI推理能力的重大飞跃，而其配套的《GPT‑5 Prompting Guide》（以下简称“指南”）则为用户和开发者提供了全面的提示工程（prompt engineering）最佳实践。该指南基于OpenAI内部团队数月测试的经验，涵盖了从基础提示设计到高级代理任务的多种技巧，共约50页内容，旨在帮助用户最大化GPT‑5的潜力。 与前代模型如GPT‑4o相比，GPT‑5引入了“思考模式”（GPT‑5 thinking）和混合推理路径，强调代理性（agentic）任务的优化、指令遵守和API新功能的应用。指南的核心理念是“少即是多”：通过结构化、精确的提示，减少幻觉（hallucination），提升响应准确性和效率。以下是对指南主要要点的总结，分为基础技巧、推理优化、工具调用、代理任务和最佳实践五大模块，每个要点后附带解释，并提供具体例子（例子字数不计入总字数）。
1. 基础提示设计：清晰性和结构化
指南强调，GPT‑5的性能高度依赖于提示的清晰度和结构。模糊提示会导致响应偏差，而结构化提示能引导模型逐步推理。关键技巧包括使用分步指令、角色扮演和上下文锚定（context grounding）。 例如，指南建议将提示分为“任务描述”“输入数据”“输出格式”三部分，以减少歧义。同时，避免过长提示（理想长度<2000 token），并使用分隔符如###或<step>来组织内容。这能显著降低模型的错误率，尤其在多语言或专业领域任务中。</step>
指南还指出，GPT‑5对关键词敏感：模型会自动突出提示中的关键词，因此使用精确术语能提升响应相关性。此外，融入“few‑shot”示例（少样本学习）能进一步指导模型行为，避免零样本（zero‑shot）下的泛化问题。 通过这些基础方法，用户可将简单查询转化为高效交互。
例子1：基础结构化提示（用于总结文章）
User: Summarize the following article in 3 key points.
Article: [paste article text]
Output format: ‑ Point 1: [summary] ‑ Point 2: [summary] ‑ Point 3: [summary]
例子2：角色扮演提示（用于客服模拟）
User: You are a helpful customer service agent. Respond to this query politely and solve the issue step by step. Query: My order is delayed.
2. 推理优化：利用思考模式和努力级别
GPT‑5的核心创新是“思考模式”，指南详细阐述了如何通过调整“reasoning effort”参数（low/medium/high）来控制模型的推理深度。高努力级别适合复杂任务，能减少错误，但会增加延迟。 指南推荐在提示中显式要求“Chain‑of‑Thought”（CoT）推理，即让模型逐步分解问题，如“先分析问题，再列出步骤，最后给出答案”。这能将数学或逻辑任务的准确率提升30%以上。
此外，指南引入“persistence rules”：在提示中添加“如果不确定，继续思考直到解决”或“检查输出一致性”，以防止模型 premature 停止。 对于代理任务，指南建议结合“escape hatch”机制：如果模型卡住，允许它请求更多信息。这优化了GPT‑5在长链推理中的稳定性，尤其在科学问题解决中。
例子3：CoT推理提示（数学问题）
User: Solve this equation: x^2 + 5x + 6 = 0. Use high reasoning effort. Step 1: Factor the equation. Step 2: Find roots. Step 3: Verify.
例子4：Persistence规则提示（研究任务）
User: Research the impact of AI on jobs. If data is insufficient, search for more sources and continue until you have 5 key insights.
3. 工具调用与集成：提升代理能力
指南重点介绍了GPT‑5的工具调用功能，支持Python代码执行、搜索和外部API集成。开发者应在提示中指定工具使用规则，如“如果需要计算，使用Python tool”。 新API特性包括严格函数调用（strict function calling），确保输出符合schema定义，避免JSON解析错误。指南建议使用“tool choice”参数锁定工具，以优化特定任务。
对于多工具链，指南推荐“agentic workflow”：模型先规划工具序列，再执行。这在编程和数据分析中特别有效，能将任务完成率从70%提升至95%。 此外，指南警告避免过度工具调用，以防增加成本，并建议在提示中加入“只在必要时使用工具”。
例子5：工具调用提示（天气查询）
User: Get the weather in Beijing. Use the weather API tool. Format: Temperature: [value] Condition: [description]
例子6：多工具链提示（股票分析）
User: Analyze AAPL stock. Step 1: Use search tool for latest price. Step 2: Use Python tool to calculate moving average. Step 3: Summarize trends.
4. 代理任务与指令遵守：构建可靠AI代理
GPT‑5的代理性是指南的重点，强调通过“instruction adherence”确保模型严格遵循提示。技巧包括使用“system prompt”定义规则，如“始终输出JSON格式”或“如果违反规则，重试”。 指南介绍“prompt optimization”：使用GPT‑5自身迭代提示，例如通过“Prompt Optimizer”API生成更好版本。
在代理任务中，指南建议构建“loop‑based agents”：模型循环执行“观察‑思考‑行动”周期，直到任务完成。这适用于聊天机器人或自动化脚本。 此外，融入“few‑shot chain”：提供多个示例链条，帮助模型学习复杂流程。
例子7：指令遵守提示（JSON输出）
User: List 3 fruits. Output in JSON: {"fruits": ["apple", "banana", "cherry"]}. If not JSON, retry.
例子8：代理循环提示（任务管理）
User: Plan my day. Observe: Schedule meetings. Think: Prioritize tasks. Act: Output calendar. Loop until complete.
5. 最佳实践与注意事项：避免常见陷阱
指南总结了常见错误，如过度复杂提示或忽略文化偏见，并提供解决方案：测试多个变体，使用A/B测试优化。 强调安全性：添加“拒绝有害请求”规则。指南还讨论了GPT‑5的“frontend prompting”：在dashboard中可视化提示优化。
总体而言，该指南体现了OpenAI对AI可控性的追求，帮助用户从被动查询转向主动代理。 未来，随着GPT‑5的迭代，这些技巧将进一步演进，推动AI应用创新。