編輯 | 云昭

出品 | 51CTO技術棧（微信號：blog51cto）

上周，GPT-5 發布以后，不少網友對這個備受期待的新版本表示無力吐槽。

OpenAI 老板 Altman 在直播間宣稱，GPT-5 在自主任務執行能力、編程、綜合智能以及可控性方面都實現了顯著飛躍。

然而，用戶實際用起來卻是：“降智”、“Token很快用完”的聲討一片。

不過，近日，小編發現了一篇 Cursor 內部在用的 GPT-5 集成秘籍，或許能幫到大家高效使用 GPT-5。

圖片

這還沒完，OpenAI 官方也十分慷慨地放出來了 GPT-5 的提示詞指南手冊！小編耐心地搜集了一下作者信息，可謂大有來頭。三位領銜作者，分別是：

• OpenAI 的應用AI團隊的 Anoop Kotha，對于提示詞工程技巧可謂殿堂級；
• Julian Lee ，之前是一位年收 4000 萬美金的初創公司創始人，現在是 OpenAI 的研究員；
• Eric Zakariasson ，Cursor 后端開發大牛。

圖片

“雖然我們相信它在大多數領域中都能“開箱即用”地表現出色，但在本指南中，我們將分享一些提示詞優化技巧，幫助你最大化模型輸出質量。這些技巧來自我們在模型訓練和實際應用中的經驗。”

內容涵蓋許多實際生產環境中的干貨，

• 提升自主任務執行能力
• 確保嚴格遵循指令
• 利用 API 新增功能
• 針對前端與軟件工程任務的編程優化

同時，《指南》還破天荒分享了當紅炸子雞 Cursor 與 GPT-5 的提示詞調優關鍵經驗。

絕對值得諸位收藏細讀。

1.Agentic 工作流的可預測性

GPT-5 的訓練重點之一是為開發者優化 工具調用、指令遵循 以及 長上下文理解，以便作為 Agentic 應用的最佳底座模型。

如果你在 Agentic 流程和工具調用中采用 GPT-5，建議升級到 Responses API，因為它可以在工具調用之間保留推理上下文，讓輸出更高效、更智能。

2.控制 Agentic 的“主動性”

Agentic 系統的控制范圍很廣——有的系統幾乎將所有決策交給模型，有的則嚴格限制模型的自主權。GPT-5 能在這個光譜上的任意位置運作：既能在模糊情況下作出高層決策，也能處理精確定義的任務。

| 降低主動性

默認情況下，GPT-5 會在 Agentic 環境中非常全面地收集上下文，以確保回答正確。但如果你希望它 減少無關的工具調用，降低等待時間，可以嘗試：

• 將 reasoning_effort 降低到 medium 或 low，以換取更快的響應。
• 在提示中明確上下文收集的目標、方法、停止條件，例如：

<context_gathering>

Goal: 快速獲取足夠的上下文，能行動就停。

Method:

- 先廣后窄地展開子查詢，并行檢索，去重緩存，避免重復查詢。

- 不要過度搜索，必要時一次性并行定向搜索。

Early stop criteria:

- 已能明確要修改的內容。

- 查詢結果約 70% 聚焦在同一方向。

Escalate once:

- 若信號沖突或范圍模糊，再執行一次優化并行搜索。

</context_gathering>

• 設定 工具調用上限（例如最多 2 次），并允許“在不完全確定的情況下繼續執行”。

| 提高主動性

如果希望 GPT-5 更加自主、減少反問用戶、持續執行任務，可以：

• 提高 reasoning_effort
• 在提示中加入持續執行規則，例如：

<persistence>

- 直到任務完全解決前不要結束回合。

- 遇到不確定時自行推斷并繼續，而不是停下來詢問。

- 執行后再向用戶說明假設，而不是事先確認。

</persistence>

3.工具調用說明（Tool Preambles）

在長流程中，向用戶簡要說明 當前要做什么、為什么 能顯著提升體驗。你可以在提示中控制這些說明的頻率與詳細程度，例如：

<tool_preambles>

- 用簡潔友好的語言重述用戶目標。

- 制定分步執行計劃，并在每一步執行時標明進度。

- 結束時總結成果。

</tool_preambles>

4.reasoning_effort 參數

reasoning_effort 用于控制模型思考深度與工具調用傾向。

• 低low：快速完成簡單任務
• 高high：適合復雜多步任務

ps：在多步驟任務中，拆分為多回合（每回合完成一個獨立任務）表現最佳。

5.Responses API 的上下文復用

使用 Responses API 并傳遞 previous_response_id，可讓模型在后續請求中復用之前的推理過程：

• 節省 CoT（鏈式思維）Token
• 避免每次工具調用都重建計劃。據悉，OpenAI 在 Tau-Bench 零售場景中，單靠這一改動，準確率就從 73.9% 提升到 78.2%。

6.編程性能最大化

GPT-5 在編程能力上領先所有前沿模型，適合：

• 修復大規模代碼庫中的 Bug
• 處理多文件重構
• 從零構建全棧應用（前端 + 后端）

| 前端開發建議

最佳框架與工具組合：

• 框架：Next.js（TypeScript）、React、HTML
• 樣式/UI：Tailwind CSS、shadcn/ui、Radix Themes
• 圖標：Material Symbols、Heroicons、Lucide
• 動效：Motion
• 字體：Inter、Geist、Mona Sans、IBM Plex Sans、Manrope

| 零到一應用生成

通過“自建評分標準 + 自我反思”Prompt，可提升一次性生成的質量：

<self_reflection>

- 先構思并確定評分標準（5-7 類）。
- 用評分標準反復檢查和改進方案。

</self_reflection>

| 與現有代碼庫匹配

• 遵循項目現有的工程原則、目錄結構與樣式規范。
• 在 Prompt 中明確這些規則，例如：

<code_editing_rules>

<guiding_principles>

- 每個組件應可復用，避免重復。

- 視覺風格一致（顏色、字體、間距）。

- 簡化邏輯與樣式。

</guiding_principles>

...

</code_editing_rules>

7.生產環境的案例：Cursor 的 GPT-5 調優經驗

此外，OpenAI 還把老朋友 Cursor （ 每次OpenAI 上新都會帶上這個Alpha 測試伙伴）的 GPT-5 首日集成的提示詞調優實戰的原則也給了出來，篇幅較長，先給大家看一下省流版，整體有 5 個原則：

• 系統提示兼顧自主性與用戶指令遵循。
• 通過 API verbosity 設置全局輸出簡短，但在寫代碼時強制高詳細度。
• 增加產品特性細節（如“用戶可拒絕代碼修改”）以減少反問用戶的頻率。
• 用結構化 XML 標簽 <[instruction]_spec> 提高指令執行率。
• 減少過度上下文收集提示，避免重復調用工具。

接下來，讓我們看下細節部分。看 Cursor 當時如何調優提示詞以最大化發揮模型能力。

| 系統提示詞與參數調優

Cursor 的系統提示詞重點在于：

• 可靠的工具調用
• 在簡潔性與自主性之間取得平衡
• 允許用戶配置自定義指令

他們的目標是：讓 Agent 在長周期任務中能相對自主地運行，同時依然精準執行用戶提供的指令。

初期發現的問題

• 模型輸出過于冗長：會附帶狀態更新和任務后總結，雖然技術上相關，但打斷了用戶的自然操作流。
• 工具調用中代碼輸出質量很高，但過于簡短，變量名常用單個字母問題嚴重，導致可讀性差。

調整方法

• 將 verbosity（冗長度）API 參數設置為“低”，讓文本輸出簡潔。
• 同時在提示詞中強烈要求在編寫代碼工具時保持高冗長度，以提高代碼可讀性。

提示詞片段示例：

Write code for clarity first. Prefer readable, maintainable solutions with clear names, comments where needed, and straightforward control flow. Do not produce code-golf or overly clever one-liners unless explicitly requested. Use high verbosity for writing code and code tools.
編寫代碼時優先考慮可讀性。使用清晰的命名、必要的注釋和直接的控制流結構。除非明確要求，否則不要寫代碼高爾夫式或過于巧妙的單行代碼。在編寫代碼及代碼工具時使用高冗長度。

這種“參數低冗長 + 代碼高冗長提示詞”的組合，讓狀態更新簡潔高效，同時讓代碼差異（diffs）更易閱讀。

| 自主性優化

Cursor 還發現，模型有時會在執行前反復詢問用戶確認步驟，降低了長任務的流暢性。

• 解決辦法：在提示詞中不僅列出可用工具和上下文，還補充更多關于產品行為的細節，例如 Undo/Reject 代碼功能和用戶偏好。
• 明確規定 GPT-5 的運行方式，讓其更主動地執行計劃，而不是詢問是否繼續。

提示詞示例如下：

Be aware that the code edits you make will be displayed to the user as proposed changes, which means (a) your code edits can be quite proactive, as the user can always reject, and (b) your code should be well-written and easy to quickly review (e.g., appropriate variable names instead of single letters). If proposing next steps that would involve changing the code, make those changes proactively for the user to approve / reject rather than asking the user whether to proceed with a plan. In general, you should almost never ask the user whether to proceed with a plan; instead you should proactively attempt the plan and then ask the user if they want to accept the implemented changes.
請注意，你的代碼修改會作為提議變更顯示給用戶，這意味著：(a) 你可以更主動地修改，因為用戶隨時可以拒絕；(b) 代碼必須易讀易審查（例如使用合適的變量名而不是單個字母）。如果要提出下一步修改計劃，請直接修改并交給用戶審批/拒絕，而不是先詢問是否要執行計劃。幾乎不要詢問用戶是否要執行計劃，而是直接嘗試，然后讓用戶決定是否接受修改。

| 針對 GPT-5 的提示詞改進

一些在舊模型中有效的提示詞，在 GPT-5 中反而會造成副作用。例如：

<maximize_context_understanding>
在收集信息時要**非常全面**。確保在回復前獲得**完整信息**。必要時使用額外的工具調用或澄清問題。
...
</maximize_context_understanding>

在舊模型中，這種提示能促使模型深入分析上下文。但 GPT-5 天然已經善于獲取上下文，這種指令反而會導致：

• 小任務中反復調用搜索工具
• 即使內部知識足夠，也會進行不必要的外部查找

解決辦法：

• 去掉 maximize_ 前綴
• 弱化“全面”指令

改進示例：

<context_understanding>
...
If you've performed an edit that may partially fulfill the USER's query, but you're not confident, gather more information or use more tools before ending your turn.
Bias towards not asking the user for help if you can find the answer yourself.
如果你的修改可能部分滿足用戶請求，但不確定，請先收集更多信息或使用更多工具再結束回合。

如果你能自己找到答案，請盡量不要向用戶求助。
</context_understanding>

同時，Cursor 發現用 結構化 XML 標簽（如 <[instruction]_spec>）組織提示詞，可以顯著提高 GPT-5 對指令的遵循度，并方便在提示中引用前文內容。

8.智能性與指令執行的優化

| 可控性（Steering）

GPT-5 對提示詞中關于冗長度、語氣、工具調用的指令反應極為敏感。

| 冗長度（Verbosity）

• GPT-5 新增 API 參數 verbosity，控制最終答案的長度（與推理過程長度不同）。
• 也可以在提示詞中用自然語言覆蓋全局設置，例如：

   全局設置低冗長

   對編碼工具指定高冗長（Cursor 案例）

| 指令遵循（Instruction Following）

• GPT-5 對指令執行精確度很高，但如果提示詞存在矛盾，會浪費推理資源試圖調和，反而降低性能。

示例：預約系統的提示詞沖突

• “沒有患者明確同意，不要安排預約”
• 卻又要求“高危病例立即分配當天最早時間段，不聯系患者”
• 這種矛盾會讓模型卡住

解決方法：

• 將“先聯系患者”與“分配時間”邏輯統一
• 在緊急情況下允許跳過患者信息查詢，直接指導撥打 911

| 最小推理（Minimal Reasoning）

GPT-5 新增 minimal reasoning 模式，特點是：

• 速度最快
• 適合延遲敏感場景
• 更接近 GPT-4.1 的提示模式

官方文檔中也給出了優化建議：

• 在最終答案開頭簡短解釋思路（如用列表）
• 工具調用前提供清晰的任務進度說明
• 最大化工具指令的明確性
• 提前規劃任務，確保所有子任務完成后才結束

提示詞示例如下：

Remember, you are an agent - please keep going until the user's query is completely resolved, before ending your turn and yielding back to the user. Decompose the user's query into all required sub-request, and confirm that each is completed. Do not stop after completing only part of the request. Only terminate your turn when you are sure that the problem is solved. You must be prepared to answer multiple queries and only finish the call once the user has confirmed they're done.

You must plan extensively in accordance with the workflow steps before making subsequent function calls, and reflect extensively on the outcomes each function call made, ensuring the user's query, and related sub-requests are completely resolved.
記住，你是一個代理——請持續工作，直到完全解決用戶的請求后，再結束你的回合并將控制權交還給用戶。
將用戶的請求分解為所有必要的子任務，并確認每一項都已完成。
不要在只完成部分任務后就停止。
只有在確信問題已經解決時，才能結束本回合。
你必須隨時準備回答多個問題，并且只有在用戶確認他們已經完成時，才能結束調用。

你必須在進行后續函數調用前，根據工作流程步驟進行充分的規劃，并在每次函數調用后對結果進行充分反思，確保用戶的請求及相關子任務都已完全解決。

9.Markdown 格式化

API 默認不輸出 Markdown，以避免不支持的環境出錯。如需 Markdown，可在提示中指定：

• 僅在語義合適時使用 Markdown
• 用反引號格式化文件、函數、類名
• 每 3-5 次用戶輸入后重新提醒格式化規則

元提示（Metaprompting）

早期用戶發現，可以讓 GPT-5 為自己寫提示詞，提升效果：

• 直接詢問模型：要達成某個行為，當前提示詞應增補或刪除哪些內容？
• 在保留現有結構的前提下，最小化修改以解決問題

模板示例：

當被要求優化提示詞時，請從你自己的角度回答——解釋應添加或刪除哪些具體短語，以更一致地實現預期行為或避免不希望的行為。

以下是提示詞：

[PROMPT]
目標行為是：
[期望行為]
，但目前的表現是：
[不期望行為]。

在盡量保留原有提示的情況下，你會做哪些最小改動？

此外，官方的提示詞指南中還附錄了SWE-Bench verified開發者指令、Agent編碼工具定義、終端工作臺提示、Taubench-Retail 最低限度推理指令。

相信對于正在研究 Vibe Coding 工具的朋友大有幫助。這里附上指南地址：

??https://cookbook.openai.com/examples/gpt-5/gpt-5_prompting_guide??

多說一嘴，OpenAI 最近對GPT-5發布后用戶遇到的各種問題正在緊急解決。就在四天前，OpenAI 還專門為 ChatGPT 5 推出了一款免費的 Prompt Optimizer 工具，Reddit上的網友大呼好用，并提醒說不要太上癮。

圖片

這個提示詞優化器地址也奉上：??https://platform.openai.com/chat/edit?models=gpt-5&optimize=true??

本文轉載自??51CTO技術棧??，作者：云昭