破天荒！OpenAI、Cursor多位开发大牛联手曝出GPT5提示词指南！晒官方系统提示词优化秘籍，最大化编程性能 原创

编辑 | 云昭

出品 | 51CTO技术栈（微信号：blog51cto）

上周，GPT-5 发布以后，不少网友对这个备受期待的新版本表示无力吐槽。

OpenAI 老板 Altman 在直播间宣称，GPT-5 在自主任务执行能力、编程、综合智能以及可控性方面都实现了显著飞跃。

然而，用户实际用起来却是：“降智”、“Token很快用完”的声讨一片。

不过，近日，小编发现了一篇 Cursor 内部在用的 GPT-5 集成秘籍，或许能帮到大家高效使用 GPT-5。

图片

这还没完，OpenAI 官方也十分慷慨地放出来了 GPT-5 的提示词指南手册！小编耐心地搜集了一下作者信息，可谓大有来头。三位领衔作者，分别是：

• OpenAI 的应用AI团队的 Anoop Kotha，对于提示词工程技巧可谓殿堂级；
• Julian Lee ，之前是一位年收 4000 万美金的初创公司创始人，现在是 OpenAI 的研究员；
• Eric Zakariasson ，Cursor 后端开发大牛。

图片

“虽然我们相信它在大多数领域中都能“开箱即用”地表现出色，但在本指南中，我们将分享一些提示词优化技巧，帮助你最大化模型输出质量。这些技巧来自我们在模型训练和实际应用中的经验。”

内容涵盖许多实际生产环境中的干货，

• 提升自主任务执行能力
• 确保严格遵循指令
• 利用 API 新增功能
• 针对前端与软件工程任务的编程优化

同时，《指南》还破天荒分享了当红炸子鸡 Cursor 与 GPT-5 的提示词调优关键经验。

绝对值得诸位收藏细读。

1.Agentic 工作流的可预测性

GPT-5 的训练重点之一是为开发者优化 工具调用、指令遵循 以及 长上下文理解，以便作为 Agentic 应用的最佳底座模型。

如果你在 Agentic 流程和工具调用中采用 GPT-5，建议升级到 Responses API，因为它可以在工具调用之间保留推理上下文，让输出更高效、更智能。

2.控制 Agentic 的“主动性”

Agentic 系统的控制范围很广——有的系统几乎将所有决策交给模型，有的则严格限制模型的自主权。GPT-5 能在这个光谱上的任意位置运作：既能在模糊情况下作出高层决策，也能处理精确定义的任务。

| 降低主动性

默认情况下，GPT-5 会在 Agentic 环境中非常全面地收集上下文，以确保回答正确。但如果你希望它 减少无关的工具调用，降低等待时间，可以尝试：

• 将 reasoning_effort 降低到 medium 或 low，以换取更快的响应。
• 在提示中明确上下文收集的目标、方法、停止条件，例如：

<context_gathering>

Goal: 快速获取足够的上下文，能行动就停。

Method:

- 先广后窄地展开子查询，并行检索，去重缓存，避免重复查询。

- 不要过度搜索，必要时一次性并行定向搜索。

Early stop criteria:

- 已能明确要修改的内容。

- 查询结果约 70% 聚焦在同一方向。

Escalate once:

- 若信号冲突或范围模糊，再执行一次优化并行搜索。

</context_gathering>

• 设定 工具调用上限（例如最多 2 次），并允许“在不完全确定的情况下继续执行”。

| 提高主动性

如果希望 GPT-5 更加自主、减少反问用户、持续执行任务，可以：

• 提高 reasoning_effort
• 在提示中加入持续执行规则，例如：

<persistence>

- 直到任务完全解决前不要结束回合。

- 遇到不确定时自行推断并继续，而不是停下来询问。

- 执行后再向用户说明假设，而不是事先确认。

</persistence>

3.工具调用说明（Tool Preambles）

在长流程中，向用户简要说明 当前要做什么、为什么 能显著提升体验。你可以在提示中控制这些说明的频率与详细程度，例如：

<tool_preambles>

- 用简洁友好的语言重述用户目标。

- 制定分步执行计划，并在每一步执行时标明进度。

- 结束时总结成果。

</tool_preambles>

4.reasoning_effort 参数

reasoning_effort 用于控制模型思考深度与工具调用倾向。

• 低low：快速完成简单任务
• 高high：适合复杂多步任务

ps：在多步骤任务中，拆分为多回合（每回合完成一个独立任务）表现最佳。

5.Responses API 的上下文复用

使用 Responses API 并传递 previous_response_id，可让模型在后续请求中复用之前的推理过程：

• 节省 CoT（链式思维）Token
• 避免每次工具调用都重建计划。据悉，OpenAI 在 Tau-Bench 零售场景中，单靠这一改动，准确率就从 73.9% 提升到 78.2%。

6.编程性能最大化

GPT-5 在编程能力上领先所有前沿模型，适合：

• 修复大规模代码库中的 Bug
• 处理多文件重构
• 从零构建全栈应用（前端 + 后端）

| 前端开发建议

最佳框架与工具组合：

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

| 零到一应用生成

通过“自建评分标准 + 自我反思”Prompt，可提升一次性生成的质量：

<self_reflection>

- 先构思并确定评分标准（5-7 类）。
- 用评分标准反复检查和改进方案。

</self_reflection>

| 与现有代码库匹配

• 遵循项目现有的工程原则、目录结构与样式规范。
• 在 Prompt 中明确这些规则，例如：

<code_editing_rules>

<guiding_principles>

- 每个组件应可复用，避免重复。

- 视觉风格一致（颜色、字体、间距）。

- 简化逻辑与样式。

</guiding_principles>

...

</code_editing_rules>

7.生产环境的案例：Cursor 的 GPT-5 调优经验

此外，OpenAI 还把老朋友 Cursor （ 每次OpenAI 上新都会带上这个Alpha 测试伙伴）的 GPT-5 首日集成的提示词调优实战的原则也给了出来，篇幅较长，先给大家看一下省流版，整体有 5 个原则：

• 系统提示兼顾自主性与用户指令遵循。
• 通过 API verbosity 设置全局输出简短，但在写代码时强制高详细度。
• 增加产品特性细节（如“用户可拒绝代码修改”）以减少反问用户的频率。
• 用结构化 XML 标签 <[instruction]_spec> 提高指令执行率。
• 减少过度上下文收集提示，避免重复调用工具。

接下来，让我们看下细节部分。看 Cursor 当时如何调优提示词以最大化发挥模型能力。

| 系统提示词与参数调优

Cursor 的系统提示词重点在于：

• 可靠的工具调用
• 在简洁性与自主性之间取得平衡
• 允许用户配置自定义指令

他们的目标是：让 Agent 在长周期任务中能相对自主地运行，同时依然精准执行用户提供的指令。

初期发现的问题

• 模型输出过于冗长：会附带状态更新和任务后总结，虽然技术上相关，但打断了用户的自然操作流。
• 工具调用中代码输出质量很高，但过于简短，变量名常用单个字母问题严重，导致可读性差。

调整方法

• 将 verbosity（冗长度）API 参数设置为“低”，让文本输出简洁。
• 同时在提示词中强烈要求在编写代码工具时保持高冗长度，以提高代码可读性。

提示词片段示例：

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.
编写代码时优先考虑可读性。使用清晰的命名、必要的注释和直接的控制流结构。除非明确要求，否则不要写代码高尔夫式或过于巧妙的单行代码。在编写代码及代码工具时使用高冗长度。

这种“参数低冗长 + 代码高冗长提示词”的组合，让状态更新简洁高效，同时让代码差异（diffs）更易阅读。

| 自主性优化

Cursor 还发现，模型有时会在执行前反复询问用户确认步骤，降低了长任务的流畅性。

• 解决办法：在提示词中不仅列出可用工具和上下文，还补充更多关于产品行为的细节，例如 Undo/Reject 代码功能和用户偏好。
• 明确规定 GPT-5 的运行方式，让其更主动地执行计划，而不是询问是否继续。

提示词示例如下：

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.
请注意，你的代码修改会作为提议变更显示给用户，这意味着：(a) 你可以更主动地修改，因为用户随时可以拒绝；(b) 代码必须易读易审查（例如使用合适的变量名而不是单个字母）。如果要提出下一步修改计划，请直接修改并交给用户审批/拒绝，而不是先询问是否要执行计划。几乎不要询问用户是否要执行计划，而是直接尝试，然后让用户决定是否接受修改。

| 针对 GPT-5 的提示词改进

一些在旧模型中有效的提示词，在 GPT-5 中反而会造成副作用。例如：

<maximize_context_understanding>
在收集信息时要**非常全面**。确保在回复前获得**完整信息**。必要时使用额外的工具调用或澄清问题。
...
</maximize_context_understanding>

在旧模型中，这种提示能促使模型深入分析上下文。但 GPT-5 天然已经善于获取上下文，这种指令反而会导致：

• 小任务中反复调用搜索工具
• 即使内部知识足够，也会进行不必要的外部查找

解决办法：

• 去掉 maximize_ 前缀
• 弱化“全面”指令

改进示例：

<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满足用户请求，但不确定，请先收集更多信息或使用更多工具再结束回合。

如果你能自己找到答案，请尽量不要向用户求助。
</context_understanding>

同时，Cursor 发现用 结构化 XML 标签（如 <[instruction]_spec>）组织提示词，可以显著提高 GPT-5 对指令的遵循度，并方便在提示中引用前文内容。

8.智能性与指令执行的优化

| 可控性（Steering）

GPT-5 对提示词中关于冗长度、语气、工具调用的指令反应极为敏感。

| 冗长度（Verbosity）

• GPT-5 新增 API 参数 verbosity，控制最终答案的长度（与推理过程长度不同）。
• 也可以在提示词中用自然语言覆盖全局设置，例如：

   全局设置低冗长

   对编码工具指定高冗长（Cursor 案例）

| 指令遵循（Instruction Following）

• GPT-5 对指令执行精确度很高，但如果提示词存在矛盾，会浪费推理资源试图调和，反而降低性能。

示例：预约系统的提示词冲突

• “没有患者明确同意，不要安排预约”
• 却又要求“高危病例立即分配当天最早时间段，不联系患者”
• 这种矛盾会让模型卡住

解决方法：

• 将“先联系患者”与“分配时间”逻辑统一
• 在紧急情况下允许跳过患者信息查询，直接指导拨打 911

| 最小推理（Minimal Reasoning）

GPT-5 新增 minimal reasoning 模式，特点是：

• 速度最快
• 适合延迟敏感场景
• 更接近 GPT-4.1 的提示模式

官方文档中也给出了优化建议：

• 在最终答案开头简短解释思路（如用列表）
• 工具调用前提供清晰的任务进度说明
• 最大化工具指令的明确性
• 提前规划任务，确保所有子任务完成后才结束

提示词示例如下：

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.
记住，你是一个代理——请持续工作，直到完全解决用户的请求后，再结束你的回合并将控制权交还给用户。
将用户的请求分解为所有必要的子任务，并确认每一项都已完成。
不要在只完成部分任务后就停止。
只有在确信问题已经解决时，才能结束本回合。
你必须随时准备回答多个问题，并且只有在用户确认他们已经完成时，才能结束调用。

你必须在进行后续函数调用前，根据工作流程步骤进行充分的规划，并在每次函数调用后对结果进行充分反思，确保用户的请求及相关子任务都已完全解决。

9.Markdown 格式化

API 默认不输出 Markdown，以避免不支持的环境出错。如需 Markdown，可在提示中指定：

• 仅在语义合适时使用 Markdown
• 用反引号格式化文件、函数、类名
• 每 3-5 次用户输入后重新提醒格式化规则

元提示（Metaprompting）

早期用户发现，可以让 GPT-5 为自己写提示词，提升效果：

• 直接询问模型：要达成某个行为，当前提示词应增补或删除哪些内容？
• 在保留现有结构的前提下，最小化修改以解决问题

模板示例：

当被要求优化提示词时，请从你自己的角度回答——解释应添加或删除哪些具体短语，以更一致地实现预期行为或避免不希望的行为。

以下是提示词：

[PROMPT]
目标行为是：
[期望行为]
，但目前的表现是：
[不期望行为]。

在尽量保留原有提示的情况下，你会做哪些最小改动？

此外，官方的提示词指南中还附录了SWE-Bench verified开发者指令、Agent编码工具定义、终端工作台提示、Taubench-Retail 最低限度推理指令。

相信对于正在研究 Vibe Coding 工具的朋友大有帮助。这里附上指南地址：

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

多说一嘴，OpenAI 最近对GPT-5发布后用户遇到的各种问题正在紧急解决。就在四天前，OpenAI 还专门为 ChatGPT 5 推出了一款免费的 Prompt Optimizer 工具，Reddit上的网友大呼好用，并提醒说不要太上瘾。

图片

这个提示词优化器地址也奉上：​​https://platform.openai.com/chat/edit?models=gpt-5&optimize=true​​

本文转载自​​51CTO技术栈​​，作者：云昭