前言

本文說明 OpenAI 對 GPT-5.6 Sol 指引的重大轉變，以及為何冗長複雜的系統提示現在反而適得其反。

OpenAI 發布了針對 GPT-5.6 Sol 的新提示指南，顛覆了許多先前關於複雜系統提示的建議。新方法偏好以結果為先的提示——清楚說明期望的結果、停止條件和不可妥協的約束，然後讓模型執行。OpenAI 的內部測試顯示，簡潔的系統提示可以將評估分數提高約 10–15%，同時大幅降低 token 使用量與成本。本文摘要說明從 GPT-5 到 GPT-5.6 的變化、重點實務建議（包括新的 text.verbosity 參數與程式化工具呼叫章節），並說明如何調整既有提示以在 GPT-5.6 上獲得更佳效能。

懶惰包

將提示聚焦於最終狀態。 刪除重複規則、冗餘的風格指示及不改變行為的範例。 定義成功標準、停止條件與任何硬性約束。使用 text.verbosity 設定基線長度，並將繁重的中間工作委派給程式化工具而非模型。

主體

OpenAI 的 GPT-5.6 新提示指南代表了與先前 GPT-5 做法顯著不同的理念。過去 GPT-5 的指引強調詳細的支架——持久區塊、平行搜尋範本與為每一步塑造模型行為的大量工具前置說明——而 GPT-5.6 指南則建議將提示精簡為以結果為先的核心。核心指令可以簡單到：「從頭到尾解決客戶的問題」，接著列出明確的成功準則、停止條件與任何不可談判的限制。模型預期會處理其已可靠完成的流程步驟，因此那些流程層級的指示成為不必要的雜音。

這項變動基於兩個實務觀察。首先，OpenAI 報告內部測試顯示，更精簡的系統提示能將編碼代理的評估分數提升約 10–15%，同時將 token 數降低 41–66% 並將成本減少 33–67%。其次，GPT-5.6 對提示契約的遵守更為嚴格：衝突或重疊的規則現在會導致不穩定。過去的模型常會選擇其中一條指令並繼續執行，GPT-5.6 則會消耗推理 token 嘗試調和衝突的指示，這會放慢執行、增加成本，並有時產生錯誤行為。結論是：更少、更清晰且不重疊的指示更安全且更有效。

從現有提示中應移除的項目

1) 重複規則與冗餘的風格指示——如果某項風格指示不會改變模型輸出，它只是額外的 token。2) 未明顯改變行為的長範例集——許多範例歷來用來引導模型，但現在會被解析為額外的約束。3) 對模型已可靠處理任務的流程支架——像「持續蒐集上下文直到你有 n 項」或複雜的平行化區塊等建議，現在常常適得其反，因為它們迫使模型解析支架而非直接行動。

應保留的項目與原因

僅保留必要內容：可見給使用者的結果、明確的成功準則、停止條件與硬性約束（隱私、安全或業務規則）。這些清楚傳達期望的終點與可接受答案的界限。例如，不要只說「要徹底」，而應以可量化方式說明何謂「徹底」（例如：「包含涵蓋邊界值 X、Y 與 Z 的測試案例；若缺少必需輸入則停止並請求 X」）。

指南中新加入或被強調的功能

有兩項具體新增內容使 GPT-5.6 指南與眾不同。第一項是 text.verbosity API 參數。GPT-5.6 預設傾向較為簡潔；在此基礎上再告訴模型「請簡短」可能導致回應過於短促。建議的做法是透過該參數設定合理的全域詳略等級，然後僅在需要更長輸出的任務上有選擇地覆寫它。

第二項新增的是首次出現的「程式化工具呼叫」章節。對於會產生大量中間輸出的工作流程——篩選、分批、聚合或其他大量資料處理步驟——應將這些工作交給程式碼，而不是要求模型執行耗費資源的判斷式聚合。使用程式化工具回傳緊湊且結構化的結果供模型推理，能降低成本並提高可靠性。

模型行為在實務上的改變

在實務上，GPT-5.6 看起來在執行前會進行更周詳的規劃。在一項為編碼基準優化提示的內部實驗中——一個用以衡量程式設計能力的第一人稱打字生存恐怖原型——經過優化且精簡的提示導致更乾淨且連貫的輸出。模型花更多時間繪製整體問題並規劃子系統，而不是立刻跳入實作。該行為反映了指南的意圖：定義目的地並讓模型選擇有效的路徑。

風險與陷阱

主要風險是系統提示中遺留衝突指示。因為 GPT-5.6 會嘗試調和矛盾而非忽略其中一條，重疊規則成為不穩定性的主要來源。此外，避免絕對性指令如「永遠做 X」或「絕不做 Y」——這類指令會讓行為變得脆弱，且在指南中不被建議。

將提示遷移到 GPT-5.6 的實務檢查清單

• 審核系統提示是否有重疊或矛盾的規則；移除或整合它們。
• 以明確的成功準則與可衡量的停止條件取代模糊的風格標記。
• 移除未明顯改變輸出的範例；僅保留確實有作用的範例。
• 設定合理的全域 text.verbosity，並在需要時對特定任務覆寫。
• 當工作流程產生大量中間輸出時，實作程式化工具來處理這些輸出並回傳緊湊結果給模型。

結論

GPT-5.6 的提示指南明確呼籲簡化：專注結果、消除雜訊，並在適當時採用程式化工具。模型對提示契約的更強遵守以及其在行動前更常規劃的傾向，意味著結構良好且精簡的提示能帶來更佳的準確性與效率。對於管理生產提示的團隊來說，優先事項不再是增加更多支架，而是修剪重疊規則、收緊成功準則，並讓模型自行處理可預期的步驟。

關鍵見解表