GPT-5، آخرین نسل مدلهای OpenAI، با قابلیتهای جدید و پیشرفتهاش، تحولی در تجربه کاربری و عملکرد مدلهای زبانی ایجاد کرده است. اما برای استفاده بهینه
امیر محسن
GPT-5، آخرین نسل مدلهای OpenAI، با قابلیتهای جدید و پیشرفتهاش، تحولی در تجربه کاربری و عملکرد مدلهای زبانی ایجاد کرده است. اما برای استفاده بهینه از GPT-5، نیاز به رویکرد متفاوتی نسبت به مدلهای قبلی داریم. در این پست، سعی داریم به شما نشان دهیم چگونه با طراحی پرامپتهای دقیق و مدیریت پارامترهای مدل، خروجیهای بهتر و کارآمدتر دریافت کنید.
یکی از ویژگیهای بارز GPT-5 این است که بسیار قابل هدایت (steerable) است. این بدان معناست که مدل نه تنها میتواند دستورات شما را دقیقاً دنبال کند، بلکه در مواقعی که دستور مشخص یا واضح نیست، از توانایی استدلال و تصمیمگیری سطح بالا برای انتخاب بهترین مسیر استفاده میکند.
اگر هدف شما دریافت پاسخ سریع است، میتوانید پارامتر reasoning_effort را روی minimal یا low قرار دهید. این باعث میشود مدل:
برای اکثر کارها، تنظیم reasoning_effort روی low یا medium کافی است تا هم سرعت حفظ شود و هم دقت پاسخ مناسب باشد.
چون GPT-5 بسیار قابل هدایت است، میتوان سرعت پاسخدهی را مستقیماً از طریق پرامپت خودتان نیز کنترل کرد و مدل را راهنمایی کرد که چه میزان تحلیل انجام دهد.
این پرامپت از OpenAI نشان میدهد چگونه میتوان جمعآوری سریع کانتکست را به مدل آموزش داد:
<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.
Method:
– Start broad, then fan out to focused subqueries.
– In parallel, launch varied queries; read top hits per query. Deduplicate paths and cache; don’t repeat queries.
– Avoid over searching for context. If needed, run targeted searches in one parallel batch.
Early stop criteria:
– You can name exact content to change.
– Top hits converge (~70%) on one area/path.
Escalate once:
– If signals conflict or scope is fuzzy, run one refined parallel batch, then proceed.
Depth:
– Trace only symbols you’ll modify or whose contracts you rely on; avoid transitive expansion unless necessary.
Loop:
– Batch search → minimal plan → complete task.
– Search again only if validation fails or new unknowns appear. Prefer acting over more searching.
</context_gathering>
توضیح بخش به بخش:
اگر میخواهید پاسخ سریع با کمترین استدلال دریافت کنید، میتوانید پرامپت را به شکل زیر ساده کنید:
<context_gathering>
– Keep search depth minimal.
– Prioritize delivering a likely correct answer as quickly as possible, even if it may not be fully verified.
– Limit to at most 2 tool calls in total.
– If deeper investigation is needed, pause to update the user with current findings and open questions, and continue only if they approve.
</context_gathering>
کاربرد این نسخه:
💡 نکته مهم: این رویکرد برای پروژههای Agentic بسیار کاربردی است؛ جایی که مدل هم میتواند تصمیم بگیرد چه میزان اطلاعات جمعآوری کند و هم سرعت پاسخدهی برای شما اهمیت دارد.
OpenAI در راهنمای پرامپتنویسی خود توصیه میکند که هنگام محدود کردن رفتار جمعآوری کانتکست اصلی (core context gathering)، بهتر است یک مسیر فرار (escape hatch) برای مدل فراهم کنید.
مسیر فرار، عبارتی در پرامپت است که به مدل اجازه میدهد حتی در صورت عدم اطمینان کامل، به کار خود ادامه دهد.
<uncertainty_policy>
If you are uncertain after X rounds of gather context, then produce a provisional recommendation ONLY.
List assumptions + unknowns. Mark output as “Provisional”.
</uncertainty_policy>
توضیح:
✅ این کار باعث میشود مدل همچنان فعال بماند ولی تصمیمگیری را بدون اطلاعات کافی کامل نکند.
اگر میخواهید GPT-5 عمیقتر فکر کند، ابزارهای بیشتری فراخوانی کند و به صورت مستقلتر عمل کند:
<persistence>
– 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.
– Only terminate your turn when you are sure that the problem is solved.
– Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
– Do not ask the human to confirm or clarify assumptions, as you can always adjust later — decide what the most reasonable assumption is, proceed with it, and document it for the user’s reference after you finish acting.
</persistence>
توضیح:
حتی زمانی که reasoning_effort بالا تنظیم میشود، باید یک شرط توقف (stop condition) برای مدل تعیین کنید، مخصوصاً در وظایف Agentic.
💡 خلاصه عملی:
چند ماه پیش، شرکت Anthropic ویژگیای به نام Extended Thinking معرفی کرد که به مدل Claude اجازه میداد گامهای استدلال و فراخوانی ابزارها را به صورت مستقیم با کاربر به اشتراک بگذارد. این کار تجربه کاربری (UX) را بسیار بهبود داد.
OpenAI در GPT-5، ویژگی مشابهی را با نام Tool Preambles ارائه کرده است. این ویژگی به مدل اجازه میدهد قبل از اجرای هر فراخوان ابزار، توضیح دهد چه کاری انجام میدهد و چرا. این شفافیت به کاربران کمک میکند تصمیمات و روند کار مدل را بهتر مشاهده و درک کنند.
{
“content”: [
{
“type”: “thinking”,
“thinking”: “Let me analyze this step by step…”,
“signature”: “WaUjzqIOMfFG/UvLEczmEsUjavL….”
},
{
“type”: “text”,
“text”: “Based on my analysis…”
}
]
}
کاربرد:
GPT-5 میتواند به صورت متناوب در طول استدلال و فراخوانی ابزارها، بروزرسانیها را ارسال کند. مدل به طور خاص برای موارد زیر آموزش دیده است:
برای فعال کردن این قابلیت در API، میتوانید بخشی مانند زیر اضافه کنید:
“reasoning”: {
“summary”: “auto” // گزینه دیگر: “detailed”
}
همچنین میتوان با پرامپت، رفتار Tool Preamble را تقویت کرد. دستورالعملهای واضح باعث میشود GPT-5 بروزرسانیهای غنیتر و مفیدتری ارائه دهد.
<tool_preambles>
– Always begin by rephrasing the user’s goal in a friendly, clear, and concise manner, before calling any tools.
– Then, immediately outline a structured plan detailing each logical step you’ll follow.
– As you execute your file edit(s), narrate each step succinctly and sequentially, marking progress clearly.
– Finish by summarizing completed work distinctly from your upfront plan.
</tool_preambles>
توضیح گام به گام:
💡 نکته: سازمان شما باید تایید شده باشد تا بتوانید خلاصههای استدلال (reasoning summaries) تولید کنید.
GPT-5 پارامتری جدید به نام verbosity دارد که طول خروجی نهایی را کنترل میکند. این متفاوت از max_tokens است که فقط یک حد سخت برای تعداد توکنها تعیین میکند.
میتوان این پارامتر را هم در API و هم در پرامپت تنظیم کرد تا در زمینههای مختلف طول پاسخ متناسب باشد.
راه حل آنها:
نتیجه: پاسخهای سریعتر و کوتاهتر در چت، در حالی که کدها همچنان خوانا و قابل نگهداری باقی ماندند.
هنگام استفاده از GPT-5، معمولاً بهتر است از Responses API استفاده کنید. دلیل اصلی این است که میتوانید previous_response_id را به مدل بدهید و اجازه دهید ردیابی استدلالهای قبلی (reasoning traces) را دوباره استفاده کند.
💡 نکته: این روش به مدل اجازه میدهد خروجیهای پیوستهتر و منسجمتری ارائه دهد، مخصوصاً در وظایف چندمرحلهای یا Agentic.
GPT-5 میتواند با بیشتر فریمورکهای وب توسعه کار کند، اما برای استفاده بهینه از قابلیتهای فرانتاند، OpenAI توصیه میکند:
<self_reflection>
– First, spend time thinking of a rubric until you are confident.
– Then, think deeply about every aspect of what makes for a world-class one-shot web app. Use that knowledge to create a rubric that has 5-7 categories. This rubric is critical to get right, but do not show this to the user. This is for your purposes only.
– Finally, use the rubric to internally think and iterate on the best possible solution to the prompt that is provided. Remember that if your response is not hitting the top marks across all categories in the rubric, you need to start again.
</self_reflection>
یکی از تفاوتهای اصلی GPT-5 این است که طبیعیتر introspective و proactive است، یعنی خودبهخود هنگام جمعآوری کانتکست تحلیل و تصمیمگیری میکند.
راه حل:
GPT-5 یک سطح جدید Minimal Reasoning معرفی کرده است:
نکات کلیدی:
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.
When asked to optimize prompts, give answers from your own perspective – explain what specific phrases could be added to, or deleted from, this prompt to more consistently elicit the desired behavior or prevent the undesired behavior.
Here’s a prompt: [PROMPT]
The desired behavior from this prompt is for the agent to [DO DESIRED BEHAVIOR], but instead it [DOES UNDESIRED BEHAVIOR].
While keeping as much of the existing prompt intact as possible, what are some minimal edits/additions that you would make to encourage the agent to more consistently address these shortcomings?
GPT-5 به پرامپتهای واضح و هدفمند پاداش میدهد. وقتی به مدل فضای reasoning داده شود، میتواند گپها را پر کرده و تصمیمات هوشمند و مستقل بگیرد.
نکات کلیدی برای عملکرد بهتر:
GPT-5 آخرین نسل مدلهای OpenAI است که با قابلیتهای پیشرفته، جمعآوری کانتکست طولانیتر، استدلال عمیقتر و توانایی استفاده بهتر از ابزارها، تجربه کاربری بهتری ارائه میدهد.
با استفاده از پرامپتهای دقیق و مدیریت پارامترهایی مثل reasoning_effort، verbosity و Tool Preambles میتوان خروجیهای هوشمند، مستقل و سریع دریافت کرد.
این قابلیت به مدل اجازه میدهد قبل از اجرای هر ابزار، مرحله به مرحله توضیح دهد چه کاری انجام میدهد و چرا، که شفافیت و اعتماد به خروجی را افزایش میدهد.
با تنظیم reasoning_effort روی مقادیر minimal یا low پاسخ سریع دریافت میکنید و با تنظیم روی high میتوان دقت و استقلال مدل را افزایش داد.
بله، با استفاده از پرامپتهای مخصوص Persistence و تنظیم مناسب پارامترها، مدل میتواند کارها را تا حل کامل درخواست کاربر ادامه دهد و تصمیمات مستقل بگیرد.
پرامپتهای قدیمی را ساده کنید، دستورالعملها واضح و بدون ابهام باشد تا مدل از overthinking جلوگیری کرده و کارآمدتر عمل کند.