這篇文章從指令已死的流行說法切入，提醒讀者：正因為GPT-5對指令的遵循度與執行力前所未見，提示寫得好壞，會更加直接地決定輸出品質。作者以OpenAI的《GPT-5 指令指南》為底，萃取出一套在新世代模型上仍然奏效、甚至更重要的實務心法。
首先，賦予模型清晰角色依舊是高勝率做法。文章指出，在醫療、零售、開發等場景，官方示例都會先定義身分與職掌，讓模型瞬間切換到對應的口吻與決策框架；例如你是CareFlow助理、負責依症狀與優先度排程或你是一個已部署的程式編寫代理。這種角色就位的前置鋪陳，等同替後續答案裝上正確的軌道。其次，別把關鍵規格交給模糊形容詞。與其說排版整齊來一篇專業文章，不如直接把可量化規則寫進指令：字體層級限制在4–5檔、註解用 text-xs、間距一律以4的倍數；要求Markdown也不只一句「請用Markdown」，而是清楚定義何時用行內程式碼、何時用程式碼區塊，並規定檔名與類別名一律以反引號標示。當規則具體，模型就不必「猜」，輸出自然更穩定。
第三，面對複雜任務，應先引導它分步思考。文章強調與其直接索取成品，不如要求模型先建立評分標準、再思考世界級解法的構成要素、最後依標準迭代產出。甚至在呼叫外部工具前，也先要它寫出一份結構化計畫，逐步說明每一個邏輯動作。這並非替模型做功課，而是把評斷準則和路線圖前移，避免華而不實的捷徑。第四，學會調節代理積極性（Agentic Eagerness）。當你需要突破與探索，就明確授權它在不確定時先推斷再前進、任務未完全解決不收工；當你只求快取答案，則要求它優先速度、限制步數，不要過度展開。以往我們透過挑模型來控制表現，GPT-5時代改為在指令裡寫清楚，該多主動、該多保守，把策略選擇下放到提示層。第五，善用元提示（Metaprompting）讓AI反過來幫你改指令，但同時避開邏輯矛盾。文章提供了實用模板：說明你的目標、當前指令與不理想結果，請模型指出該加減哪些具體語句。更重要的是檢查內部一致性像凡事先查客戶資料與緊急時立刻建議撥打電話、不要先查若同時存在，就會讓模型徘徊其間；好的指令會用主要規則＋例外條件化解衝突，避免它在兩條相反的道路上原地踏步。
總結來說，雖然GPT-5的統一系統與路由器讓使用者不必糾結挑哪顆模型，但指令工程並未退場，反而更值一練：用角色定調、以範例與規格消除模糊、先規劃再行動、動態調整積極度、遇瓶頸就用元提示自我修正，這些技巧會把模型的高服從度轉化為可預期的高品質輸出。若想深化應用，不妨帶著這份清單回看官方指南中的長版範例，試著把你的實際任務改寫成有角色、有規格、有步驟、有例外的完整指令你會明顯看見輸出的穩定與可控度，跟著一起升級。
閱讀完整文章: https://technews.tw/2025/08/16/openai-suggested-instructions-for-gpt-5/
