[AI 分享] 精簡Prompt反而更強

 [AI 分享] 精簡Prompt反而更強

摘要 : OpenAI最新指南指出，面對新一代模型，Prompt不一定越長越好，清楚定義目標、邊界與輸出，往往比堆疊規則更有效。

內容:

許多人以為模型越強，Prompt就要寫得越複雜，但OpenAI最新官方指南反而提出相反觀點：對GPT5.6這類新模型來說，問題往往不是Prompt寫太少，而是寫太多。許多長期維護的System Prompt像不斷補丁的舊程式，累積了過時、重複甚至矛盾的規則，讓真正重要的資訊被埋沒，也增加模型理解與判斷成本。

OpenAI在內部Coding Agent評測中發現，改用更精簡的System Prompt後，模型評分提升約10%到15%，總token減少41%到66%，成本下降33%到67%。雖然這些結果不能直接套用到所有場景，但至少說明一件事：Prompt長度和效果並非正比，更多指令不一定帶來更好控制，反而可能製造噪聲。

這份指南的核心邏輯是：不要替模型規劃每一步，而要清楚說明你真正想得到的結果。對多數任務來說，只要交代四件事就夠了：目標、上下文、輸出與邊界。與其把任務拆成繁瑣流程，不如直接描述成品要給誰看、重點是什麼、哪些內容不能動。只有當過程本身會影響結果，例如合規、財務或實驗分析時，才需要明確規定步驟。

減少流程控制不等於放棄控制，真正該寫清楚的是成功標準與行動邊界。像是哪些資料只能讀不能改、郵件只能產生草稿不能直接寄出、預算和日期不能變更、資訊不足時要明確標示，這些具體限制比反覆強調「務必小心」更有效。因為模型有能力做某事，不代表使用者已授權它真的去做。

在工具與檢索方面，原則也相同：只提供當前任務真正相關的工具，說明要短而準，讓模型知道工具用途、適用場景、回傳內容與失敗意義。若需要最新資訊，就要求使用搜尋；若需要可驗證性，就要求保留來源。重點是告訴模型去哪裡找、找什麼，而不是替它寫死每一步搜尋流程，否則容易陷入不斷搜尋卻沒有增加有效成果的低效狀態。

對一般使用者來說，最實用的做法是先用自然語言提出需求，再根據結果逐步修正，而不是一開始就追求完美Prompt。長期偏好和單次任務需求也應分開管理；簡潔、友好、專業等抽象詞，最好改寫成具體要求。至於推理強度，也不是越高越好，如果目標、材料與驗證方式本來就不清楚，只會讓模型花更多成本思考一個模糊問題。最終，Prompt工程的核心不是堆疊術語，而是減少歧義，並在可能情況下加入實際驗證。