https://developers.openai.com/api/docs/guides/prompt-guidance

核心提示模式：

1. 保持输入内容清晰明了，结构清晰：API中有<output_contract>参数来控制输入的合约。控制模型输出的内容量和输出的结构。
2. 为后续行动设定明确的默认值：
   1. 明确定义何时执行操作、何时询问以及新指令如何覆盖之前的默认设置。
   2. 指导原则： 当对话过程中指令发生变化时，更新内容应明确、范围清晰且仅限于特定区域。说明哪些内容发生了变化，哪些内容仍然适用，以及该变化是否影响下一轮对话或剩余的对话。
3. 处理对话过程中的指令更新：使用明确的、有针对性的引导消息。
4. 如果正确性依赖于工具，需要持久使用：
   1. 输入先决条件、进行依赖关系检查和明确工具的用途。
   2. 当工作彼此独立且耗时较短时，建议并行执行；当依赖关系、歧义或不可逆操作比速度更重要时，建议顺序执行。
5. 长周期任务的完备性：
   1.  常见的故障模式是执行不完整：模型在部分覆盖后即结束，漏掉批次中的项目，或者将空检索或范围过窄的检索结果视为最终结果
   2. 明确完成的规则，如果结果返回为空或者不完整，不要立即给出结论，需要做检查
6. 在执行高影响操作之前，添加验证循环：
   1. 在返回答案或者执行不可逆操作之前，添加一个轻量级的验证步骤
   2. 对于主动采取行动的代理，添加一个较短的执行验证流程

特定工作流程：

1. 视觉应用需要明确图片的细节参数：<detail>: low high original auto
2. 对引用有要求，需要明确范围和格式：使用内联引用或者脚注，保持一致性
3. 研究模式：用于研究、评论和综合任务
4. 严格限制输出格式：
   1. SQL、Json，需要告知模型输出，并在完成之前进行检查
   2. 提取文档或者OCR，需要定义坐标系并添加漂移检查
5. 编码和终端工具中，需要明确使用边界
6. 编码任务：
   1. 高风险变更需要一个轻量的验证机制
   2. 在关键节点需要进行状态持续更新
   3. 格式化：可能过度使用结构化形式。如果需要简洁需要限制
   4. 前端任务：需要额外的前端任务指导，可以使用<frontend_tasks>
   5. 长时间运行和工具繁重的任务，运行状态需要维持，使用phase参数、previous_response_id
   6. 压缩技术可以显著延长有效上下文窗口：<Compaction>。在主要里程碑事件后进行压缩，压缩后的内容视为不透明状态，确保压缩后提示的功能完全相同
   7. 用户工作流的个性化：持久个性化和每次控制分离
      1. <Personality>(持续)：决定整个会话的默认基调、语速和决策风格
      2. <Writing controls>（每轮对话回复）：定义特定对话的渠道、风格、格式和长度
      3. 提醒：任务特定的输出要求会覆盖Personality
      4. 写出自然流畅高质量的有效控制手段：清晰的人物形象、指明渠道和表达风格、写散文则不限制格式、使用严格的长度限制
   8. 专业备忘录格式：用于备忘录、评论、专业写作。memo_mode。
      1. 需要明确的指导，包括措辞的精确性、领域惯例、综合分析以及恰当的表达方式。
      2. 对于法律、政策、研究和面向高管的写作尤其有用，包含严谨的推理和清晰的结论。

推理程度：

1. 推理程度是最后的微调手段，不是提升质量的主要途径
   1. none：速度快、成本敏感、对延迟敏感的任务，不需要思考
   2. low：少量思考可以显著提升准确率
   3. medium / high：用于真正需要更强推理能力且能够承受延迟和成本权衡的任务
   4. xhigh：适合耗时较长、需要大量自主决策和推理的任务。智能优先级高于成本和速度
2. 在增加推理程度前，先尝试<completeness_contract>、<verification_loop>、
   <tool_persistence_rules>

其他模型：

1. gpt-5.4-mini：假设更少、适合任务结构清晰。默认会尝试通过后续问题来继续对话
   1. 关键规则放在首位
   2. 使用工具需要指定执行顺序
   3. 不只是依赖“You Must”，使用结构化的辅助工具，例如编号的步骤、决策规则和明确的行动定义
   4. 将“执行操作”与“报告操作”分开
   5. 展示正确的流程，而不仅仅是最终格式
   6. 明确定义歧义行为：何时询问、何时回避、何时继续
   7. 直接指定包装：答案长度、是否提出后续问题、引用格式和章节顺序
   8. 注意不要使用 output nothing else 。最好使用作用域明确的指令，例如 after the final JSON, output nothing further
2. gpt-5.4-nano：范围狭窄、界限明确的任务。优先选择封闭式输出：标签、枚举、简短的 JSON 或固定模板。
   1. 默认模式：task、Critical rule、Exact step order、Edge cases or clarification behavior、Output format、One correct example
   2. 避免：隐含的后续步骤、未指定的极端情况、仅包含架构的工作流、无结构的通用指令

Best practices for prompt engineering with the OpenAI API

1. 使用最新最强的模型。
2. 将提示和需要处理的目标对象分离：可以使用###或者是””””来明确目标对象。
3. 请尽可能具体、详细地描述所需的内容，包括预期结果、长度、格式、风格等等。
4. 通过示例阐明所需的输出格式。
5. 先尝试零样本，然后尝试少样本，都不成功，最后进行微调。
6. 减少“空泛”和不精确的描述
7. 别说不要做什么，说应该做什么。
8. 代码生成专用 – 使用“引导词”来引导模型朝着特定模式发展
   1. 例如python使用“import”，sql使用“select”
9. 使用“生成任何内容”功能
10. 需要适配的参数：模型、temperature、max_completion_tokens、stop
    1. temperature：越高越不稳定和有创意，要求事实性的场景使用0更稳定
    2. stop：如果生成了相关内容，就直接停止生成

OpenAI最新的模型：https://developers.openai.com/api/docs/models

https://developers.openai.com/cookbook/examples/gpt-5/prompt_personalities

花3天阅读了这本书，对于AI的影响的经济学的视角很有价值的一本书，在没有chatgpt之前就写出了之后丰富的观点和判断。

目前AI的影响力比书中写的会变得更大，特别是自动化的方向上，已经涌现出来了很多有意思的产品。AI也正在消耗大量的token和算力。使用AI可以满足人的各种需求，无论是娱乐还是心理咨询，又或者是工作，AI都开始重度参与。

AI对于人类社会未来的改变将是巨大的，在今天去看的话，将来通过智能去推动社会进步的，比如发现新药、论证新的定理、创造新的商业公司，可能主要干活的是AI，人类更多的是辅助。

图一：AI系统的循环图

图二：AI项目的画布（基于图一）

图三：工作流

核心论点：

如果人有表达的权利和自由，那么他总是有想说的话。