6
處理文章數
4
涵蓋分類數
🌟 今日領域總結 (Domain Summaries)
AI工具 領域
AI工具 總結報告
本日 AI工具 領域聚焦於 OpenAI 新版 ChatGPT 的產品結構重組——伴隨 GPT-5.6 模型發布，OpenAI 把原本獨立的 Codex 應用併入 ChatGPT，介面因此出現 Chat／Work／Codex 三個可切換模式，原本的聊天框被弱化成 Quick chat 小入口。這次重組的本質，是把同一個底層 LLM 依「交付深度」切出三個市場：Chat 交付答案、Work 交付可用品（文件／表格／簡報／網頁）、Codex 交付程式碼變更。最具啟示性的產品洞察是「資料驅動命名」——Codex 原本給程式設計師、每週 500 萬人用，其中超過 100 萬人根本不寫程式、只做辦公雜活，OpenAI 於是把這個「既成事實」正式化為 Work 模式。這篇指南對一般使用者的核心收斂是：多數人用 Chat 即可，要交付成品才用 Work，寫程式才用 Codex；而 Work 與 Codex 共用同一個「智能體額度」池會互相擠占，是最容易踩的實務坑。
核心主題 (Key Themes)
- 三模式本質是「交付深度」的三段化：OpenAI 用三個入口，把同一個底層 LLM 依使用者要什麼程度的交付，切出三個市場，是「同一能力、場景化包裝」的教科書案例。
- 產品命名落後於真實使用行為——「把既成事實正式化」：Work 的誕生來自真實使用資料，而非事先規劃，示範了「產品命名往往滯後於使用者實際怎麼用」。
- 額度池設計是隱形的升級牽引＋跨端不互通是當前最大摩擦：同訂閱下，Chat 與（Work＋Codex）分用兩個額度池，且 Work 與 Codex 共用會互相擠占——這個機制自然把「重度組合使用者」推向 Plus／Pro。
# 領域總結：AI工具 (2026-07-13)
## 總結概述
本日 AI工具 領域聚焦於 OpenAI 新版 ChatGPT 的產品結構重組——伴隨 GPT-5.6 模型發布，OpenAI 把原本獨立的 Codex 應用併入 ChatGPT，介面因此出現 Chat／Work／Codex 三個可切換模式，原本的聊天框被弱化成 Quick chat 小入口。這次重組的本質，是把同一個底層 LLM 依「交付深度」切出三個市場：Chat 交付答案、Work 交付可用品（文件／表格／簡報／網頁）、Codex 交付程式碼變更。最具啟示性的產品洞察是「資料驅動命名」——Codex 原本給程式設計師、每週 500 萬人用，其中超過 100 萬人根本不寫程式、只做辦公雜活，OpenAI 於是把這個「既成事實」正式化為 Work 模式。這篇指南對一般使用者的核心收斂是：多數人用 Chat 即可，要交付成品才用 Work，寫程式才用 Codex；而 Work 與 Codex 共用同一個「智能體額度」池會互相擠占，是最容易踩的實務坑。
## 核心洞察與共同趨勢
### 1. 三模式本質是「交付深度」的三段化
OpenAI 用三個入口，把同一個底層 LLM 依使用者要什麼程度的交付，切出三個市場，是「同一能力、場景化包裝」的教科書案例。
* **Chat（設計師）**：一問一答，給建議，動嘴不動手，快進快出；全端可用（網頁／手機／桌面）。
* **Work（裝修隊長）**：交鑰匙成品——可接 Slack／信箱／雲端／CRM，可定時在背景跑；網頁＋手機已上線，桌面版最強（讀本地檔＋內建瀏覽器）。
* **Codex（水電工）**：讀程式碼、交程式碼變更、跑測試；僅桌面端，手機只能遠端看進度。
### 2. 產品命名落後於真實使用行為——「把既成事實正式化」
Work 的誕生來自真實使用資料，而非事先規劃，示範了「產品命名往往滯後於使用者實際怎麼用」。
* **關鍵數字**：Codex 每週 500 萬使用者中，超過 100 萬人不寫程式、只做辦公雜活——OpenAI 據此把這部分需求正式化為 Work（連辦公軟體、輸出文件與簡報而非程式碼）。
* **真實案例佐證 Work 能力**：Zapier 行銷團隊每月自動審查數千條潛在客戶線索、追蹤互動、生成高階週報；維珍航空用 Work 做競品分析，把數週的活縮短到幾小時。
### 3. 額度池設計是隱形的升級牽引＋跨端不互通是當前最大摩擦
同訂閱下，Chat 與（Work＋Codex）分用兩個額度池，且 Work 與 Codex 共用會互相擠占——這個機制自然把「重度組合使用者」推向 Plus／Pro。
* **額度擠占實務坑**：白天用 Work 跑複雜任務把額度耗得差不多，晚上想用 Codex 可能就不夠；規劃用量時應把 Work 與 Codex 當同一個預算控管。
* **跨端割裂**：網頁 Work 與桌面 Work 目前不互通（雲端歸雲端、本地歸本地）；舊桌面端改名 ChatGPT Classic、不再更新——重度依賴舊版者面臨遷移成本。
## 行動建議與實踐指南
1. **用「交付深度」自檢日常任務**：盤點哪些任務其實「要的是成品、卻一直在用 Chat 拿文字再自己後製」——這些就是改用 Work 能立刻省時間的候選。
2. **設好 Work 連接外部工具時的授權範圍**：Work「定時在背景跑、自動連信箱與 Slack」衍生隱私與授權風險；務必畫清「停下來問我」的邊界，別讓它自動讀取不願曝光的資料。
3. **把 Work 與 Codex 當同一個額度預算控管**：因兩者共用智能體額度會互相擠占，重度使用者應在升級 Plus／Pro 前先估算組合用量。
4. **先定「在哪個端做完」再開工**：跨端不互通是當前最大摩擦，避免做到一半換端就斷掉；寫程式任務直接鎖定桌面端。
Obsidian 開啟
AI工程 領域
AI工程 總結報告
本日 AI工程 領域由知名開發者 @theo 的實戰避坑指南撐起——他自述已用 gpt-5.6-sol 燒掉超過 20 萬美元 token，把在 200 美元 Codex Pro 訂閱上「太容易撞到上限」的痛點，整理成一份可立刻執行的建議。這篇文章的工程價值不在「介紹功能」，而在點破一個結構性張力：**GPT-5.6 相比 5.5「會一直跑下去」——可靠度提升的代價，是單則訊息耗額度量級暴增、token 消耗更難預測**。作者給出量化對比：5.5 單則訊息約用 0.1%~2% 額度，5.6 可達 15%，疊加 fast mode 的 2.5 倍乘數等於單則訊息吃掉 5 小時窗口的 40%。這個「更強的自主性＝更難預測的成本」並非 GPT-5.6 獨有，而是所有會自主 multi-step、會 spawn subagent 的 agent 系統（Claude Code、Cursor、Devin）的共同課題。須特別注意本文的時效性——多數「避開」建議（Ultra、fast mode、subagent 行為）綁定 Codex harness 當下的 bug，作者明說「等 bug 修了再回來」，應視為 2026-07 的權變措施。
核心主題 (Key Themes)
- 結構性張力：autonomy 提升 ↔ cost predictability 下降：這是全文的工程洞見核心，也是所有自主 agent 系統的通則。5.6 把「會停下來要鼓勵」的 5.5，變成「會一直跑到底」的可靠 agent，但可靠度的紅利是用「不可預測的 token 帳單」換來的。
- subagent fan-out 是隱形的成本放大器：作者點出一個具體、可驗證的機制gpt-5.6-sol 永遠以與父實例相同的模型與推理等級 spawn subagent，這正是 Ultra 目前「壞掉」的原因——一次 spawn 等於一次等級不降的完整複製。
- 「跑不停」需要顯式停止點當成本煞車：5.6 會「一直、一直、一直做下去」，有時跑得太遠——這與 Prompt工程 領域的 autonomy policy 宣告同源用 prompt 裡的停止點，把跑不停的模型重新納入可控成本。
# 領域總結：AI工程 (2026-07-13)
## 總結概述
本日 AI工程 領域由知名開發者 @theo 的實戰避坑指南撐起——他自述已用 gpt-5.6-sol 燒掉超過 20 萬美元 token，把在 200 美元 Codex Pro 訂閱上「太容易撞到上限」的痛點，整理成一份可立刻執行的建議。這篇文章的工程價值不在「介紹功能」，而在點破一個結構性張力：**GPT-5.6 相比 5.5「會一直跑下去」——可靠度提升的代價，是單則訊息耗額度量級暴增、token 消耗更難預測**。作者給出量化對比：5.5 單則訊息約用 0.1%~2% 額度，5.6 可達 15%，疊加 fast mode 的 2.5 倍乘數等於單則訊息吃掉 5 小時窗口的 40%。這個「更強的自主性＝更難預測的成本」並非 GPT-5.6 獨有，而是所有會自主 multi-step、會 spawn subagent 的 agent 系統（Claude Code、Cursor、Devin）的共同課題。須特別注意本文的時效性——多數「避開」建議（Ultra、fast mode、subagent 行為）綁定 Codex harness 當下的 bug，作者明說「等 bug 修了再回來」，應視為 2026-07 的權變措施。
## 核心洞察與共同趨勢
### 1. 結構性張力：autonomy 提升 ↔ cost predictability 下降
這是全文的工程洞見核心，也是所有自主 agent 系統的通則。5.6 把「會停下來要鼓勵」的 5.5，變成「會一直跑到底」的可靠 agent，但可靠度的紅利是用「不可預測的 token 帳單」換來的。
* **量化對比**：5.5 單則 0.1%~2%（fast 約 5% 峰值）→ 5.6 單則可達 15%（fast → 40%）。
* **深層機制**：模型越能自主 end-to-end 完成，每次決策與工具呼叫的累計成本越難事先估算——這是 agent 相對於傳統「單次推論」的根本成本結構差異。
### 2. subagent fan-out 是隱形的成本放大器
作者點出一個具體、可驗證的機制：gpt-5.6-sol **永遠**以與父實例相同的模型與推理等級 spawn subagent，這正是 Ultra 目前「壞掉」的原因——一次 spawn 等於一次等級不降的完整複製。
* **三條防護**：降低推理等級（subagent 配 high 不算太糟，low／medium 也很棒）；更新全域 AGENTS.md 加「only spawn subagents when I ask you to」抑制過度 eager 的生成；必要時啟用 `hide_spawn_agent_metadata = false` 旗標。
* **對其他 agent 的啟示**：任何「父 agent 派發子 agent」的架構，都必須考慮子任務的成本放大效應——否則一次 fan-out 可能瞬間吃光預算。
### 3. 「跑不停」需要顯式停止點當成本煞車
5.6 會「一直、一直、一直做下去」，有時跑得太遠——這與 Prompt工程 領域的 autonomy policy 宣告同源：用 prompt 裡的停止點，把跑不停的模型重新納入可控成本。
* **停止點範例**：「先寫計畫，完成後停下來問我回饋再繼續」「放 PR、babysit 第一輪審查意見並處理，第一輪處理完後停下，後面我來接手」。
* **本日跨領域呼應**：與 [[GPT-5.6 提示詞大師課]] 的四要素 Autonomy policy、[[GPT-5.6 Prompt 到底該怎麼寫]] 的 Checkpoint 完全同源——停止條件的顯式宣告，是 agent 時代 prompt 的標準配備。
## 行動建議與實踐指南
1. **暫時避開兩個「加倍器」**：fast mode 的 2.5x 乘數與 Ultra 的 bug 性爆量，是當下最容易在單則訊息內燒掉 40% 額度的開關；在 OpenAI 修 bug 前，預設關閉它們是最務實選擇（注意：此建議有強保存期限）。
2. **為 agent 工作流加兩道保險**：(a) 在 prompt 寫死「做到 X 就停、等我回應」的檢查點；(b) 用用量監控工具（dashboards、ccusage、codexbar）建立對「單則訊息花多少」的直覺，而非等撞上限才發現。
3. **模型選擇務實化**：$200 檔 → sol high；其他 → sol low；Terra 適合快速審查或極大化用量——以實測為準，不迷信「貴的比較好」。
4. **把本文建議當「權變措施」而非穩定知識**：多數避開建議綁定 Codex harness 當下 bug 與 5.6 早期行為，隨版本更新應重新驗證；進階使用者可考慮「讓 Fable 當駕駛、spawn Codex subagent」的多訂閱編排策略。
Obsidian 開啟
AI視野 領域
AI視野 總結報告
本日 AI視野 領域僅一篇文章，但分量極重——微軟 CEO Satya Nadella 提出「反向資訊悖論（Reverse Information Paradox）」，把諾貝爾經濟學家 Kenneth Arrow 的古典資訊悖論在 AI 時代做了鏡像翻轉。Arrow 的版本裡，風險承擔者是「賣方」（為了賣知識得先展示，展示即送出）；Nadella 指出，在 AI 時代風險翻轉到「買方」——企業為了讓模型表現更好，被迫餵入專屬知識，而這些 corrections、evals、traces 會單向流向模型供應商。這不是一次性外洩，而是「trace by trace、correction by correction、eval by eval」的持續滲透。Nadella 的核心主張是：雲端時代企業累積「資料」，AI 時代企業累積「學習」，因此護城河命題必須從「保護資料」升級為「保護學習機制」，並以 5C（Control／Capability／Choice／Cost／Compound）作為企業層級的架構對策。閱讀時須留意作者雙重身分——他既是警示者，本身也是「學習基礎設施擁有者」。
核心主題 (Key Themes)
- 洩漏方向翻轉：從賣方風險到買方風險：Arrow 悖論與反向悖論構成對稱翻轉，是全文論證支點。AI 改變的不是「會不會洩漏」，而是「誰承擔洩漏風險」。
- 學習單向流動 → 價值向基礎設施擁有者收斂：模型供應商主張對公開資料的公平使用權（訓練），卻對客戶的「蒸餾」設限、並保留向使用行為學習的權利——這個不對稱使經濟價值收斂到「學習基礎設施擁有者」而非「知識創造者」。
- 企業對策：trust boundary + 5C：企業需要一道「硬邊界」，讓 human capital 與 token capital 複利累積，未經同意連 intelligence exhaust 都不能跨越。
# 領域總結：AI視野 (2026-07-13)
## 總結概述
本日 AI視野 領域僅一篇文章，但分量極重——微軟 CEO Satya Nadella 提出「反向資訊悖論（Reverse Information Paradox）」，把諾貝爾經濟學家 Kenneth Arrow 的古典資訊悖論在 AI 時代做了鏡像翻轉。Arrow 的版本裡，風險承擔者是「賣方」（為了賣知識得先展示，展示即送出）；Nadella 指出，在 AI 時代風險翻轉到「買方」——企業為了讓模型表現更好，被迫餵入專屬知識，而這些 corrections、evals、traces 會單向流向模型供應商。這不是一次性外洩，而是「trace by trace、correction by correction、eval by eval」的持續滲透。Nadella 的核心主張是：雲端時代企業累積「資料」，AI 時代企業累積「學習」，因此護城河命題必須從「保護資料」升級為「保護學習機制」，並以 5C（Control／Capability／Choice／Cost／Compound）作為企業層級的架構對策。閱讀時須留意作者雙重身分——他既是警示者，本身也是「學習基礎設施擁有者」。
## 核心洞察與共同趨勢
### 1. 洩漏方向翻轉：從賣方風險到買方風險
Arrow 悖論與反向悖論構成對稱翻轉，是全文論證支點。AI 改變的不是「會不會洩漏」，而是「誰承擔洩漏風險」。
* **Arrow 古典版**：賣方為賣知識須先展示，展示即送出價值；專利制度正是為解此一面而生。
* **AI 反向版**：買方為用得強須餵專屬知識，且「想讓模型越好，就必須餵越多」——雙重付費（金錢＋更珍貴的專屬知識）。
### 2. 學習單向流動 → 價值向基礎設施擁有者收斂
模型供應商主張對公開資料的公平使用權（訓練），卻對客戶的「蒸餾」設限、並保留向使用行為學習的權利——這個不對稱使經濟價值收斂到「學習基礎設施擁有者」而非「知識創造者」。
* **洩漏載體**：prompts、agent 使用的 tools、尤其是模型出錯時的 corrections——後者被蒸餾成「競爭對手買不到、卻會一點一滴滲漏」的機構知識。
* **客戶端語言佐證**：Palantir 的 Alex Karp——「技術客戶要的是對 compute、models、data stack 與他們 alpha 的控制權……要確知自己擁有生產工具，而非被轉移給別人。」
### 3. 企業對策：trust boundary + 5C
企業需要一道「硬邊界」，讓 human capital 與 token capital 複利累積，未經同意連 intelligence exhaust 都不能跨越。
* **Control**：私有 evals 定義「什麼叫做好」；自持記憶、traces、回饋、決策、機構情境。
* **Choice**：編排層（orchestration）必須與單一模型解耦——驗證標準只有一個：「拔掉任一模型，你還能跑嗎？」
* **Capability／Cost／Compound**：租戶內自訓／微調、跨模型最佳成本組合、四者合一形成「爬山機（hill climbing machine）」持續學習迴圈。
## 行動建議與實踐指南
1. **盤點「會餵給外部模型」的高價值知識清單**：列出客戶資料、內部決策邏輯、對模型錯誤的修正記錄，標註哪些是不可逆外流的機構知識，作為後續治理優先序。
2. **為關鍵工作流建立私有 evals**：evals 不只是測試工具，而是組織「什麼叫做好」的定義權——誰擁有 evals，誰就擁有對齊（alignment）主導權。
3. **把編排層與單一模型解耦**：任何把商業邏輯綁死在單一模型上的架構，等於把「veteran capability」外包給別人；設計時即假設「任一模型可能被抽走」。
4. **對「分散式學習能否追得上集中式大模型」保持務實懷疑**：Nadella 主張「把 learning infrastructure 分散到每家企業」高度契合混合雲廠商利益，企業應將 5C 視為合理自保架構，但對小廠自訓模型品質保留驗證空間。
Obsidian 開啟
Prompt工程 領域
Prompt工程 總結報告
本日 Prompt工程 領域三篇文章同源、兩兩互補——皆源自 OpenAI 官方《GPT-5.6 Model Guidance》（developers.openai.com/api/docs/guides/latest-model），形成「英文正典＋中文譯本＋中文重組」的三聯資產。@aiedge_（英文白話轉譯）與 @ai_suxiaole（簡中譯本）是翻譯對，技術內容一致、語言受眾不同；@RealCodedAlpha 則是不同作者的中文原創重組，提出 CROCC 框架。三篇共同傳遞一個反直覺的核心命題：**對 GPT-5.6，prompt 工程要從「加法」變成「減法」**——模型已能自行判斷目標與所需工作量，舊式「先給角色、再規定分析／計畫／反思、最後叮嚀深入思考」的隆重寫法，從「有幫助」變成「可能有害」。OpenAI 內部 Coding Agent 評測給出硬證據：刪除重複指令、無效範例、冗長工具說明後，Eval 分數 +10%~15%、總 token −41%~66%、成本 −33%~67%。落地框架上，@aiedge_／@ai_suxiaole 給四要素（Outcome／Constraints／Evidence／Autonomy），@RealCodedAlpha 給中文版 CROCC（Context／Request／Output Format／Constraints／Checkpoint）——後者本質是前者的中文重組。三者構成 GPT-5.6 提示詞的完整實作圖譜，可依語言偏好與框架風格擇一為主、其餘為輔。
核心主題 (Key Themes)
- 共同主軸：從「教模型怎麼想」轉向「告訴模型要什麼」：三篇文章的核心論點完全一致——GPT-5.6 更懂意圖，prompt 重心應從「過程控制」轉向「結果定義＋邊界＋停止條件」。
- 共同的「做減法」清單：舊 prompt 最該刪五類：三篇都點出同樣的刪減標的，互為佐證——這五類是 GPT-5.6 時代 prompt 的「冗餘重災區」。
- 三套落地框架的對照與互補（本日最值得收藏的實體）：同一份官方指南，被重組成可直接套用的框架——理解它們的對應關係，等於掌握 GPT-5.6 prompt 的完整骨架。
- 配套的三軸決策：模型 × 推理 × Pro Mode：三篇對 GPT-5.6 的模型與推理選擇建議一致，可合併為一份決策表。
# 領域總結：Prompt工程 (2026-07-13)
## 總結概述
本日 Prompt工程 領域三篇文章同源、兩兩互補——皆源自 OpenAI 官方《GPT-5.6 Model Guidance》（developers.openai.com/api/docs/guides/latest-model），形成「英文正典＋中文譯本＋中文重組」的三聯資產。@aiedge_（英文白話轉譯）與 @ai_suxiaole（簡中譯本）是翻譯對，技術內容一致、語言受眾不同；@RealCodedAlpha 則是不同作者的中文原創重組，提出 CROCC 框架。三篇共同傳遞一個反直覺的核心命題：**對 GPT-5.6，prompt 工程要從「加法」變成「減法」**——模型已能自行判斷目標與所需工作量，舊式「先給角色、再規定分析／計畫／反思、最後叮嚀深入思考」的隆重寫法，從「有幫助」變成「可能有害」。OpenAI 內部 Coding Agent 評測給出硬證據：刪除重複指令、無效範例、冗長工具說明後，Eval 分數 +10%~15%、總 token −41%~66%、成本 −33%~67%。落地框架上，@aiedge_／@ai_suxiaole 給四要素（Outcome／Constraints／Evidence／Autonomy），@RealCodedAlpha 給中文版 CROCC（Context／Request／Output Format／Constraints／Checkpoint）——後者本質是前者的中文重組。三者構成 GPT-5.6 提示詞的完整實作圖譜，可依語言偏好與框架風格擇一為主、其餘為輔。
## 核心洞察與共同趨勢
### 1. 共同主軸：從「教模型怎麼想」轉向「告訴模型要什麼」
三篇文章的核心論點完全一致——GPT-5.6 更懂意圖，prompt 重心應從「過程控制」轉向「結果定義＋邊界＋停止條件」。
* **@aiedge_（英）與 @ai_suxiaole（中譯）的證據**：OpenAI 內部評測，精簡提示 vs 冗長系統提示，評分 +15%、token −60%；「重複寫先詢問／不得修改／等待批准」反而觸發不必要的權限檢查。
* **@RealCodedAlpha 的區間數字**：Eval +10%~15%、token −41%~66%、成本 −33%~67%——給範圍比單點更保守，並強調「每次只改一類內容，才知道哪項調整帶來改善」的科學化刪減法。
### 2. 共同的「做減法」清單：舊 prompt 最該刪五類
三篇都點出同樣的刪減標的，互為佐證——這五類是 GPT-5.6 時代 prompt 的「冗餘重災區」。
* **無法驗證的形容詞**（「深入、全面、嚴謹」——模型只能猜）／**重複出現的規則**（寫兩遍不會更安全，反觸發停頓詢問）／**不必要的思考流程**（三輪反思、五位專家模擬）／**無實際作用的專家角色**／**過多工具暴露**（二十個工具全給，模型選擇成本與上下文消耗雙升）。
### 3. 三套落地框架的對照與互補（本日最值得收藏的實體）
同一份官方指南，被重組成可直接套用的框架——理解它們的對應關係，等於掌握 GPT-5.6 prompt 的完整骨架。
* **@aiedge_／@ai_suxiaole 四要素（英＋中譯）**：Outcome（完成長什麼樣）／Constraints（審批邊界、不可碰、範圍）／Evidence-success criteria（證據／格式）／Autonomy policy（不必先問可做哪些）。附一段「回答類 vs 變更類」授權分句的 prompt 原文（中英對照）。
* **@RealCodedAlpha CROCC（本文自訂詞）**：Context（會改變結果的背景）／Request（目標＋任務＋完成標準）／Output Format（交付方式）／Constraints（來源／範圍／權限／禁止）／Checkpoint（續 vs 停的條件）。附一份完整的財報分析 prompt 範本，與「依任務複雜度分四檔」的長度指南。
* **對應關係**：CROCC 本質是四要素的中文重組——把 Outcome 拆成 Context＋Request、把 Autonomy 細化為 Checkpoint、補上 Output Format。
### 4. 配套的三軸決策：模型 × 推理 × Pro Mode
三篇對 GPT-5.6 的模型與推理選擇建議一致，可合併為一份決策表。
* **模型**：Sol（最強最貴／困難任務）／Terra（日常預設）／Luna（最快最便宜／高吞吐）——「模型越強不代表越適合所有任務」，Luna 能穩定做的就別上 Sol。
* **推理六檔**：none／low／medium（預設起點）／high／xhigh／max（最後手段）。
* **Pro Mode**：獨立於推理強度，只在邊際品質提升實際影響結果時開；用同一批真實任務做 Standard vs Pro 對照。
## 行動建議與實踐指南
1. **對最長的那支系統 prompt 做「科學化刪減實驗」**：刪一類重複規則→跑測試→刪無效範例→再跑→縮短工具說明→再比對，每次只改一類，找出真正有貢獻的部分（@RealCodedAlpha 的方法論）。
2. **建立「prompt 自檢五問」習慣**：寫完任何 prompt，逐一打勾——模型知道我要什麼嗎／知道怎樣算完成嗎／知道哪些資訊不能猜嗎／知道哪些操作不能越界嗎／知道什麼時候該停嗎；五問都能答，prompt 通常就夠用。
3. **用「四要素」或「CROCC」任選一套做範本，按任務複雜度伸縮**：簡單任務（R+O）／普通（C+R+O）／複雜研究（全框架）／Agent（再補工具＋權限＋驗證命令＋重試上限）；CROCC 一詞為作者自訂，引用時宜標明非 OpenAI 官方命名。
4. **依語言偏好建立雙語對照資產**：英文正典（@aiedge_）與中文譯本（@ai_suxiaole）構成翻譯對，技術內容一致——中文讀者可擇一為主、另一為輔，再搭配 @RealCodedAlpha 的 CROCC 中文重組，即有完整的 GPT-5.6 提示詞中英資產。
5. **高合規場域保留詳盡邊界聲明**：醫療、金融、法律等高風險場域，「短提示」不能無條件套用——模型懂上下文不等於可以省略合規必要的來源、範圍、權限要求。
Obsidian 開啟
📚 文章摘要列表 (Articles)
AI工具
新版 ChatGPT：Chat、Work、Codex，小白要知道的幾件事
"新版 ChatGPT 把「聊天」弱化成一個小入口，新增 Work（辦公成品）與 Codex（程式碼）——多數人用 Chat 就夠，真要它把活做完才輪到 Work／Codex。"
Top 5 Insights
- **核心洞見 1：三模式本質是「交付深度」的三段化**。Chat 交付答案、Work 交付可用品、Codex 交付程式碼變更——OpenAI 用三個入口，把同一個底層 LLM 依「使用者要什麼程度的交付」切出三個市場，這是「同一能力、場景化包裝」的教科書案例。
- **核心洞見 2：Work 的誕生來自真實使用資料**。「500 萬 Codex 使用者中，超過 100 萬人不寫程式、只做辦公雜活」——這個數字直接催生了 Work。產品命名往往是落後於真實使用行為的，OpenAI 這次是「把既成事實正式化」。
- **架構建議 3：額度池設計是隱形的升級牽引**。Chat 與（Work＋Codex）分用兩個池，且 Work 與 Codex 共用會互相擠占——這個機制會自然把「重度組合使用者」推向 Plus／Pro。實務上規劃用量時，要把 Work 與 Codex 當作同一個預算來控管。
- **架構建議 4：跨端不互通是當前最大摩擦**。網頁 Work 與桌面 Work 不互通、Codex 僅桌面端——選擇工作流時要把「在哪個端做完」先定下來，避免做到一半發現換端就斷掉。
- **決策建議 5：選擇可以極度簡化**。多數人→Chat；要交付成品→Work；寫程式→Codex；模型預設→Terra。把這四條當預設值，只有在任務明確超出時才偏離，能省下絕大多數決策成本。
---
tags: [AI工具, ChatGPT, GPT-5.6, 產品設計, 產業趨勢]
date: 2026-07-13
read: false
source: "2026-07-13T095927+0800-新版 ChatGPT：Chat、Work、Codex，小白要知道的几件事.md"
original_title: "新版 ChatGPT：Chat、Work、Codex，小白要知道的几件事"
---
# 新版 ChatGPT：Chat、Work、Codex，小白要知道的幾件事
原始來源與檔名：2026-07-13T095927+0800-新版 ChatGPT：Chat、Work、Codex，小白要知道的几件事.md
---
## SOURCE | 資訊源評估
- **準確性**：中 — 作者（愛學習的 Niko，17 年工程師）以小白視角轉述 OpenAI 新版 ChatGPT 的產品變化，多為作者個人理解與比喻，未逐項附官方出處；產品細節（如 Work／Codex 額度共用、端點可用性）可能隨版本快速變動，須以官方說明為準。
- **易理解性**：高 — 大量使用「裝修房子：設計師／裝修隊長／水電工」的生活化比喻，刻意降低技術門檻，適合非技術讀者快速建立心智模型。
- **閱讀策略建議**：把「Chat 回答問題、Work 幫你幹活、Codex 幫你寫程式」這句當記憶樁；對收費與額度細節（Work 與 Codex 共用「智能體額度」、會互相擠占）要特別留意，這是實際使用最容易踩坑之處；GPT-5.6 三型號 Sol／Terra／Luna 的選擇，記住「預設 Terra 即可」即可。
## NAPKIN | 餐巾紙
### 餐巾紙公式
> Chat＝動嘴 / Work＝交成品 / Codex＝做專業活
_OpenAI 把原本單一的聊天框，拆成三種「交付深度」：回答（Chat）、交付可用品（Work）、交付程式碼變更（Codex），背後是同一套底層技術的兩個場景化入口。_
### 一句話
> 新版 ChatGPT 把「聊天」弱化成一個小入口，新增 Work（辦公成品）與 Codex（程式碼）——多數人用 Chat 就夠，真要它把活做完才輪到 Work／Codex。
### 餐巾紙草圖
```
┌──────────────────────────────────────────────
│ 新版 ChatGPT 三模式（交付深度遞增）
│
│ Chat Work Codex
│ ┌──── ┌──── ┌────
│ │ 設計師 │ 裝修隊長 │ 水電工
│ │ 給建議 │ 交成品 │ 做專業活
│ │ 一問一答 │ 文件/表格 │ 程式碼變更
│ └──── │ /簡報/網頁 │ 跑測試
│ └──── └────
│ 讀：問題 讀：業務資料 讀：程式碼
│ 交：答案 交：商務成品 交：程式變更
│
│ 同一訂閱 ─┬─ Chat 額度（聊天池）
│ └─ 智能體額度（Work + Codex 共用，會互相擠占）
└──────────────────────────────────────────────
```
## ROUND 1: SKELETON | 骨架掃描
**「這篇文章在說什麼」**
- **核心問題**：新版 ChatGPT 介面多了 Chat／Work／Codex 三個模式，一般人到底該用哪一個？
- **核心答案**：記住一句話——「Chat 回答問題，Work 幫你幹活，Codex 幫你寫程式」；多數人日常用 Chat 即可，需要 AI 把活做完（做成品）才用 Work，寫程式才用 Codex；三者共用同一訂閱，但 Work 與 Codex 共用「智能體額度」會互相擠占。
- **論證結構**：案例＋對比型。先用一句口訣定錨，再用「裝修房子」比喻把三模式差異具象化，接著逐一展開 Work 能力、與 Codex 差異、端點可用性、收費額度、GPT-5.6 三型號選擇。
### 章節骨架
1. **背景**：GPT-5.6 發布＋Codex 併入 ChatGPT
2. **三模式區分**：Chat／Work／Codex 一句話
3. **Work 能力**：接工具、交成品、定時跑
4. **Work vs Codex**：同技術、讀不同、交不同
5. **端點可用性**：網頁／手機／桌面差異
6. **訂閱額度**：聊天池 vs 智能體池
7. **GPT-5.6 三型號**：Sol／Terra／Luna
8. **結論**：預設 Terra，多數人用 Chat
## ROUND 2: DISSECTION | 血肉解剖
**「憑什麼這麼說」**
### 論證鏈
```
OpenAI 發布 GPT-5.6 ＋ 把 Codex 併入 ChatGPT
▼
介面出現 Chat / Work / Codex 三模式
▼
三者本質差異在「交付深度」：建議 / 成品 / 專業活
▼
Work 與 Codex 底層同一技術，差在「讀什麼、交什麼」
▼
同訂閱下，Chat 與（Work＋Codex）分用兩個額度池
▼
結論：依任務輕重選模式，多數人 Chat 夠用
```
### 關鍵證據
1. **真實案例佐證 Work 能力**：Zapier 行銷團隊用 Work 每月自動審查數千條潛在客戶線索、追蹤互動、找出斷聯客戶、生成高階週報；維珍航空（Virgin Atlantic）用它做競品分析，把原本要花數週的活縮短到幾小時。
2. **「100 萬人用 Codex 不寫程式」的產品洞察**：Codex 原本給程式設計師，每週 500 萬人用，其中超過 100 萬人根本不寫程式，而是拿它做辦公雜活——OpenAI 因此把這部分需求正式化為 Work。這是「一個底層技術、兩個場景入口」的市場依據。
3. **額度擠占的具體提醒**：白天用 Work 跑複雜任務把額度耗得差不多，晚上想用 Codex 可能就不夠——這證明 Work 與 Codex 共用同一個「智能體額度」池，是使用者最容易踩的實務坑。
### 隱形假設與邊界
- **隱形假設**：
- 讀者能清楚分辨「我只是要問問題」與「我要它幫我把活做完」的邊界（實務上這條線常很模糊）。
- Work 的「交鑰匙成品」品質足以直接使用，不需大量人工後製（作者自己舉的反例其實是 Chat 需要後製，但 Work 是否真的免後製，文中未驗證）。
- **邊界條件（何時論點失效）**：
- 網頁版 Work 與桌面版 Work 目前**不互通**（雲端歸雲端、本地歸本地），跨端工作者會感到割裂。
- 免費版與 Go 檔只能用 Terra、不能選 Sol／Luna，進階型號選擇只對 Plus 以上開放。
- 原本的 ChatGPT 桌面端被改名為 ChatGPT Classic、不再更新，重度依賴舊版的用戶將面臨遷移成本。
## ROUND 3: SOUL | 靈魂提取
**「還能怎麼用」**
- **作者盲點**：作者把 Chat／Work／Codex 描述為涇渭分明的三件事，但實務上「我要它幫我做完」與「我要它回答」之間的界線非常主觀；他也未點出 Work「定時在背景跑」所衍生的隱私與授權風險（AI 自動連線 Slack、信箱、CRM 讀資料）。此外，他樂觀假設 Work 成品可直接用，但企業場景中「可用品」與「敢交付」之間往往還有一段品質與合規落差。
- **知識連接**：與 [[新版 ChatGPT 三模式]] 相關的是「產品場景化」這個永恆命題——同一個底層能力（LLM）如何透過不同的「輸入域＋輸出形態」包裝成不同產品。它呼應了 Agent 架構中「orchestration layer vs. 單一模型」的分工，也與 Claude Cowork（Anthropic 的同類競品）形成直接對位。
- **行動觸發**：盤點你日常哪些任務是「我其實要的是成品，卻一直在用 Chat 拿文字再自己後製」——這些就是改用 Work 能立刻省時間的候選；但同時要設好 Work 連接外部工具時的授權範圍，別讓它自動讀取你不願曝光的資料。
### 留白提問（Guided Reflection）
- 當「用 AI」從「問問題」升級成「讓它在背景定時幫我幹活、自動連我的信箱與 Slack」，你願意交出多少授權？你設定的「停下來問我」的邊界，畫在哪裡？
- OpenAI 把「聊天」弱化成小入口、把「Codex 介面」保留下來——這是否暗示，未來人與 AI 的主要互動會從「對話」轉向「派任務」？你現在培養的 AI 使用習慣，是為哪一種未來做準備？
### 跨域映射
- 在 **產品設計**，這叫 **同一核心能力的場景化包裝（use-case packaging）**。
- 在 **Agent 架構**，這對應 **orchestration／agent 與基礎模型的分工**。
- 在 **訂閱經濟**，這是 **額度池設計（quota pool design）**——用「共用池」牽引用戶升級。
## DEEP READ | 精讀指引
> [!IMPORTANT]
> 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。
1. **「三模式怎麼區分」＋裝修比喻段**：原文用「設計師／裝修隊長／水電工」把三模式差異打到最深——這個比喻同時區分了「交付物（建議／成品／專業活）」與「誰碰得了（一般人也碰／交鑰匙／專業人才才能碰）」，是全文理解密度最高的一段。
2. **「訂閱和額度，怎麼算的」段**：這段揭示了一個非直覺的設計——Chat 與（Work＋Codex）分屬兩個額度池，而 Work 與 Codex 又會互相擠占。讀懂這個機制，才能解釋「為什麼白天用 Work、晚上 Codex 沒額度」，也是決定該不該升級 Plus／Pro 的關鍵。
3. **「GPT-5.6 的三個型號」段**：Sol／Terra／Luna 的「能力—速度—成本」三角，以及「預設 Terra 即可、免費版只能 Terra」的實務建議，是讀完就能立刻拿來做選擇的決策錨點。
## STRUCTURE MAP | 全書結構圖
```
┌──────────────────────────────────────────────
│ 新版 ChatGPT — 產品結構
│
│ 同一訂閱（免費 / Plus / Pro / 企業）
│ ┌────────────────────────────────
│ │
│ │ 額度池 A：Chat（聊天）
│ │ └ 網頁 / 手機 / 桌面 全端
│ │
│ │ 額度池 B：智能體（Work + Codex 共用，會互相擠占）
│ │ ├ Work 讀業務資料 → 交商務成品（文件/表格/簡報/網頁）
│ │ │ └ 可接 Slack/信箱/雲端/CRM，可定時背景跑
│ │ │ └ 網頁+手機已上線；桌面版最強（讀本地檔+瀏覽器）
│ │ └ Codex 讀程式碼 → 交程式碼變更 + 跑測試
│ │ └ 僅桌面端；手機只能遠端看進度
│ │
│ │ 模型層：GPT-5.6 三型號
│ │ ├ Sol 最強最貴（困難任務）
│ │ ├ Terra 預設日常（家用車）
│ │ └ Luna 最快最便宜（高吞吐）
│ │ （免費/Go 檔僅能用 Terra）
│ └────────────────────────────────
│
│ 舊桌面端 → 改名 ChatGPT Classic（不再更新）
└──────────────────────────────────────────────
```
---
# 新版 ChatGPT：Chat、Work、Codex，小白要知道的幾件事 (Architectural Deep Dive)
## 前言/背景
本文要解決的核心問題是：**OpenAI 發布新一代模型 GPT-5.6，同時把原本獨立的 Codex 應用併入 ChatGPT，介面因此出現 Chat／Work／Codex 三個模式——一個非技術的普通使用者，到底該點哪一個？** 作者用一個裝修房子的比喻貫穿全文，把三個模式的差異、可用端點、收費額度與 GPT-5.6 三型號選擇，整理成一份小白可直接照做的使用指南。
## 章節詳細總結
### 一、為什麼介面變了：GPT-5.6 + Codex 併入
開啟新版 ChatGPT，介面變了：頂部多了 Work 與 Codex 兩個可切換的模式，原本那個一開啟就能直接打字的「聊天框」，反而被折進一個叫 Quick chat 的小按鈕裡。無論你以前是拿 ChatGPT 聊天，還是拿 Codex 寫程式，現在開啟都是這副新樣子。
背後是 OpenAI 兩件大事：發布新一代模型 GPT-5.6，同時把原本獨立的 Codex 應用直接併進 ChatGPT。一合併，介面就成了現在這樣。
### 二、三模式怎麼區分：一句口訣 + 裝修比喻
先記住一句話：**Chat 回答問題，Work 幫你幹活，Codex 幫你寫程式。**
用裝修房子打比方，把三者想像成會打交道的三種人：
- **Chat 是設計師**：你問他「廚房太小怎麼改」，他跟你聊思路、給方案，動嘴不動手，快進快出。這就是大家最熟悉的一問一答。
- **Work 是裝修隊長**：你只要說一句「把這廚房按北歐風格裝好」，剩下的他全包——自己聯絡水電工、瓦工、木工，自己去買料，自己盯施工，最後交給你一把鑰匙、一個能直接用的成品。
- **Codex 是水電工**：他做最專業、最不能出錯的那部分。你說「牆後電路要改」，他直接拆牆、佈線、接電。這活兒設計師幹不了，一般人也別碰。
三者差異一句話總結：
- 設計師給你**建議**，你自己還得找人幹；
- 裝修隊長給你**做好的成品**，交鑰匙就能住；
- 水電工幹的是**專業活**，普通人碰不了的那部分。
### 三、Work 到底能幫你幹什麼
三個裡面，Chat 大家早會用了；Codex 名義上給程式設計師；真正新鮮、最值得先搞懂的是中間的 Work。
它跟 Chat 的差別在於**交付物**。你在 Chat 裡說「幫我寫個季度總結報告」，它給你一大段文字——寫得不錯，但你得自己複製出來、貼到 Word、調格式、排版、配圖，忙半天。Work 不一樣，它交給你的是一份**能直接用的成品**：排好版的文件、做好的表格、一套幻燈片，甚至一個小網頁。
它憑什麼能做到這一步？關鍵在於你可以把自己平時用的工具**接**給它：Slack、信箱、Google 雲端硬碟、行事曆、公司客戶管理系統……接好之後，你跟它說要什麼，它會自己鑽進這些工具裡翻資料、整合資訊、生成成品。對話時打個「@」再加應用名字，就能直接指定它去哪兒找資料。
兩個真實案例：
- **Zapier**：行銷團隊用 Work 搭了一套系統——每月自動審查數千條潛在客戶線索、追蹤這些客戶在郵件與系統裡的每一次互動、找出哪些客戶跟進斷了，最後生成一份給高階主管看的週報。
- **維珍航空（Virgin Atlantic）**：用它做競品分析，讓 AI 去調研各家航空公司的服務水準、整理成資料表。原本要花好幾週的活，縮短到幾個小時。
Work 還有個省心的本事：**定時幹活**。你可以給它設一個任務，讓它在背景自己跑，例如：
- 每天早上檢查信箱和 Slack 裡的新訊息，整理成簡報發給你；
- 每當有新客戶回饋進來，自動歸類、整理成產品改進建議；
- 網站資料有變化時，自動更新一份彙報文件。
你人不在電腦前，它也能自己推進。碰到拿不準的地方，它會停下來問你；重要的動作，也得你點頭才做，主動權始終在你手裡。
### 四、那 Codex 跟 Work 又有什麼不一樣
Work 和 Codex 其實是**同一套底層技術**，只是幹的活不一樣。差別就在**讀什麼、交什麼**：
- **Work** 讀的是你的**業務資料**（郵件、文件、聊天記錄、行事曆），交出來的是**商務成品**（文件、表格、幻燈片、網頁）。
- **Codex** 讀的是你的**程式碼**（程式設計師寫的那些專案檔），交出來的是**程式碼變更**（改好的程式、跑過的測試）。
一句話：Work 面向辦公室做方案、寫報告的人，Codex 面向寫程式的人。
為什麼本來就有 Codex，還要單獨搞個 Work？原因很現實：Codex 一開始給程式設計師寫程式用，每週有 500 萬人在用，但 OpenAI 發現其中超過 100 萬人壓根不是拿它寫程式，而是拿它做各種辦公雜活。於是 OpenAI 把這部分需求正式化，給它專門的入口和名字，叫 Work——連上辦公軟體，輸出文件和幻燈片，而不是程式碼。
一句話概括：**一套產品、兩個名字、兩種場景，吸引兩撥不同的人。**
### 五、有哪幾個端可以用
三個模式能用的地方不一樣：
- **Chat 最省心**：網頁、手機、電腦桌面端都有，隨便哪個都能用。
- **Work 正在鋪開**：網頁和手機上已開始上線；電腦桌面端上的 Work 更強，能讀你電腦裡的本機檔案，還自帶一個瀏覽器，能自己上網查資料。
- **Codex 只在桌面端**：手機上沒法直接用，但可以在 ChatGPT 手機 App 裡遠端看看電腦上正在跑的 Codex 任務進行到哪一步。
一個重要變化：原本獨立的 Codex 應用，現在已經併進新版 ChatGPT 桌面端了——以後一個 App 就能切換 Chat／Work／Codex，不用裝好幾個軟體。原本的 ChatGPT 桌面端被改名為 **ChatGPT Classic（經典版）**，你還能繼續用，但不會再更新。
還有個小坑：網頁上的 Work 對話，與電腦桌面端的 Work 對話，目前**不互通**——雲端歸雲端、本地歸本地。不過 Chat 的聊天記錄能在網頁與桌面端之間同步，這個不用擔心。
### 六、訂閱和額度怎麼算
兩個重點。
**第一點：聊天和幹活，用的是兩個不同的「額度」。**
你不需要為 Chat、Work、Codex 各自單獨訂閱——它們仨都屬於同一個 ChatGPT 訂閱，你辦一檔（免費、Plus、Pro 都行），這一檔裡就同時含著兩份額度。可以理解成 ChatGPT 在你這一個訂閱裡，給你分了兩個池子：
- 一個池子專門用來聊天（Chat），聊得再多都不影響另一個池子。
- 另一個池子給 Work 和 Codex 共用，OpenAI 管它叫**「智能體額度」**。
這就帶來一個要注意的地方：**Work 和 Codex 會互相擠占**。假如你白天用 Work 跑了一堆複雜任務、把額度用得差不多，晚上想再用 Codex，可能就發現額度不夠了。
**第二點：檔位越高，智能體額度越多。**
從免費版到企業版，Work 和 Codex 都能用，區別只在於那份智能體額度給多少：
- **免費版**：能試試 Work 和 Codex，但額度非常有限，嘗個鮮。
- **Plus（每月 20 美元）**：功能完整、沒廣告的第一檔，普通人想認真用，性價比最高。
- **Pro（每月 100 或 200 美元）**：額度是 Plus 的好幾倍甚至幾十倍，給重度使用者準備。
偶爾用用的話，免費版或 Plus 完全夠了，沒必要一上來就衝最貴的。
### 七、GPT-5.6 的三個型號，你該選哪個
GPT-5.6 不是單獨一個東西，而是分成三個型號：Sol、Terra、Luna。區別就在於**速度、能力、費用**：
- **Terra**：日常預設選它。能力足夠、速度不慢、價格適中。
- **Sol**：最強也最貴。適合特別複雜、要動腦想很久的任務——分析一大堆資料、設計複雜架構、解決很難的程式問題。
- **Luna**：最快最便宜。任務簡單、對速度敏感時用——快速整理清單、格式化文字。
用個類比：Terra 是家用車，Sol 是越野車，Luna 是小電動。日常代步用 Terra，爬山越野用 Sol，市區買菜接娃用 Luna。
不用太糾結——**絕大多數時候，預設的 Terra 就夠用**，OpenAI 自己也把它設成預設選項。唯一要注意：免費使用者和便宜一點的套餐（Go 檔）只能用 Terra，不能選 Sol 或 Luna；Plus 及以上才能三個型號隨便切換。
### 八、作者個人觀點
ChatGPT 與 Codex 的合併，OpenAI 預告了很久，這次總算上線。有意思的是：雖然名字保留的是 ChatGPT，但實際保留下來的是 Codex 的功能和介面，反倒是原本的 Chat 被弱化成一個最簡單的選單入口。網上不少人吐槽這個設計，作者倒覺得：既然有了 Work 模式，Chat 單獨存在的意義其實已經不大；之所以還留著，大概是架構上不好完全合併，也是想給那批只會用聊天框的老用戶留一個慢慢適應的過渡。
## 總結與結論
- **核心洞見 1：三模式本質是「交付深度」的三段化**。Chat 交付答案、Work 交付可用品、Codex 交付程式碼變更——OpenAI 用三個入口，把同一個底層 LLM 依「使用者要什麼程度的交付」切出三個市場，這是「同一能力、場景化包裝」的教科書案例。
- **核心洞見 2：Work 的誕生來自真實使用資料**。「500 萬 Codex 使用者中，超過 100 萬人不寫程式、只做辦公雜活」——這個數字直接催生了 Work。產品命名往往是落後於真實使用行為的，OpenAI 這次是「把既成事實正式化」。
- **架構建議 3：額度池設計是隱形的升級牽引**。Chat 與（Work＋Codex）分用兩個池，且 Work 與 Codex 共用會互相擠占——這個機制會自然把「重度組合使用者」推向 Plus／Pro。實務上規劃用量時，要把 Work 與 Codex 當作同一個預算來控管。
- **架構建議 4：跨端不互通是當前最大摩擦**。網頁 Work 與桌面 Work 不互通、Codex 僅桌面端——選擇工作流時要把「在哪個端做完」先定下來，避免做到一半發現換端就斷掉。
- **決策建議 5：選擇可以極度簡化**。多數人→Chat；要交付成品→Work；寫程式→Codex；模型預設→Terra。把這四條當預設值，只有在任務明確超出時才偏離，能省下絕大多數決策成本。
Obsidian 整理
原始文章
AI工程
gpt-5.6-sol：如何在不上限的情況下用滿它 (without hitting limits)
"GPT-5.6-sol 很強也會自己一直做下去，但這讓額度燒得又快又難預測——先降推理、別碰 Ultra、暫停 fast mode、並在 prompt 裡寫死「做到哪裡就停」。"
Top 5 Insights
- **核心洞見 1：更強的自主性＝更難預測的成本**。5.6 相比 5.5「會一直跑下去」，可靠度提升的代價是單則訊息耗額度量級暴增（5.5 約 0.1%~2%，5.6 可達 15%）；這是所有自主 agent 系統的通則——autonomy 提升，成本可預測性下降。
- **架構建議 2：用 prompt 停止點當成成本煞車**。在 prompt 寫死「做到 X 就停、等我回應」的檢查點，是把「跑不停」的模型重新納入可控成本最直接的手段；這與提示工程的 autonomy policy 宣告同源。
- **架構建議 3：subagent fan-out 是隱形的成本放大器**。「gpt-5.6-sol 永遠以同模型同推理 spawn subagent」這個機制，讓一次 spawn 等於一次等級不降的完整複製——降推理等級、在 AGENTS.md 加「only spawn when I ask」是必要的防護。
- **營運建議 4：暫時避開兩個「加倍器」**。fast mode 的 2.5x 乘數與 Ultra 的 bug 性爆量，是當下最容易在單則訊息內燒掉 40% 額度的兩個開關；在 OpenAI 修 bug 前，預設關閉它們是最務實的選擇。
- **時效提醒 5：本文建議有強保存期限**。多數「避開」建議（Ultra、fast mode、subagent 行為）綁定 Codex harness 當下的 bug 與 5.6 的早期行為，作者明說「等 bug 修了再回來」；讀者應把這些建議當「2026-07 的權變措施」，而非穩定知識，並隨版本更新重新驗證。
---
tags: [AI工程, GPT-5.6, Codex, Agent架構, 成本優化]
date: 2026-07-13
read: false
source: "2026-07-13T095955+0800-gpt-5.6-sol without hitting limits.md"
original_title: "gpt-5.6-sol without hitting limits"
---
# gpt-5.6-sol：如何在不上限的情況下用滿它 (without hitting limits)
原始來源與檔名：2026-07-13T095955+0800-gpt-5.6-sol without hitting limits.md
---
## SOURCE | 資訊源評估
- **準確性**：中高 — 作者 @theo 自述已用 gpt-5.6-sol 燒掉超過 20 萬美元 token，屬重度實戰經驗；多數建議來自個人觀察與實測，並坦白標註哪些是「Codex harness 的 bug」、哪些是「我與 Codex 團隊溝通中」。部分數字（如單則訊息 15%、fast mode 2.5 倍）為個人使用情境，他人未必完全重現。
- **易理解性**：高 — 採條列式給出具體可執行建議，並附可直接抄的 prompt「停止點」範例，門檻低。
- **閱讀策略建議**：把它當「重度使用者的避坑清單」而非理論；重點抓三條——(1) 暫時避開 Ultra、(2) 暫時別用 fast mode（2.5 倍乘數＋5.6 跑更長＝單則訊息可能吃掉 40% 額度）、(3) 用 prompt 裡明確的「停止點」控制 5.6「一直跑下去」的傾向。注意文章時效性：作者多次標訳「等 bug 修了再回來」。
## NAPKIN | 餐巾紙
### 餐巾紙公式
> 5.6 跑得更長 ＝ 更可靠，但也更會燒額度 → 用「停止點」＋「降推理」＋「避開 Ultra/fast」控管
_GPT-5.6 相比 5.5 會「一直跑下去」（單則訊息可能吃 15% 額度，開 fast mode 更飆到 40%），可靠度提升的代價是 token 消耗更難預測；控管手段是在 prompt 設明確停止點、預設 medium/high 推理、暫避 Ultra 與 fast mode。_
### 一句話
> GPT-5.6-sol 很強也會自己一直做下去，但這讓額度燒得又快又難預測——先降推理、別碰 Ultra、暫停 fast mode、並在 prompt 裡寫死「做到哪裡就停」。
### 餐巾紙草圖
```
┌──────────────────────────────────────────────
│ gpt-5.6-sol 省額度 — 控管四招
│
│ 5.5：常停下來要鼓勵 ──► 5.6：一直跑下去
│ (0.1%~2%/則) (最高 15%/則)
│ │
│ 控管： ▼
│ ┌────────────────────────────────
│ │ 1. 推理預設 medium/high（subagent 用 low/medium）
│ │ 2. 避開 Ultra（目前會爆量生 subagent + 高推理）
│ │ 3. 暫停 fast mode（2.5x 乘數 → 單則可達 40%）
│ │ 4. prompt 寫「停止點」控制跑不停
│ └────────────────────────────────
│
│ 模型選擇：$200 檔→ sol high；其他→ sol low
│ 進階：讓 Fable 當駕駛，spawn Codex subagent
└──────────────────────────────────────────────
```
## ROUND 1: SKELETON | 骨架掃描
**「這篇文章在說什麼」**
- **核心問題**：GPT-5.6-sol 很強，但在 200 美元 Codex Pro 訂閱上太容易撞到額度上限，該怎麼用得更久、燒得更少？
- **核心答案**：5.6 會「一直跑下去」，讓 token 消耗又大又難預測；控管手段是——預設 medium／high 推理、暫時完全避開 Ultra、暫停 fast mode（2.5 倍乘數太危險）、用 prompt 裡明確的「停止點」控制它的續航、並考慮讓 Fable 來當駕駛（drive）spawn Codex subagent。
- **論證結構**：清單＋實證型。逐項給出踩坑觀察（effort levels、Ultra、fast mode、subagents、model selection、prompting），每項附「為什麼」與「怎麼做」。
### 章節骨架
1. **背景**：已燒 20 萬美元，5 小時窗口常提前用完
2. **Effort levels**：預設 medium／high
3. **Ultra**：暫時完全避開（bug）
4. **Fast mode**：暫停（2.5x 乘數太貴）
5. **Subagents**：最酷也最易自爆，要降推理＋改 AGENTS.md
6. **Model selection**：$200 檔 sol high，其他 sol low
7. **Prompt better**：寫明確停止點
8. **Let another agent steer**：讓 Fable 當駕駛
9. **結語**：多實驗、監控用量
## ROUND 2: DISSECTION | 血肉解剖
**「憑什麼這麼說」**
### 論證鏈
```
5.6 比 5.5「跑得更久」（更可靠 end-to-end）
▼
副作用：token 消耗更難預測，單則訊息可達 15%（5.5 約 0.1%~2%）
▼
fast mode 2.5x 乘數 → 單則訊息可吃 40% 額度 → 大量人在此燒爆
▼
Ultra（非推理等級）+ Codex harness bug → 爆量生高推理 subagent
▼
對策：降推理 + 避 Ultra + 停 fast mode + prompt 停止點 + 換駕駛
```
### 關鍵證據
1. **單則訊息耗額度的量級對比**：忽略 /goal，5.5 單則訊息約用掉額度的 0.1%~2%，開 fast mode（2.5x）約 5% 峰值；但 5.6 作者見過單則訊息用到 **15%**，若再開 fast mode 乘數，等於**單則訊息吃掉 5 小時窗口的 40%**——這組數字是「暫停 fast mode」主張的硬支點。
2. **subagent 的「同模型同推理」bug**：gpt-5.6-sol **永遠**會以與父實例相同的模型與推理等級 spawn subagent，這正是 Ultra 目前「壞掉」的原因——一個具體、可驗證的機制，而非空泛抱怨。
3. **model selection 的務實分法**：作者自陳絕大多數工作仍用 gpt-5.6-sol，偶爾選 Terra 做快速審查；結論是「$200 檔 → sol high，其他 → sol low」，並強調「這些選項在智慧與成本上都碾壓 Sonnet 和 Opus」——用實戰偏好佐證模型選擇建議。
### 隱形假設與邊界
- **隱形假設**：
- 讀者也是 $200 Codex Pro 重度使用者（額度邏輯對輕度或不訂閱者參考價值有限）。
- 「Ultra 會爆量生 subagent」是 Codex harness 的 bug，會被修——作者明說「等 bug 解決再回來」，所以這些建議有強時效性。
- **邊界條件（何時論點失效）**：
- fast mode 對「延遲敏感、任務會卡住」的場景仍有價值，全面暫停是作者個人在 5.6 行為下的權衡，不是普世禁令。
- 「讓 Fable 當駕駛 spawn Codex subagent」是進階技巧，需多個訂閱與跨工具編排能力，多數使用者無法直接套用。
- 所有數字基於作者個人帳號的使用模式，他人額度消耗未必一致。
## ROUND 3: SOUL | 靈魂提取
**「還能怎麼用」**
- **作者盲點**：全文高度綁定「Codex harness 的當下缺陷」（v1/v2 split、auto-routing、Ultra bug），這些建議的保鮮期很短，一旦 OpenAI 修了 bug，多數「避開」建議就過時；作者雖有標註時效，但讀者容易把它當穩定知識記下。此外，作者以「燒 20 萬美元」為權威背書，但未拆解這 20 萬有多少是「可避免的浪費」、多少是「必要成本」。
- **知識連接**：核心觀念「更強的自主性＝更難預測的資源消耗」是 Agent 系統的通則——不只 GPT-5.6，任何會自主 multi-step、會 spawn subagent 的 agent（Claude Code、Cursor、Devin）都面臨相同的「續航 vs 成本可控」張力。它也呼應「prompt 停止點」即一種 autonomy policy 的顯式宣告，與 [[GPT-5.6 提示詞大師課]] 的四要素框架同源。
- **行動觸發**：為你的 agent 工作流加兩道保險——(1) 在 prompt 裡寫死「做到 X 就停、等我回應」的檢查點；(2) 用用量監控工具（dashboards、ccusage、codexbar）建立對「單則訊息花多少」的直覺，而不是等撞上限才發現。
### 留白提問（Guided Reflection）
- 當模型「更可靠地自己跑到底」時，你省下的心力，有多少其實是用「不可預測的 token 帳單」換來的？你願意為「不必中途盯著」付出多少溢價？
- 作者建議「讓 Fable 當駕駛、去 spawn Codex subagent」——當你開始用一個 agent 去指揮另一個 agent，你對整個系統的理解，是否還跟得上它實際在做的事？還是你已經在駕馭一個你無法完全解釋的黑箱？
### 跨域映射
- 在 **Agent 架構**，這是 **autonomy vs cost predictability 的取捨**。
- 在 **分散式系統**，這對應 **子任務派發的成本放大效應（subagent fan-out cost）**。
- 在 **Prompt 工程**，這即 **顯式 checkpoint／停止條件宣告**。
## DEEP READ | 精讀指引
> [!IMPORTANT]
> 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。
1. **「Fast mode」段**：原文給出「5.6 單則訊息最高 15%、開 fast mode 等於單則吃掉 40% 額度」的計算，這是全文最具數字感、也最能說服人「暫停 fast mode」的一段；讀原文能體會那種「我知道這在燒掉很多人」的急迫。
2. **「Subagents」段**：作者點出「gpt-5.6-sol 永遠以同模型同推理 spawn subagent」這個具體機制，並給出三條可立刻做的對策（降推理、改 AGENTS.md 加『only spawn subagents when I ask』、開 hide_spawn_agent_metadata 旗標）——這段技術密度最高、最值得抄進自己的組態。
3. **「Prompt better」段的停止點範例**：兩段真實 prompt（「先寫計畫，完成後停下來問回饋」「放 PR、 babysit 第一輪審查後停下」）示範如何用具體停止點控制 5.6「跑不停」的傾向，是可立即套用的範本。
## STRUCTURE MAP | 全書結構圖
```
┌──────────────────────────────────────────────
│ gpt-5.6-sol 省額度 — 控管地圖
│
│ 根本原因：5.6「跑得更久」→ token 更難預測
│ ┌─ 5.5 單則約 0.1%~2%（fast 約 5%）
│ └─ 5.6 單則可達 15%（fast → 40%）
│
│ 四大控管
│ ┌────────────────────────────────
│ │ ① 推理等級
│ │ 預設 medium/high；subagent 用 low/medium
│ │
│ │ ② Ultra（非推理等級，UI 誤導）
│ │ 暫時「完全避開」→ harness bug 爆量生 subagent
│ │
│ │ ③ Fast mode（2.5x 乘數）
│ │ 暫停 → 與 5.6「跑更久」疊加會爆
│ │
│ │ ④ Prompt 停止點
│ │ 寫死「做到 X 停、等我回應」
│ └────────────────────────────────
│
│ 模型：$200 檔→ sol high ／ 其他→ sol low
│ 進階：Fable 當駕駛，spawn Codex subagent（需多訂閱）
│ 監控：dashboards / ccusage / codexbar
└──────────────────────────────────────────────
```
---
# gpt-5.6-sol：如何在不上限的情況下用滿它 (Architectural Deep Dive)
## 前言/背景
本文是知名開發者 @theo 的實戰避坑指南，要解決的核心問題是：**GPT-5.6-sol 是個極佳的模型，但在 200 美元 Codex Pro 訂閱上「太容易撞到上限」——當 5 小時窗口還剩 4 小時就被用罄時，該如何用得更久、燒得更少？** 作者自述已用 gpt-5.6-sol 燒掉超過 20 萬美元 token，把他踩過的坑整理成一份可立刻執行的建議。
## 章節詳細總結
### 一、背景：為什麼 5.6 特別容易撞上限
作者已用 gpt-5.6-sol 燒掉超過 20 萬美元 token，認為它是個極佳的模型；但在 200 美元 Codex Pro 訂閱上，太容易撞到上限。OpenAI 對重置（resets）算是大方，但當你把 5 小時窗口在前 1 小時就殺光、剩 4 小時時，重置也救不了你。作者犯過很多錯、也看到別人在犯同樣的錯，於是趕緊把建議寫出來。
### 二、Effort levels（推理等級）
預設用 **medium 或 high**，兩者都很好。**xhigh** 極為強大，但作者发现自己即便在編排大量 subagent 時也不太需要它（後述）。
### 三、「Ultra」
> Ultra 不是一個推理等級（reasoning level），儘管 UI 把它放在那個位置。它造成的混淆，類似 Claude Code 的「Ultracode」。
目前作者建議**完全避開 Ultra**。Codex harness 裡有 bug，會讓它 spawn 出「太多 subagent」、而且推理等級「太高」。作者說等 bug 解決後會重新評估。
### 四、Fast mode
作者很喜歡 fast mode、以前常用，對「容易中途停下、燒一堆才繼續」的模型很合理。但要記住：**fast mode 用掉 2.5 倍的額度**。
關鍵差異在於 5.5 與 5.6 的行為：
- **5.5** 常會停下來、需要鼓勵才繼續。忽略 /goal，5.5 單則訊息約用掉額度的 0.1%~2%；開 2.5x 後，單則約 5% 峰值。
- **5.6** 可以跑得**久得多**——這多半是好事，可以信賴它 end-to-end 完成任務；但也讓「token 消耗」難以預測。
作者見過 5.6 單則訊息用到 **15%**，因為它跑得實在太久。疊加 fast mode 乘數，等於**單則訊息吃掉你 5 小時窗口的 40%**。作者強調「我知道這在燒掉很多人，相信我，先別用 fast mode 一陣子」。
### 五、Subagents
這是 GPT-5.6 最酷的解鎖，但也最容易自爆（footgun）。Sol 很樂於 spawn subagent，這多半是好事；可惜 Codex 的實作有一整窩問題（v1/v2 split、依模型 auto-routing，先別提）。
關鍵機制（tl;dr）：
> **gpt-5.6-sol 永遠會以「與父實例相同的模型與推理等級」spawn subagent。這正是 Ultra 目前「壞掉」的原因。**
你能做的幾件事：
1. **降低推理等級**——subagent 配 high 不算太糟，low／medium 也很棒。
2. **更新你的全域 AGENTS.md**，指定「only spawn subagents when I ask you to」（幫助抑制 5.6 過度 eager 的 subagent 生成）。
3. 若真的想讓 Codex 生成多層 subagent，可在組態啟用 `hide_spawn_agent_metadata = false` 旗標（問 Codex 怎麼做，可能需原始碼存取）。
作者正與 Codex 團隊溝通如何修這些行為，目前走一條「有點荒謬的繞路」來規避。
### 六、Model selection（模型選擇）
作者個人絕大多數工作仍用 **gpt-5.6-sol**；偶爾選 Terra 做快速審查或回饋，多半只是出於好奇。Luna 出奇地好，但它本來就不是給我們「手動選」的，比較像是給 code 用、以及讓 sol 拿來 spawn 成 subagent 的工具。
作者建議：
> **$200 檔 → sol high；其他 → sol low。**
Terra medium 看來是極大化用量的好選項，但作者用得不夠多、不敢斷言。（作者補一句：這些選項在智慧與成本上都「碾壓 Sonnet 和 Opus」。）
### 七、Prompt better（把 prompt 寫得更好）
這個模型會「一直、一直、一直做下去」。作者發現在 prompt 裡放清楚的「停止點（stop points）」非常有幫助。範例：
> 我要你實作這個新功能。先寫一份計畫。計畫完成後，**停下來問我回饋再繼續**。
> 計畫看起來很棒！來實作吧。用 computer use 測試你的實作。持續做到程式能跑、你對實作滿意為止。放 PR、babysit 第一輪審查意見並處理它們。**在第一輪審查意見處理完後停下，後面我來接手。**
注意這兩個範例的「任務長度」差很多。5.6 可以跑很久、也做得好，只是有時跑得太遠，所以非常受益於清楚的停止點。
### 八、Let another agent steer（讓別的 agent 來駕駛）
tl;dr——如果你有別的訂閱，讓 **Fable 來「駕駛」**。教它如何用 gpt-5.6 spawn subagent（或用 Cursor，它已經會了）。
作者在幾個訂閱之間切換（2 個 Claude $200、1 個 Codex $200）。Fable 也非常吃 token，但若用在較低推理等級、並給它如何 spawn Codex subagent 的 skill／指令，就非常強大。作者在一支關於「極大化 Fable 用量」的影片裡講了很多，這些技巧現在比以往更有用。
### 九、結語：多實驗
實驗在此刻極具價值。試不同做法、挑戰更難的任務、盡力監控用量（透過 dashboards、ccusage、codexbar，隨你喜歡）。你會驚訝於微小的改變能對產出與 token 消耗率帶來多大影響。
作者結語：「這真是當開發者的好玩時代。多玩玩。多待在 ~/.codex 和 ~/.claude 目錄裡。做一些感覺很蠢的改動。實驗。你會驚訝能發生什麼事。」
## 總結與結論
- **核心洞見 1：更強的自主性＝更難預測的成本**。5.6 相比 5.5「會一直跑下去」，可靠度提升的代價是單則訊息耗額度量級暴增（5.5 約 0.1%~2%，5.6 可達 15%）；這是所有自主 agent 系統的通則——autonomy 提升，成本可預測性下降。
- **架構建議 2：用 prompt 停止點當成成本煞車**。在 prompt 寫死「做到 X 就停、等我回應」的檢查點，是把「跑不停」的模型重新納入可控成本最直接的手段；這與提示工程的 autonomy policy 宣告同源。
- **架構建議 3：subagent fan-out 是隱形的成本放大器**。「gpt-5.6-sol 永遠以同模型同推理 spawn subagent」這個機制，讓一次 spawn 等於一次等級不降的完整複製——降推理等級、在 AGENTS.md 加「only spawn when I ask」是必要的防護。
- **營運建議 4：暫時避開兩個「加倍器」**。fast mode 的 2.5x 乘數與 Ultra 的 bug 性爆量，是當下最容易在單則訊息內燒掉 40% 額度的兩個開關；在 OpenAI 修 bug 前，預設關閉它們是最務實的選擇。
- **時效提醒 5：本文建議有強保存期限**。多數「避開」建議（Ultra、fast mode、subagent 行為）綁定 Codex harness 當下的 bug 與 5.6 的早期行為，作者明說「等 bug 修了再回來」；讀者應把這些建議當「2026-07 的權變措施」，而非穩定知識，並隨版本更新重新驗證。
Obsidian 整理
原始文章
AI視野
反向資訊悖論 (The Reverse Information Paradox)
"在 AI 時代，你每用一次模型，就在用自己最珍貴的隱性知識（corrections、evals、traces）繳學費——除非你把「學習迴圈」留在自己手裡。"
Top 5 Insights
- **核心洞見 1：洩漏方向翻轉了**。Arrow 悖論的風險承擔者從「賣方」翻轉到 AI 時代的「買方」；企業的護城河命題從「保護資料」升級為「保護學習機制（corrections／evals／traces）」。
- **核心洞見 2：價值會向基礎設施擁有者收斂**。當學習單向流動，經濟價值收斂到「擁有學習基礎設施的人」而非「創造知識的人」——這是平台經濟學在 AI 時代的最新版本，也是企業為何必須自控學習迴圈的結構性原因。
- **架構建議 3：編排層必須與模型解耦（Choice）**。這是最關鍵、也最可立即行動的一條——任何架構若把商業邏輯綁死在單一模型上，就等於把「veteran capability」外包給了別人。驗證標準只有一個：「拔掉任一個模型，你還能跑嗎？」
- **架構建議 4：evals 即權力（Control）**。私有 evals 不只是測試工具，而是組織「什麼叫做好」的定義權；誰擁有 evals，誰就擁有對齊（alignment）的主導權，這正是 Nadella 所說「企業對齊到自身問責義務的權利」。
- **批判性提醒 5：留意作者的雙重身分**。Nadella 一邊批評「學習基礎設施擁有者」收斂價值，一邊代表的就是這類廠商；「把 learning infrastructure 分散到每家企業」的主張，本身高度契合混合雲／企業平台的商業利益。讀者應將 5C 視為合理的企業自保架構，同時對「分散式學習能否在品質上追得上集中式大模型」保持務實懷疑。
---
tags: [AI視野, 資訊經濟學, 企業策略, AI治理, 知識管理]
date: 2026-07-13
read: false
source: "2026-07-13T095920+0800-The Reverse Information Paradox.md"
original_title: "The Reverse Information Paradox"
---
# 反向資訊悖論 (The Reverse Information Paradox)
原始來源與檔名：2026-07-13T095920+0800-The Reverse Information Paradox.md
---
## SOURCE | 資訊源評估
- **準確性**：高 — 作者 Satya Nadella（微軟 CEO）以企業 AI 平台領導者的立場提出論述，引用 Kenneth Arrow 的資訊經濟學經典與 Hayek 的「特定時空知識」概念，理論根基穩固；但須留意其立場帶有商業動機（推動企業自建 learning infrastructure 正符合 Azure 等平台廠商利益）。
- **易理解性**：中 — 概念密度高，使用了 Arrow paradox、distillation、token capital、hill climbing machine 等術語，需要對資訊經濟學與 AI 工程有一定背景才能完全吸收。
- **閱讀策略建議**：先抓住「Arrow 悖論 → 反向悖論」這組對照作為主軸，再理解「5C（Control / Capability / Choice / Cost / Compound）」作為企業對策的落地清單；建議搭配 OpenAI、Anthropic 的資料使用條款原文交叉比對 Nadella 對「status quo」的批評是否公允。
## NAPKIN | 餐巾紙
### 餐巾紙公式
> Arrow：賣方怕賣知識時把知識送出去 → 反向悖論：買方怕用 AI 時把知識洩出去
_資訊的價值在交易中流動，AI 時代把「洩漏風險」從賣方翻轉到買方；企業的護城河從「保護資料」升級為「保護學習機制」。_
### 一句話
> 在 AI 時代，你每用一次模型，就在用自己最珍貴的隱性知識（corrections、evals、traces）繳學費——除非你把「學習迴圈」留在自己手裡。
### 餐巾紙草圖
```
┌──────────────────────────────────────────
│ Arrow 資訊悖論 (1962)
│ ┌─────────────
│ │ 賣方
│ │ 「要先展示才知道值不值」
│ │ → 展示完 = 對方已拿到
│ └─────────────
│ ▼ 翻轉
│ 反向資訊悖論 (AI 時代)
│ ┌─────────────
│ │ 買方
│ │ 「要用得好就要餵專屬知識」
│ │ → 餵下去 = 賣方也在學
│ └─────────────
│
│ 學習流向： 企業 ─────► 模型廠商
│ (單向洩漏，trace by trace)
│
│ 對策 = 企業內部 trust boundary（5C）：
│ Control ─ Capability ─ Choice ─ Cost ─ Compound
└──────────────────────────────────────────
```
## ROUND 1: SKELETON | 骨架掃描
**「這篇文章在說什麼」**
- **核心問題**：在 AI 時代，企業該如何保護讓自己獨一無二的核心智慧財產？
- **核心答案**：AI 把 Arrow 的「資訊悖論」反過來了——現在是「買方」（用 AI 的企業）在用產品時被迫洩漏自己的專屬知識；企業必須建立一道「信任邊界」，把 evals、traces、回饋、調適後的權重與記憶留在自己掌控的學習迴圈裡。
- **論證結構**：演繹＋對比型。先立古典理論（Arrow），再點出「反向」轉折，接著推導後果（資訊不對稱單向傾斜），最後給出對策（5C 與 trust boundary）。
### 章節骨架
1. **古典悖論**：Arrow——賣方怕送出知識
2. **反向翻轉**：AI 時代換成買方怕洩知識
3. **雙重付費**：付錢＋付專屬知識
4. **不對稱傾斜**：賣方愈用愈懂你
5. **對策總綱**：需要反向悖論的「專利」等價物
6. **洩漏機制**：exhaust（prompts、tools、corrections）
7. **你的智慧歸你**：Hayek 的特定時空知識
8. **現況諷刺**：廠商要公平使用、卻限制蒸餾
9. **信任邊界**：token capital 複利累積
10. **5C 落地**：Control / Capability / Choice / Cost / Compound
## ROUND 2: DISSECTION | 血肉解剖
**「憑什麼這麼說」**
### 論證鏈
```
Arrow：資訊交易中，價值須先揭露才能販售
▼
AI 顛倒方向：要用得強，就得餵專屬知識
▼
「雙重付費」＝金錢 ＋ 專屬知識（後者更珍貴）
▼
學習單向流動：賣方累積對你的理解，你卻學不到賣方學了什麼
▼
洩漏載體＝exhaust（prompts、agent 工具、尤其是 corrections／evals）
▼
現況不公：廠商主張公開資料公平使用，卻對客戶蒸餾設限、保留向使用行為學習的權利
▼
價值會向「學習基礎設施擁有者」收斂，而非「知識創造者」
▼
結論：企業需把 learning infrastructure 分散到每家企業，自控學習迴圈（trust boundary + 5C）
```
### 關鍵證據
1. **Arrow 原始悖論**：引用 NBER 經典論文——「資訊對購買者的價值，在取得前未知；但取得後，等於已免費拿到」。這是整篇文章的理論支點。
2. **Alex Karp（Palantir）的引述**：「技術客戶要的是對 compute、models、data stack、以及他們 alpha 的控制權……他們要確知自己擁有生產工具，而非被轉移給別人。」——用客戶端語言佐證「控制權外流」是真實恐懼。
3. **corrections 作為最珍貴洩漏物**：「每一次模型出錯時你做的修正，都被蒸餾成機構知識……trace by trace、correction by correction、eval by eval 幾乎無感地洩漏。」——具體指出「哪一種資料」才是真正的高價值流失。
### 隱形假設與邊界
- **隱形假設**：
- 廠商「向客戶使用行為學習」是普遍現狀，而非少數條款（文章以「status quo」概括，未列舉具體廠商條款對照）。
- 企業有能力、有意願自建 learning infrastructure（事實上中小企業的 capability 與成本是巨大門檻）。
- 「token capital 能複利累積」假設累積的 traces／evals 品質足以驅動持續改善。
- **邊界條件（何時論點失效）**：
- 若主流模型廠商提供「零保留（zero retention）＋ 不用於訓練」的企業合約，反向悖論的迫切性大減（Nadella 承認「status quo」會演進）。
- 對新創或缺乏專屬知識的企業，根本沒有值得保護的「token capital」，5C 投資報酬率存疑。
- 「分散 learning infrastructure 到每家企業」與模型規模經濟相悖，小廠自訓模型品質可能永遠追不上，反讓企業被困在較弱模型上。
## ROUND 3: SOUL | 靈魂提取
**「還能怎麼用」**
- **作者盲點**：Nadella 主張「把 learning infrastructure 分散到每家企業」，這恰好就是 Azure／混合雲廠商最想賣的東西——他自己就是被點名的「學習基礎設施擁有者」之一。文章把矛頭指向抽象的「status quo」，卻未誠實處理「平台廠商本身也是學習收斂的受益者」。此外，他把 corrections／evals 一律視為「應歸企業的資產」，但忽略了員工流動會帶走這類隱性知識，企業能否真正「擁有」存疑。
- **知識連接**：與 [[反向資訊悖論]] 相關的知識體系包括——資訊經濟學（Arrow）、知識理論（Hayek 的「散落在特定時空情境的知識」）、平台經濟學（價值向基礎設施擁有者收斂）、以及 AI 治理中的「資料外洩（data exhaust）」與「蒸餾（distillation）」管制。它也是「自建 vs. 外購」這個永恆架構抉擇在 AI 時代的最新版本。
- **行動觸發**：盤點你組織內「會餵給外部模型」的高價值知識清單（客戶資料、內部決策邏輯、對模型錯誤的修正）；為關鍵工作流建立私有 evals；把編排層（orchestration）與單一模型解耦，確保任一模型被抽走仍能運作。
### 留白提問（Guided Reflection）
- 如果你的公司明天失去所有外部 AI 模型的存取權，你累積下來的 evals、traces、修正記錄，還能驅動任何一個「自己擁有」的能力嗎？還是這些資產其實只能依附在別人的模型上才有意義？
- 「每一次修正都是機構知識」——那麼當資深工程師離職，他對模型的數千次修正，究竟屬於他個人、屬於公司、還是已經不可逆地成了模型廠商的訓練訊號？
### 跨域映射
- 在 **資訊經濟學**，這叫 **Arrow 資訊悖論的反向版本（本文自訂詞：反向資訊悖論）**。
- 在 **AI 治理**，這對應 **data exhaust / 學習資料回流管制** 的議題。
- 在 **平台經濟學**，這是 **價值向基礎設施收斂（infrastructure value capture）** 的延伸。
- 在 **企業架構**，這等同 **自建 vs. 外購（build vs. buy）** 抉擇，只是標的從軟體換成「學習迴圈」。
## DEEP READ | 精讀指引
> [!IMPORTANT]
> 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。
1. **「反向悖論」轉折的那兩句**：原文「AI creates the reverse problem. In the AI age, the buyer risks giving away knowledge, just in order to use what they bought.」短短兩句完成古典悖論的對稱翻轉，是全文論證最精煉的支點，值得逐字體會其對仗結構。
2. **「exhaust」段落**：「Models learn from "exhaust," the prompts people write, the tools agents use, and especially the corrections people make when the model is wrong.」——這段把抽象的「知識洩漏」具象化成三種可觀測的載體（prompts／tools／corrections），是 5C 對策的打擊面，讀懂這裡才知道「Control」到底要控什麼。
3. **5C 收尾清單**：Control / Capability / Choice / Cost / Compound 五項，每一項都是一個可獨立行動的企業架構決策；建議逐條問自己「我們組織現在做到了哪幾項」，這比讀完整篇文章更能逼出落地缺口。
## STRUCTURE MAP | 全書結構圖
```
┌──────────────────────────────────────────────
│ 反向資訊悖論 — 論證結構
│
│ 古典 (Arrow) 反向 (AI 時代)
│ ┌──────────── ┌────────────
│ │ 賣方怕 │ 買方怕
│ │ 送出知識 │ 洩出知識
│ └──────────── └────────────
│ │ │
│ └──────── 對稱翻轉 ─────────┘
│ ▼
│ 後果：學習單向流動 企業 ──► 模型廠商
│ ▼
│ 洩漏載體：prompts / tools / corrections / evals
│ ▼
│ 對策：企業 trust boundary（5C）
│ ┌────────────────────────────
│ │ Control 私有 evals、記憶、traces 自持
│ │ Capability 租戶內自訓/微調
│ │ Choice 編排層與單一模型解耦
│ │ Cost 跨模型最佳成本組合
│ │ Compound 四者合一 → 持續學習迴圈
│ └────────────────────────────
└──────────────────────────────────────────────
```
---
# 反向資訊悖論 (The Reverse Information Paradox) (Architectural Deep Dive)
## 前言/背景
本文是微軟 CEO Satya Nadella 對「企業在 AI 時代如何保護核心智慧資產」提出的戰略論述。它要解決的核心問題是：**當使用 AI 模型的強度，直接取決於你願意餵多少專屬知識進去時，企業的競爭優勢（那些對模型做的修正、累積的 evals、調適後的權重）會不會在不知不覺中，單向流向模型供應商？** 作者用經濟學家 Kenneth Arrow 的「資訊悖論」做鏡像，提出「反向資訊悖論」這個概念框架，並以 5C（Control / Capability / Choice / Cost / Compound）給出企業層級的架構對策。
## 章節詳細總結
### 一、Arrow 的資訊悖論：理論原點
諾貝爾經濟學家 Kenneth Arrow 經典地描述了資訊市場的內在矛盾：
> 「資訊對購買者的價值，在他取得之前無法得知；但一旦取得，等於已經免費拿到了。」
在 Arrow 的版本裡，**賣方**承擔風險——為了賣出知識，必須先展示，而展示本身就把價值交了出去。專利（patent）這個制度，正是為了解決 Arrow 悖論的其中一面：它讓發明人可以揭露點子而不必白白送人。
### 二、反向翻轉：買方變成風險承擔者
AI 把這個悖論整個翻轉：
> 「在 AI 時代，買方為了使用他買到的東西，反而冒著洩漏知識的風險。」
作者的洞見是「雙重付費」——你為智慧（intelligence）付費兩次：
- 第一次，付錢；
- 第二次，付「更珍貴的東西」：為了讓模型表現更好，你必須餵給它的**專屬知識（proprietary knowledge）**。
而且這是一條斜率不斷加劇的曲線：**你想讓模型表現得越好，就必須餵越多知識進去。**
### 三、單向的資訊不對稱
隨時間推移，資訊不對稱會愈來愈傾斜：
> 「賣方在你使用產品時，對你了解得愈來愈多；而你對賣方究竟學到了什麼，幾乎一無所知。」
這就是作者所稱的 **反向資訊悖論（Reverse Information Paradox）**。它的危險不在於一次性大量洩漏，而在於「trace by trace、correction by correction、eval by eval」這種幾乎無感、持續性的滲透。
### 四、洩漏的載體：exhaust
模型從「exhaust（尾氣／副產物）」中學習，作者明確點出三類載體：
- 人們寫的 **prompts**；
- agent 使用的 **tools**；
- 尤其是當模型出錯時，人們所做的 **corrections（修正）**。
每一次修正，都被蒸餾成機構知識（institutional know-how）——那種「競爭對手永遠買不到、卻會一點一滴洩漏」的知識。
### 五、你的智慧應該歸你：Hayek 的特定時空知識
作者援引 Hayek 的概念，主張你在使用 AI 的過程中，其實也在**創造**智慧：
> 「你在消耗智慧的同時，也在創造智慧。而你創造的，應該屬於你。」
這是「你的特定智慧（your particular intelligence）」——關於時間、地點、情境的知識，沒有別人能持有；它知道你想什麼、重視什麼、如何衡量成功。
### 六、對現況的諷刺與批評
作者對當前業界提出相當尖銳的批評：模型供應商主張對公開資料有公平使用權來訓練模型（這項偉大創新確實必要），但諷刺的是，他們**轉過頭來卻對「蒸餾」設下限制條款，並保留向客戶使用與互動資料學習的權利**。
> 「如果學習只往一個方向流動，經濟價值會向『學習基礎設施的擁有者』收斂，而非向『知識本身的創造者』收斂。」
因此作者主張：**必須把 learning infrastructure 分散到每家企業，讓他們控制自己的學習迴圈。**
### 七、信任邊界與 token capital
企業需要一道真正的 **trust boundary（信任邊界）**，讓「human capital 與 token capital 能夠複利累積」。這道邊界是組織的資料、traces、evals、調適後的權重與記憶共同累積與改善之處，而且是一道**硬邊界**——未經同意，什麼都不能跨越，連 intelligence exhaust 也不例外。
企業會主張：有權使用模型輸出來 fine tune／訓練自己的模型。作者將此稱為「每家企業將模型對齊到其企業問責義務的權利」。
### 八、對策：5C
作者用「雲端時代累積資料、AI 時代累積學習」做總結，並列出每家企業必須做的五件事（5C）：
- **Control（控制）**：建立私有 evals——因為 evals 定義了組織內部「什麼叫做好」。同時保留對記憶、traces、回饋、決策與機構情境的所有權，以及使用自己任務／查詢之模型輸出的能力。
- **Capability（能力）**：在租戶邊界（tenant boundary）內建立自有的專屬學習環境，用來訓練或微調模型，讓模型對真實工作流程學習，卻不暴露公司知識。
- **Choice（選擇）**：確保編排層（orchestration layer）與任何單一模型解耦。自問：若你正在用的任一個模型被抽走，你是否仍能用其他模型繼續運作並針對你的 evals 優化？你的「老兵（veteran）」能力是否即使某個「通才（generalist）」模型被抽走仍留在你身邊？
- **Cost（成本）**：透過解耦編排層，能用最有效率、最符合成本的方式整合 context、models 與 tasks，而不犧牲品質。
- **Compound（複利）**：把前四項結合起來，就創造出自己的持續學習迴圈（作者稱之「hill climbing machine」——爬山機），讓 AI 投資能為企業複利累積價值。
作者最後一句話收束全篇：
> 「一家公司應該能在不放棄讓自己獨一無二的知識的前提下，使用模型。這就是我們必須面對的反向資訊悖論。」
## 總結與結論
- **核心洞見 1：洩漏方向翻轉了**。Arrow 悖論的風險承擔者從「賣方」翻轉到 AI 時代的「買方」；企業的護城河命題從「保護資料」升級為「保護學習機制（corrections／evals／traces）」。
- **核心洞見 2：價值會向基礎設施擁有者收斂**。當學習單向流動，經濟價值收斂到「擁有學習基礎設施的人」而非「創造知識的人」——這是平台經濟學在 AI 時代的最新版本，也是企業為何必須自控學習迴圈的結構性原因。
- **架構建議 3：編排層必須與模型解耦（Choice）**。這是最關鍵、也最可立即行動的一條——任何架構若把商業邏輯綁死在單一模型上，就等於把「veteran capability」外包給了別人。驗證標準只有一個：「拔掉任一個模型，你還能跑嗎？」
- **架構建議 4：evals 即權力（Control）**。私有 evals 不只是測試工具，而是組織「什麼叫做好」的定義權；誰擁有 evals，誰就擁有對齊（alignment）的主導權，這正是 Nadella 所說「企業對齊到自身問責義務的權利」。
- **批判性提醒 5：留意作者的雙重身分**。Nadella 一邊批評「學習基礎設施擁有者」收斂價值，一邊代表的就是這類廠商；「把 learning infrastructure 分散到每家企業」的主張，本身高度契合混合雲／企業平台的商業利益。讀者應將 5C 視為合理的企業自保架構，同時對「分散式學習能否在品質上追得上集中式大模型」保持務實懷疑。
Obsidian 整理
原始文章
Prompt工程
GPT-5.6 Prompt 到底該怎麼寫？OpenAI 官方指南，一篇講透！
"GPT-5.6 不需要神級 prompt，你只需要把五件事說清楚：Context（背景）、Request（要什麼＋完成標準）、Output Format（怎麼交付）、Constraints（邊界與權限）、Checkpoint（何時續、何時停）。"
Top 5 Insights
- **核心洞見 1：GPT-5.6 把 prompt 工程從「過程控制」轉向「結果定義」**。模型已能判斷目標與工作量，舊式「角色＋多輪反思＋叮嚀」的隆重寫法過時；重心應放在「要什麼、怎樣算完成、哪些不能做、何時該停」。OpenAI 內部數據（Eval +10~15%、token −41~66%、成本 −33~67%）是最硬的佐證。
- **架構建議 2：CROCC（本文自訂詞）是四要素框架的中文實作版**。Context／Request／Output Format／Constraints／Checkpoint 五項，本質是 [[GPT-5.6 提示詞大師課]] 的 Outcome／Constraints／Evidence／Autonomy 中文重組——把 Outcome 拆成 Context＋Request、把 Autonomy 細化為 Checkpoint、補上 Output Format。兩篇同源、可互補。
- **架構建議 3：prompt 長度依任務複雜度四檔伸縮**。簡單（R+O）／普通（C+R+O）／複雜研究（全框架）／Agent（再補工具＋權限＋驗證命令），打破「越長越專業」的迷思——長度應跟著複雜度與風險走。
- **架構建議 4：模型／推理／Pro 三軸以實測為準**。預設 Terra＋medium；模型越強不代表越適合所有任務（Luna 能穩定做的就別上 Sol）；Pro Mode 只在邊際品質提升實際影響結果時開，並用同一批真實任務做 Standard vs Pro 對照。
- **方法論提醒 5：用「自檢五問」取代模板崇拜**。與其追求固定模板，不如每次寫完 prompt 用五個問題自檢（要什麼／算完成／不能猜／不能越界／何時停）——這比背誦任何框架都更能逼出 prompt 的真實缺口。引用 CROCC 一詞時宜標明為作者自訂、非 OpenAI 官方命名。
---
tags: [Prompt工程, GPT-5.6, OpenAI, AI工程, 模型指南]
date: 2026-07-13
read: false
source: "2026-07-13T100005+0800-GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！.md"
original_title: "GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！"
---
# GPT-5.6 Prompt 到底該怎麼寫？OpenAI 官方指南，一篇講透！
原始來源與檔名：2026-07-13T100005+0800-GPT-5.6 Prompt 到底该怎么写？OpenAI 官方指南，一篇讲透！.md
---
## SOURCE | 資訊源評估
- **準確性**：中高 — 作者 @RealCodedAlpha 自陳基於 OpenAI 官方 GPT-5.6 Model Guidance（developers.openai.com/api/docs/guides/latest-model）整理，並附官方原文連結；與同源的 @aiedge_ 譯作（[[GPT-5.6 提示詞大師課]]）核心數字一致（Eval +10%~15%、token −41%~66%、成本 −33%~67%），互為佐證。但作者自行發明的 CROCC 框架（Context／Request／Output／Constraints／Checkpoint）非官方命名，屬個人重組。
- **易理解性**：高 — 以中文讀者為目標，提供大量「舊 prompt vs 新 prompt」對照範例與一份完整的財報分析 prompt 範本，可直接複製使用。
- **閱讀策略建議**：把它當「官方指南的中文化實作版」——重點抓兩件事：(1)「舊 prompt 最該刪什麼」的五類清單（形容詞／重複規則／思考流程／無用角色／過多工具）；(2) CROCC 五要素框架與「依任務複雜度分四檔」的長度指南。CROCC 一詞為作者自訂，引用時宜標明出處。
## NAPKIN | 餐巾紙
### 餐巾紙公式
> 與其教 GPT-5.6「怎麼想」，不如說清「要什麼、怎樣算完成、哪些不能做、何時該停」
_GPT-5.6 更懂上下文與工作量，舊式「角色＋多輪反思＋叮嚀」的隆重 prompt 已過時；有效寫法是把重心從「過程控制」轉移到「結果定義＋邊界＋停止條件」。_
### 一句話
> GPT-5.6 不需要神級 prompt，你只需要把五件事說清楚：Context（背景）、Request（要什麼＋完成標準）、Output Format（怎麼交付）、Constraints（邊界與權限）、Checkpoint（何時續、何時停）。
### 餐巾紙草圖
```
┌──────────────────────────────────────────────
│ GPT-5.6 Prompt 新重心 — CROCC（本文自訂詞）
│
│ 舊：角色 → 分析 → 計畫 → 反思 → 叮嚀（過程控制）
│ ▼ 反轉
│ 新：背景 → 要什麼 → 交付 → 邊界 → 停止點（結果定義）
│
│ ┌────────────────────────────────
│ │ C Context 會改變結果的背景
│ │ R Request 目標＋任務＋完成標準
│ │ O Output Format 怎麼交付
│ │ C Constraints 來源／範圍／權限／禁止
│ │ C Checkpoint 續 vs 停的條件
│ └────────────────────────────────
│
│ 長度依任務複雜度：
│ 簡單 → R+O ／ 普通 → C+R+O ／ 複雜研究 → 全框架
│ Agent/Codex → 再補工具＋權限＋驗證命令
│
│ 模型 Sol/Terra/Luna × 推理 6 檔（預設 medium）
└──────────────────────────────────────────────
```
## ROUND 1: SKELETON | 骨架掃描
**「這篇文章在說什麼」**
- **核心問題**：面對 GPT-5.6，中文使用者到底該怎麼改寫現有 prompt？
- **核心答案**：GPT-5.6 更能理解你的最終目標與所需工作量，所以別再「教它怎麼思考」，改用 CROCC 框架說清「背景、要什麼＋完成標準、交付方式、邊界與權限、停止條件」；prompt 長度應跟著任務複雜度與風險走，而非為了「顯得高級」不斷變長。
- **論證結構**：對比＋清單型。先用「舊 vs 新」範例點出轉變，再用「該刪什麼」清單做減法，接著提出 CROCC 框架做加法，最後給完整範本與長度分檔指南。
### 章節骨架
1. **轉變**：少教怎麼想，多說要什麼
2. **刪減**：舊 prompt 最該刪的五類
3. **更短**：預設更短，但保留結論／證據／限制／下一步
4. **CROCC 框架**：背景／任務／交付／邊界／停止
5. **完整範例**：財報分析 prompt
6. **長度分檔**：簡單／普通／複雜／Agent 四檔
7. **模型選擇**：Sol／Terra／Luna
8. **推理強度**：六檔怎麼用
9. **Pro Mode**：何時值得開
## ROUND 2: DISSECTION | 血肉解剖
**「憑什麼這麼說」**
### 論證鏈
```
GPT-5.6 更懂上下文與所需工作量
▼
舊式「過程控制」prompt（角色/多輪反思/叮嚀）→ 冗長且無效
▼
實證：刪重複指令/無效範例/冗長工具說明 → Eval +10~15%、token −41~66%、成本 −33~67%
▼
做減法：刪五類（形容詞/重複規則/思考流程/無用角色/過多工具）
▼
做加法：CROCC 框架定義「要什麼＋邊界＋停止點」
▼
長度依任務複雜度四檔伸縮，模型/推理/Pro 按任務選
```
### 關鍵證據
1. **OpenAI 內部 Coding Agent 測試數據**：刪除重複指令、無效範例、冗長工具說明後，Eval 分數提高約 10%~15%、總 token 減少約 41%~66%、成本減少約 33%~67%——這組區間數字（比 @aiedge_ 的單點「+15%/−60%」更保守、給範圍）是「prompt 變短更好」的硬證據。
2. **「舊 vs 新」財報 prompt 對照**：舊版「請深入分析這家公司最新一季財報，判斷業績好不好，給投資建議」問題一堆（沒指明公司、無判斷標準、無資料來源、沒區分事實與推論、範圍過大）；改寫後用 CROCC 結構把「研究對象、要回答的問題、完成標準、可用資料、不可下的結論、交付格式、停止條件」全部講清——這個具體實體比任何抽象論述都更能示範框架價值。
3. **「重複規則反效果」的機制**：同一條權限規則寫兩遍不會更安全，反而可能讓模型在讀檔、查 log、跑測試這些正常操作前也停下來問——這與 [[GPT-5.6 提示詞大師課]] 的觀察完全一致，互相佐證。
### 隱形假設與邊界
- **隱形假設**：
- CROCC 五要素的「順序與切分」是普適的（實際上不同任務，要素重要性不同，例如創作類 Request 為主、合規類 Constraints 為主）。
- 使用者能寫出可驗證的「完成標準」——但這恰恰是多數人最弱的一環。
- **邊界條件（何時論點失效）**：
- 高合規場域仍需詳盡的過程與來源要求，「短」不能無條件套用。
- 「模型越強不代表越適合所有任務」——若 Luna 已能穩定做欄位抽取，換 Sol 只會增加成本，框架的「模型選擇」須以實測為準。
- 作者的「四檔長度」與 CROCC 命名為個人方法，非 OpenAI 官方，引用宜標明（本文自訂詞）。
## ROUND 3: SOUL | 靈魂提取
**「還能怎麼用」**
- **作者盲點**：CROCC 與「四檔長度」是作者把官方零散建議重組後的自創框架，但他陳述時與官方建議混在一起，讀者容易誤以為是 OpenAI 的正式命名（作者僅在文末說「下面這套結構，是我……重新整理出的中文實用框架」，強調不夠）。此外，全文以「研究／分析」任務為主要範例，對「創作型」「對話型」任務的適配著墨很少。
- **知識連接**：CROCC 本質是 [[GPT-5.6 提示詞大師課]] 四要素（Outcome／Constraints／Evidence／Autonomy）的中文重組版——把 Outcome 拆成 Context＋Request、把 Autonomy 細化為 Checkpoint、加入 Output Format。兩篇同源、可互補對照。它也呼應軟體工程的需求文件寫作：Context＝背景、Request＝使用者故事＋驗收標準、Constraints＝非功能性需求、Checkpoint＝釋放條件。
- **行動觸發**：拿作者結尾的「五個自問」當 prompt 自檢表——模型知道我要什麼嗎／知道怎樣算完成嗎／知道哪些資訊不能猜嗎／知道哪些操作不能越界嗎／知道什麼時候該停嗎；寫完任何一支 prompt，逐一打勾。
### 留白提問（Guided Reflection）
- 作者主張「模型越強，不代表越適合所有任務」——你現在的工作流裡，有多少任務其實是用 Sol 在做 Luna 就夠的事？你選模型的依據，是實測，還是「貴的比較好」的直覺？
- CROCC 把「Checkpoint（停止條件）」單列一項——這是否暗示，在 agent 時代，「知道什麼時候不該繼續」與「知道要做什麼」一樣重要？你給自己日常工作定的 checkpoint 是什麼？
### 跨域映射
- 在 **軟體需求工程**，CROCC 對應 **背景＋使用者故事＋驗收標準＋非功能需求＋釋放條件** 的組合。
- 在 **Prompt 工程**，這是 [[GPT-5.6 提示詞大師課]] 四要素框架的中文重組（本文自訂詞：CROCC）。
- 在 **專案管理**，Checkpoint 即 **stage gate／definition of done**。
## DEEP READ | 精讀指引
> [!IMPORTANT]
> 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。
1. **「二、舊 Prompt 最先應該刪掉什麼？」整段**：作者把「該刪的」分成五類（無法驗證的形容詞／重複出現的規則／不必要的思考流程／無實際作用的專家角色／只保留當前任務需要的工具），每一類都給原文範例與「為什麼該刪」的機制，是全文最具操作性的減法清單。
2. **「四、一套適合中文用戶的 Prompt」＋「五、Prompt 完整示例」**：CROCC 五要素的定義＋一份完整的財報分析 prompt 範本（從 Context 到 Checkpoint 全展開），這段是全文資訊密度最高、最值得複製到自己範本庫的實體；讀原文能感受到「把抽象框架落到可貼上程式碼」的阻力。
3. **「六、不同任務，Prompt 應該寫多長？」四檔段**：簡單（R+O）／普通（C+R+O）／複雜研究（全框架）／Agent（再補工具＋權限＋驗證），這個「長度依複雜度伸縮」的分法，比「一律寫短」或「一律寫長」都更實用，是打破「prompt 越長越專業」迷思的關鍵。
## STRUCTURE MAP | 全書結構圖
```
┌──────────────────────────────────────────────
│ GPT-5.6 Prompt 中文實作 — 結構
│
│ 轉變：少教「怎麼想」 → 多說「要什麼」
│ ▼
│ ┌─ 做減法（刪五類）──────────────
│ │ 形容詞 / 重複規則 / 思考流程 / 無用角色 / 過多工具
│ └────────────────────────────────
│ ▼
│ ┌─ 做加法（CROCC，本文自訂詞）──
│ │ Context 會改變結果的背景
│ │ Request 目標＋任務＋完成標準
│ │ Output Format 交付方式
│ │ Constraints 來源/範圍/權限/禁止
│ │ Checkpoint 續 vs 停
│ └────────────────────────────────
│ ▼
│ 長度四檔：簡單(R+O) / 普通(C+R+O) / 複雜(全) / Agent(+工具權限驗證)
│ ▼
│ 模型 Sol/Terra/Luna ＋ 推理 6 檔（預設 medium）＋ Pro Mode（困難才開）
│
│ 自檢五問：要什麼？算完成？不能猜？不能越界？何時停？
└──────────────────────────────────────────────
```
---
# GPT-5.6 Prompt 到底該怎麼寫？OpenAI 官方指南，一篇講透！ (Architectural Deep Dive)
## 前言/背景
本文作者 @RealCodedAlpha 要解決的核心問題是：**OpenAI 發布了 GPT-5.6 的官方使用指南，但中文使用者不必自己啃英文文件——如何把官方指南重新整理成一套適合中文使用者、能直接拿來改寫現有 prompt 的實用方法？** 全文的核心主張是：GPT-5.6 更能理解你的最終目標與所需工作量，所以舊式「先給角色、再規定分析／計畫／反思、最後叮嚀深入思考」的隆重寫法已過時；有效寫法是把重心從「過程控制」轉到「結果定義＋邊界＋停止條件」。
## 章節詳細總結
### 一、GPT-5.6 到底改變了什麼
OpenAI 官方指南提到，GPT-5.6 更擅長從上下文判斷使用者的真實目標與任務所需工作量，這意味著你通常不再需要把每一步執行流程都提前寫出來。
以前我們常這樣寫：
```plaintext
你是一位擁有二十年經驗的資深研究專家。
請先理解問題，再制定詳細計畫。
從多個角度進行三輪分析。
模擬不同專家提出反對意見。
完成後重新反思和檢查。
```
這段 prompt 很長，但模型仍然不知道你最後要什麼！換成下面這樣反而更清楚：
```plaintext
分析這家公司最近一個季度的業績。
最終回答：
1. 收入和利潤分別由什麼驅動
2. 哪些增長屬於一次性因素
3. 管理層指引發生了什麼變化
4. 哪些風險可能改變當前結論
所有數字註明來源。
區分事實、推論和判斷。
無法確認的資訊明確標記。
```
第二個版本沒有規定模型必須思考幾輪，卻把真正影響結果的內容寫清楚了。OpenAI 的建議是**減少不必要的過程控制，同時繼續保留背景、硬性限制、權限邊界和完成標準**。
**Prompt 變短，真的會更好嗎？** OpenAI 在一組內部 Coding Agent 測試裡發現，減少重複指令、無效範例和冗長工具說明後：
- Eval 分數提高約 **10%~15%**
- 總 token 減少約 **41%~66%**
- 成本減少約 **33%~67%**
這些數字不代表每個任務都會得到同樣結果，但至少說明一件事：**Prompt 寫得更長，並不等於模型會做得更好。** 真正穩妥的做法是：先刪一組重複規則、跑原來的測試、再刪無效範例、繼續跑同一組測試、再縮短工具說明、重新比較——每次只改一類內容，才知道究竟是哪項調整帶來了改善。
### 二、舊 Prompt 最先應該刪掉什麼
1. **刪除無法驗證的形容詞**——例如「請深入、全面、專業、嚴謹地分析這個問題。認真檢查，不要遺漏任何重要內容。」「深入」可能代表多寫一些內容，也可能代表分析底層原因、補充反例、核查數據或說明風險，模型只能猜。
2. **刪除重複出現的規則**——例如「先問我，不要修改，等待批准，未經允許不能執行。遇到不確定情況先確認，不要擅自修改。」同一條規則寫兩遍不會讓任務更安全，反而可能帶來反效果：模型在讀取檔案、檢查 log、跑測試這些正常操作前，也會不斷停下來詢問。OpenAI 官方建議：**每條權限規則只寫一次，並明確列出哪些本地安全操作可以直接執行。**
3. **刪除不必要的思考流程**——例如「請進行三輪深度反思、模擬五位專家互相討論、提出三個方案再逐一反駁、展示完整思考過程。」對大部分任務，這些流程只會讓 prompt 更長。
4. **刪除沒有實際作用的專家角色**——例如「你是一位世界頂級、擁有二十年經驗的跨學科專家。」如果角色不會影響判斷角度、語言、重點或驗收標準，就可以刪除。
5. **只保留當前任務需要的工具**——如果一個 agent 有二十個工具，而當前任務只需要搜尋、讀取檔案和計算，就沒必要把二十個工具全部暴露給模型。工具越多，模型要做的選擇越多，工具說明本身也會佔用上下文。OpenAI 建議只保留當前任務真正相關的工具，並讓工具描述保持簡潔、明確。
### 三、GPT-5.6 預設回答更短，Prompt 也要跟著調整
OpenAI 官方也給出類似思路：短答案仍應保留**結論、證據、重要限制和下一步**，優先刪掉重複、次要背景和通用安慰。推薦寫法不是單純要求「短」，而是告訴模型哪些內容必須保留、哪些可以優先刪除：
- 先給結論
- 必須保留：支持結論的核心證據、會改變結論的重要限制、下一步行動
- 優先刪除：通用開場、重複總結、次要背景、空泛提醒
這樣模型知道精簡的優先級；GPT-5.6 預設比 GPT-5.5 更簡潔。
### 四、一套適合中文使用者的 Prompt（CROCC，本文自訂詞）
OpenAI 官方沒有規定所有 prompt 必須用某個固定模板。下面這套結構，是作者根據官方關於背景、目標、完成標準、輸出、權限和停止條件的建議，重新整理出的中文實用框架：
**Context、Request、Output Format、Constraints、Checkpoint**
對應中文：背景、任務與完成標準、交付方式、邊界與權限、停止條件。它是一套更適合中文使用者、研究任務、agent 與 Codex 場景的組織方式。
**Context：完成任務必須知道什麼**——只放會改變結果的資訊，通常包括：目標讀者、輸入資料、時間範圍、技術棧、專案當前狀態、已完成的步驟、已知事實。例如：
```
Context：這篇文章面向已經使用過 ChatGPT，但還不熟悉 API 和 Agent 的中文使用者。資料截止日期為 2026-07-11。
```
這兩句話會直接影響內容深度和事實範圍。
**Request：最後要什麼，怎樣才算完成**——是整份 prompt 最重要的部分，應同時包含：最終目標、具體任務、完成標準。例如：
```
Request：寫一篇幫助普通使用者理解 AI Agent 的入門指南，需要回答：
1. 哪些任務適合使用 Agent
2. Tool Calling 解決什麼問題
3. 為什麼需要權限邊界
4. 如何搭建一個最小工作流
完成標準：
1. 當前產品資訊使用官方來源核實
2. 提供一個可以直接複製的範例
3. 區分事實、推論和實踐建議
4. 說明外部寫入和人工確認風險
```
**Output Format：最後怎樣交付**——例如：
```
Output Format：
- 簡體中文 Markdown
- 2000~2500 字
- 先給結論，再給步驟
- 只在需要比較時使用表格
- 程式碼必須可以直接複製
- 引用放在對應事實之後
```
規定輸出的格式必須是 markdown 形式的文件。
**Constraints：事實、範圍和權限**——不只是「不能做什麼」，還要說明：資訊可以來自哪裡、哪些內容不能猜、任務做到什麼範圍、哪些操作可以直接執行、哪些操作必須先確認。
**Checkpoint：什麼時候繼續，什麼時候停止**——用來解決兩個常見問題：模型遇到任何小問題都停下來問；模型遇到高風險情況仍然繼續執行。例如：
```
Checkpoint：普通措辭、結構和實作選擇無需確認
遇到以下情況停止：
- 關鍵事實無法核實
- 官方資料存在會改變結論的衝突
- 任務必須擴大範圍才能完成
- 工具連續失敗兩次
- 操作會產生外部寫入或不可逆影響
```
這樣，模型可以在安全範圍內持續工作，又不會擅自越過重要邊界。
### 五、Prompt 完整範例
原始 prompt：
```plaintext
請深入分析這家公司最新一季財報，
判斷業績好不好，並給出投資建議。
```
問題很明顯：沒說研究哪家公司、「業績好不好」沒判斷標準、沒規定資料來源和截止日期、沒區分事實與推論與觀點、「投資建議」範圍過大、不知道最終結果該如何交付。
改寫後（完整 CROCC 範本）：
```markdown
# Context
我要研究一家美股公司的最新季度業績。
目標讀者是了解基礎財務指標、但不是專業分析師的中文投資者。
研究資料截止日期為 2026-07-11。
# Request
分析該公司最新季度財報，並回答：
1. 收入、毛利率和營業利潤分別發生了什麼變化
2. 主要增長來自核心業務，還是一次性因素
3. 管理層對下一季度和全年的指引是否發生變化
4. 實際結果與市場預期存在哪些主要差異
5. 哪些因素可能改變當前判斷
完成標準：
- 關鍵數字來自公司財報、股東信或 Earnings Call
- 區分公司披露的事實、根據數據作出的推論和實踐判斷
- 說明仍無法確認的問題
- 不提供確定性的買入或賣出建議
- 不根據單個季度直接推斷長期趨勢
# Output Format
使用簡體中文 Markdown。
結構：
1. 一句話結論
2. 關鍵數據表
3. 業績增長驅動
4. 管理層指引
5. 主要風險
6. 仍需跟蹤的指標
控制在 2000 字以內。
# Constraints
- 優先使用公司官方財報、股東信、SEC 文件和 Earnings Call
- 所有時效性數據註明來源和報告期
- 不虛構市場預期、分析師觀點或財務數字
- 證據不足時明確標記「不確定」
- 不提供目標價和確定性交易建議
- 不擴展到與本季度業績無關的長期行業報告
# Checkpoint
普通內容取捨無需確認。
遇到以下情況停止並說明：
- 無法確認最新報告期
- 公司披露的數據互相衝突
- 缺少回答核心問題所需的財務文件
- 某項結論只能依賴未經核實的第三方數據
```
這份 prompt 沒有要求 AI 模擬分析師團隊，也沒有規定必須進行幾輪反思；它只是把真正影響結果的資訊寫清楚了：研究對象和目標讀者、需要回答的問題、怎樣才算完成、可以使用哪些資料、哪些結論不能隨便下、最終結果怎麼交付、證據不足時什麼時候停止。
### 六、不同任務，Prompt 應該寫多長
沒有一個固定長度適合所有任務，作者簡單分成四檔：
- **簡單任務**：只需要 Request + Output Format。例如「把下面這段中文改成自然的商務英文，保留原意，語氣專業但不要過度正式，只輸出改寫結果」——不需要角色、權限和 Checkpoint。
- **普通任務**：Context + Request + Output Format。例如「這段內容面向第一次使用 Codex 的中文使用者，請重寫成一篇 1000 字以內的入門說明……使用自然中文和 Markdown」。
- **複雜研究**：使用完整結構框架，因為複雜研究通常涉及：多個資料來源、當前事實、時間範圍、不確定性、複雜結論、明確的交付標準。
- **Agent 或 Codex**：在框架基礎上補充：允許使用的工具、可以直接執行的操作、必須確認的操作、允許修改的目錄、禁止修改的範圍、驗證命令、重試上限、最終報告內容。
Prompt 的長度應該跟著任務複雜度和風險增加，而不是為了顯得高級不斷變長。
### 七、Sol、Terra 和 Luna 怎麼選
OpenAI 將 Sol 定位為旗艦能力、Terra 用於平衡智慧與成本、Luna 面向高效高併發工作。API 中的 gpt-5.6 alias 當前會指向 gpt-5.6-sol。不知道怎麼選，可以先這樣判斷：任務困難、錯誤代價高 → 先用 Sol；大部分日常任務 → 先測試 Terra；任務簡單、數量很大 → 測試 Luna。**模型越強，不代表越適合所有任務**——如果 Luna 已經能穩定完成欄位抽取，換成 Sol 通常只會增加成本。
### 八、推理應該開多少
GPT-5.6 支援六檔推理：none、low、medium、high、xhigh、max。
- none／low：適合簡單問答、翻譯、分類、格式轉換、延遲敏感任務
- medium：適合大多數 coding、研究、分析和 agent 任務
- high／xhigh：適合複雜 debug、架構、多約束分析
- max：適合最困難、品質優先、且測試證明有收益的任務
OpenAI 建議把 medium 作為平衡起點、low 用於延遲敏感工作；只有測到明顯品質提升時，才使用 high 或 xhigh；max 應留給最困難、品質優先的任務。
### 九、Pro Mode 什麼時候值得用
Pro Mode 與 Reasoning Effort 是兩個不同設定：Reasoning Effort 決定當前模式下的推理強度，Pro Mode 會讓模型在返回最終答案前投入更多整體工作。它更適合：困難優化、高價值程式碼審查、深度分析、錯誤代價較高的任務、有明確 Eval 標準的任務。通常不適合預設用於：日常問答、高併發請求、延遲敏感任務、沒有清晰驗收標準的工作。OpenAI 建議，只有當任務確實困難、而且邊際品質提升會實際影響結果時，才開啟 Pro；Standard 與 Pro 應使用同一批真實任務比較完成率、證據、token、延遲和成本。Pro 可與 Sol、Terra 或 Luna 組合使用，也可獨立選擇 Reasoning Effort。
### 最後：自檢五問
GPT-5.6 不需要一種全新的「神級 prompt」，你真正需要調整的是 prompt 的重心。過去我們花很多篇幅規定模型應該怎樣工作；現在更有效的方式是把下面五件事說清楚：Context（完成任務必須知道什麼）、Request（最後要得到什麼、怎樣才算完成）、Output Format（最終結果如何交付）、Constraints（事實、範圍、權限和禁止事項）、Checkpoint（什麼時候可以繼續、什麼時候必須停止）。
下一次寫完 prompt，檢查五個問題：模型知道我要什麼嗎？模型知道怎樣才算完成嗎？模型知道哪些資訊不能猜嗎？模型知道哪些操作不能越界嗎？模型知道什麼時候應該停下來嗎？這五個問題都能回答清楚，這份 prompt 通常就已經夠用了。
## 總結與結論
- **核心洞見 1：GPT-5.6 把 prompt 工程從「過程控制」轉向「結果定義」**。模型已能判斷目標與工作量，舊式「角色＋多輪反思＋叮嚀」的隆重寫法過時；重心應放在「要什麼、怎樣算完成、哪些不能做、何時該停」。OpenAI 內部數據（Eval +10~15%、token −41~66%、成本 −33~67%）是最硬的佐證。
- **架構建議 2：CROCC（本文自訂詞）是四要素框架的中文實作版**。Context／Request／Output Format／Constraints／Checkpoint 五項，本質是 [[GPT-5.6 提示詞大師課]] 的 Outcome／Constraints／Evidence／Autonomy 中文重組——把 Outcome 拆成 Context＋Request、把 Autonomy 細化為 Checkpoint、補上 Output Format。兩篇同源、可互補。
- **架構建議 3：prompt 長度依任務複雜度四檔伸縮**。簡單（R+O）／普通（C+R+O）／複雜研究（全框架）／Agent（再補工具＋權限＋驗證命令），打破「越長越專業」的迷思——長度應跟著複雜度與風險走。
- **架構建議 4：模型／推理／Pro 三軸以實測為準**。預設 Terra＋medium；模型越強不代表越適合所有任務（Luna 能穩定做的就別上 Sol）；Pro Mode 只在邊際品質提升實際影響結果時開，並用同一批真實任務做 Standard vs Pro 對照。
- **方法論提醒 5：用「自檢五問」取代模板崇拜**。與其追求固定模板，不如每次寫完 prompt 用五個問題自檢（要什麼／算完成／不能猜／不能越界／何時停）——這比背誦任何框架都更能逼出 prompt 的真實缺口。引用 CROCC 一詞時宜標明為作者自訂、非 OpenAI 官方命名。
Obsidian 整理
原始文章
Prompt工程
GPT-5.6 提示詞大師課 (Prompting Masterclass by OpenAI)
"GPT-5.6 更聰明也更省 token，所以你該寫更短的提示——只講清楚「要什麼結果、不能碰什麼、怎樣算完成、哪些可自行決定」，其餘交給模型。"
Top 5 Insights
- **核心洞見 1：GPT-5.6 把「提示工程」從加法變成減法**。模型已能自行判斷目標與投入程度，舊打法（冗長系統提示、反覆叮嚀、強迫模板）從「有幫助」變成「可能有害」；OpenAI 內部評測的「+15% 評分、−60% token」是這個轉向最硬的證據。
- **核心洞見 2：「重複警告」會反噬**。在提示中反覆寫「先詢問／不得修改／等待批准」，會讓模型對安全且預期的操作也停下來問——這解釋了許多人「模型怎麼變得那麼愛問」的困惑，解法是用一條清楚的授權邊界取代多條重複警告。
- **架構建議 3：四要素 prompt 框架可直接套用**。Outcome／Constraints／Evidence／Autonomy 這四項，加上「回答類 vs 變更類」的授權分句，是一份能立刻貼進系統提示的範本；關鍵是把「教模型怎麼想」換成「告訴模型要什麼、不能碰什麼、怎樣算完成」。
- **架構建議 4：模型／推理／Pro 三軸按任務調**。預設 Terra + Medium；只有任務明確困難時才升 Sol／High／xHigh／Max，且 Pro Mode 要獨立評估（邊際品質提升是否值額外成本）。Max 應保留為「最後手段」。
- **營運提醒 5：注意成本與遷移地雷**。cache writes 以 1.25 倍計費會改變提示快取的經濟模型；GPT-5.4 於 7/23 退役、舊 5.5 prompt 可能無法乾淨遷移——這兩點決定了「現在就要動」的時程，而非「之後再說」。
---
tags: [Prompt工程, GPT-5.6, OpenAI, AI工程, 模型指南]
date: 2026-07-13
read: false
source: "2026-07-13T095946+0800-GPT-5.6 Prompting Masterclass (by OpenAI).md"
original_title: "GPT-5.6 Prompting Masterclass (by OpenAI)"
---
# GPT-5.6 提示詞大師課 (Prompting Masterclass by OpenAI)
原始來源與檔名：2026-07-13T095946+0800-GPT-5.6 Prompting Masterclass (by OpenAI).md
---
## SOURCE | 資訊源評估
- **準確性**：高 — 本文為 @aiedge_ 對 OpenAI 官方 GPT-5.6 Model Guidance（developers.openai.com/api/docs/guides/latest-model）的轉譯整理，並附上官方原文連結供核驗；關鍵數據（提示詞變短→評分 +15%、token −60%）雖標註為「OpenAI 內部評測」，但屬官方單方面說法。
- **易理解性**：高 — 作者刻意把開發者文件改寫成「大白話版本」，結構清楚（變化／如何提示／新功能／框架／注意事項），附可直接套用的 prompt 模板。
- **閱讀策略建議**：先記住一個反直覺結論——「對 GPT-5.6，少即是多（less is more），過度工程化的提示詞反而有害」；再把第 IV 部分的「四要素 prompt 框架（Outcome / Constraints / Evidence / Autonomy）」與第 V 部分的「注意事項（cache writes 1.25x、GPT-5.4 七月退役）」當作落地清單；建議對照 OpenAI 官方原文核對數字。
## NAPKIN | 餐巾紙
### 餐巾紙公式
> 對 GPT-5.6：短提示 ＋ 清楚授權邊界 ＋ 具體指令 ＞ 冗長的系統提示
_OpenAI 內部評測發現，把冗長明確的系統提示換成精簡提示，評分 +15%、token −60%；模型已能自行判斷目標與投入程度，過度工程化的提示反而觸發不必要的權限檢查。_
### 一句話
> GPT-5.6 更聰明也更省 token，所以你該寫更短的提示——只講清楚「要什麼結果、不能碰什麼、怎樣算完成、哪些可自行決定」，其餘交給模型。
### 餐巾紙草圖
```
┌──────────────────────────────────────────────
│ GPT-5.6 提示詞 — 新正規
│
│ 舊模型：提示要長、要詳盡、反覆叮嚀
│ ▼ (反向)
│ GPT-5.6：提示要短、邊界要清、指令要具體
│
│ 高品質 prompt 四要素：
│ ┌────────────────────────────
│ │ 1. Outcome 「完成」長什麼樣
│ │ 2. Constraints 審批邊界、不可碰、範圍
│ │ 3. Evidence 用什麼證據/格式確認正確
│ │ 4. Autonomy 不必先問即可做哪些
│ └────────────────────────────
│
│ 模型 Sol/Terra/Luna × 推理 6 檔 × Pro Mode
│ 預設：Terra + Medium，困難才升 Sol/High/Max
└──────────────────────────────────────────────
```
## ROUND 1: SKELETON | 骨架掃描
**「這篇文章在說什麼」**
- **核心問題**：面對新一代 GPT-5.6，要怎麼寫提示詞才能讓它發揮 10 倍效率？
- **核心答案**：GPT-5.6 更懂意圖、預設回答更短、token 更省，所以提示詞要反過來做「減法」——用更短的提示、用清楚的權限邊界取代反覆警告、用具體指令取代模糊要求；過度工程化的提示現在更可能幫倒忙。
- **論證結構**：演繹＋清單型。先講模型變化（為什麼舊打法失效），再給「如何正確提示」的五條原則，接著列新功能，最後給一套可複用的 prompt 框架與注意事項。
### 章節骨架
1. **七大變化**：token 效率／懂意圖／回答更短／設計力／新推理／PTC／多智能體
2. **如何正確提示**：更短／定義授權／避免泛泛／語氣／輕量結構
3. **新功能**：Pro Mode／ChatGPT Work／GPT-Live／新推理強度／Hosted Sites
4. **最佳提示框架**：選模型→設推理→判 Pro→四要素建 prompt→再精簡
5. **注意事項**：cache 貴／PTC 適用時機／Pro 成本／Sites 即生產／5.4 退役／舊 prompt 遷移
## ROUND 2: DISSECTION | 血肉解剖
**「憑什麼這麼說」**
### 論證鏈
```
GPT-5.6 更懂意圖、預設更短、token 更省
▼
舊打法（冗長系統提示、反覆叮嚀）→ 多餘甚至有害
▼
實證：精簡提示 vs 冗長提示 → 評分 +15%、token −60%
▼
新原則：短提示 + 清楚授權邊界（取代反覆警告）+ 具體指令
▼
落地：四要素框架（Outcome/Constraints/Evidence/Autonomy）
▼
搭配：模型(Sol/Terra/Luna) × 推理(6檔) × Pro Mode 按任務選
```
### 關鍵證據
1. **+15% / −60% 的內部評測**：OpenAI 內部評測發現，把冗長明確的系統提示換成精簡提示，評分提升約 15%，同時總 token 減少 60% 以上——這是「提示要變短」最硬的證據。
2. **「重複警告會觸發不必要權限檢查」**：在提示中反覆寫「先詢問」「不得修改」「等待批准」，反而可能讓模型對安全且預期中的操作也停下來問——這解釋了「為什麼反覆叮嚀會幫倒忙」的機制。
3. **語氣指令失效的對照**：對 GPT-5.6 說「更友善」「更有同理心」幾乎沒有明顯改善；改成具體描述（「直接但得體、必要時具體指出阻礙、避免套話式安慰」）才有效——證明「具體 > 模糊」。
### 隱形假設與邊界
- **隱形假設**：
- OpenAI 的「+15%/−60%」內部評測結果，可類推到使用者的真實任務（實際上不同任務領域差異可能很大）。
- 使用者能準確寫出「Outcome／Constraints／Evidence／Autonomy」——但許多人最難的正是講清楚「完成長什麼樣」。
- **邊界條件（何時論點失效）**：
- 高合規、高風險場域（醫療、金融、法律）仍需要明確、詳盡的邊界聲明，「短提示」不能無條件套用。
- 「反覆叮嚀有害」的前提是模型真的懂上下文；若任務極度陌生或領域特殊，適度的明確指示仍必要。
- cache writes 改為 1.25 倍未快取輸入費率，代表對「首次寫入 cache」的使用者，成本結構變貴——短提示的省 token 紅利可能被 cache 成本部分抵銷。
## ROUND 3: SOUL | 靈魂提取
**「還能怎麼用」**
- **作者盲點**：通篇把「模型變聰明」當成既成事實，但「更懂意圖」的程度在不同任務上差異極大；作者也沒有提示「短提示」在少樣本（few-shot）或需要嚴格輸出格式的場景下可能不夠。此外，「+15%/−60%」是平均數，個別任務可能反向（變短反而變差），作者未提醒讀者自行做 A/B 驗證。
- **知識連接**：這與 [[GPT-5.6 提示詞大師課]] 相關的核心觀念——「prompt 即控制流的宣告，而非思考流程的劇本」——在 Agent 架構、Claude Code skill 設計、以及 Anthropic 對 Claude 系列的 prompt 指南中是同一條主線：把「教模型怎麼想」讓位給「告訴模型要什麼、不能做什麼」。
- **行動觸發**：把你現有最長的那支系統提示，做一次「刪減實驗」——刪一類重複規則→跑測試→刪無效範例→再跑→縮短工具說明→再比對，每次只改一類，找出真正有貢獻的部分。
### 留白提問（Guided Reflection）
- 如果「反覆叮嚀模型要小心」反而會讓它在安全操作前也停下來問你，那麼你過去寫的那些「嚴禁…務必…不可…」，究竟是在保護結果，還是在安撫你自己的焦慮？
- 當模型強到「你只要說清目標與邊界，它自己會找路」，你作為使用者的核心價值，是會從「會寫很長的提示」轉移到「能講清楚成功的定義」嗎？後者其實是更難的能力。
### 跨域映射
- 在 **Prompt 工程**，這叫 **宣告式優於命令式提示（declarative over imperative prompting）**。
- 在 **Agent 架構**，這對應 **授權邊界／autonomy policy 的顯式宣告**。
- 在 **專案管理**，這等同 **定義「完成」（Definition of Done）勝過微觀管理執行步驟**。
## DEEP READ | 精讀指引
> [!IMPORTANT]
> 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。
1. **第 II 部分「Use Shorter Prompts」**：原文給出「+15% 評分、−60% token」的內部評測數字，這是整篇「提示要做減法」主張的硬支點；建議同時回 OpenAI 官方文件核對這組數字的適用範圍。
2. **第 IV 部分「Build the Prompt」四要素模板**：Outcome / Constraints / Evidence / Autonomy 的組合，附了一段可直接套用的 prompt 原文（含「回答類 vs 變更類」的授權分句），這是全文最值得複製到自己範本庫的實體。
3. **第 V 部分「Caveats」**：cache writes 1.25 倍計費、PTC 不是萬靈丹、Pro Mode 更貴、Sites 部署網址即生產、GPT-5.4 七月 23 日退役、舊 5.5 prompt 可能無法乾淨遷移——這六條是「知道才不會踩雷」的營運細節，讀原文能感受到每一條背後都是真實的帳單與遷移痛。
## STRUCTURE MAP | 全書結構圖
```
┌──────────────────────────────────────────────
│ GPT-5.6 提示詞大師課 — 結構
│
│ I. 模型變化（為何舊打法失效）
│ ├ token 效率↑ / 懂意圖↑ / 回答預設更短
│ ├ 設計與前端判斷↑
│ ├ 新推理 max + Pro Mode
│ ├ Programmatic Tool Calling (PTC)
│ └ 多智能體協作 (beta)
│ ▼
│ II. 如何正確提示（五原則）
│ ├ 1. 用更短的提示 ← 最大調整
│ ├ 2. 清楚定義自主權與權限（勿重複警告）
│ ├ 3. 避免泛泛指令（用具體優先級）
│ ├ 4. 語氣要具體，別說「更友善」
│ └ 5. 結構輕量化
│ ▼
│ III. 新功能：Pro Mode / Work / GPT-Live / 6檔推理 / Sites
│ ▼
│ IV. 最佳框架：選模型 → 設推理 → 判 Pro → 四要素 → 再精簡
│ 四要素 = Outcome + Constraints + Evidence + Autonomy
│ ▼
│ V. 注意事項：cache 1.25x / PC 慎用 / Pro 貴 / Sites 即生產
│ / 5.4 7/23 退役 / 舊 prompt 需重寫
└──────────────────────────────────────────────
```
---
# GPT-5.6 提示詞大師課 (Prompting Masterclass by OpenAI) (Architectural Deep Dive)
## 前言/背景
本文是 @aiedge_ 對 OpenAI 官方《GPT-5.6 Model Guidance》的白話轉譯，要解決的核心問題是：**新一代 GPT-5.6 模型家族在行為上發生了根本變化（更懂意圖、預設更短、token 更省），因此沿用舊模型「寫長、寫詳盡、反覆叮嚀」的提示打法，不但不再帶來收益，反而可能傷害表現。** 文章給出一套「做減法」的新提示正規、一套可複用的四要素 prompt 框架，以及一系列營運層級的注意事項。
## 章節詳細總結
### I：GPT-5.6 有哪些變化
在動任何提示詞之前，先理解模型的根本性變化：
1. **token 效率顯著提高**：GPT-5.6 用比以往更少的輸出 token，就能達到前沿（frontier）水準的效能。
2. **更懂你的意圖**：即使你不把每一步都寫清楚，GPT-5.6 也能推斷出你的真正目標，以及完成任務所需投入的合理程度。你仍須明確說明限制條件、授權邊界與成功標準，但不再需要事無鉅細地引導。
3. **預設回答更短**：這是最大的行為變化之一。GPT-5.6 整體回答比以往更短——通用式開場更少、推測性分支更少、列表更精簡、答案與其推理之間的重複更少。
4. **設計與前端判斷力增強**：能產出更精緻、實用的網站與應用，在布局、視覺層級與設計判斷上明顯提升。
5. **新的推理與執行模式**：新增 **max** 推理強度（在 xhigh 之上），適合最困難的任務；並推出全新的 **Pro Mode**。
6. **工具呼叫有了新的執行路徑**：GPT-5.6 可以自行撰寫並執行輕量級程式，用來呼叫工具、處理結果、過濾中間輸出，這稱為**程式化工具呼叫（Programmatic Tool Calling, PTC）**。
7. **多智能體協作（beta）**：單一個 GPT-5.6 實例現在可以平行協調多個子智能體並整合結果，類似 Codex 的 ultra 模式。
### II：如何正確地為 GPT-5.6 撰寫提示詞
1. **使用更短的提示詞**——這是你最需要做出的調整。OpenAI 內部評測發現，用精簡提示取代冗長明確的系統提示，評分提高約 **15%**，同時總 token 減少 **60% 以上**。
2. **明確定義自主權與權限**——GPT-5.6 可以主動且持續地推進任務，因此你要清楚說明希望模型在哪裡停止、實際有權執行哪些操作。
- **重要提醒**：不要在提示中反覆寫「先詢問」「不得修改」「等待批准」。重複反而會觸發不必要的權限確認，即使是安全且預期中的操作，模型也可能停下來問。
3. **避免泛泛的指令**——改用能體現優先級的指令，讓模型明白你的核心目標。
- **範例**：希望回答更短，不要說「簡短一點」，而要說「先給出結論」。
4. **語氣**——告訴 GPT-5.6「更友善」「更有同理心」不會帶來明顯改善；這類泛泛的親和力指令已不像舊模型那樣有效。改成具體描述：
```text
"Be direct and tactful. Acknowledge friction specifically when relevant. Avoid canned reassurance and unnecessary sign-offs."
（直接但得體。必要時具體指出問題帶來的阻礙。避免套話式安慰與多餘的結語。）
```
5. **保持輕量化結構**——GPT-5.6 適合少量且針對具體任務的結構（一個輕量級大綱），而不是強迫每次回答都遵循完整模板。只有當你自己的測試證明某項約束確實必要時，才加入。
> **太長不看版**：對 GPT-5.6 來說，少即是多。提示要更短、用清楚的權限邊界取代反覆警告、用具體要求取代模糊指令。如今，過度工程化提示詞更可能帶來負面效果。
### III：新功能
1. **Pro Mode**：適用於任何 GPT-5.6 模型（Sol、Terra、Luna）與其支援的任一推理強度。你不需要切換到單獨的「Pro」模型，只要保留現有模型選擇、在上面疊加 Pro Mode 設定即可。
2. **ChatGPT Work**：OpenAI 直接對標 Claude Cowork 的產品。Work 模式獨立於一般 ChatGPT 對話，用來自動化你所在行業的真實工作流程。
3. **GPT-Live**：OpenAI 新一代進階語音提示，支援更流暢的對話、即時語言翻譯等。
4. **新的推理強度**：GPT-5.6 支援六檔——None、Low、Medium、High、xHigh、Max。新增的是 **Max**，位於 xhigh 之上，適合最複雜的任務。可在 ChatGPT 的模型選擇器中直接調整。
5. **Hosted Sites（託管站點）**：分享想法的新方式，透過網頁版 ChatGPT Work、或桌面應用的 Work／Codex 模式使用。
### IV：GPT-5.6 的最佳提示框架
綜合上述原則，適用於大多數提示的框架：
**第 1 步：選模型**——三個等級：
- **Sol**：用於最困難的任務
- **Terra**：日常主力
- **Luna**：最快最便宜，為高吞吐工作負載打造
**第 2 步：設推理強度**：
- None／Low：基礎提示
- Medium：預設（涉及 MCP 呼叫、API 呼叫等）
- High／xHigh：複雜任務
- Max：最後手段（極度複雜的工作）
**第 3 步：判斷是否需要 Pro Mode**——獨立於推理強度，只在品質的邊際提升確實重要時使用。
**第 4 步：建構提示**——每條高品質 GPT-5.6 prompt 有四個組成：
1. **Outcome（結果）**：完成實際長什麼樣
2. **Constraints（約束）**：審批邊界、不可發生的事、範圍
3. **Evidence／success criteria（證據／成功標準）**：用什麼證據或格式確認正確
4. **Autonomy policy（自主權策略）**：模型可不必先問就做哪些事
組合起來如下：
```text
"Goal: [the outcome you actually want, stated plainly]
For requests to answer, explain, review, or plan: inspect the relevant materials and report the result. Do not implement changes unless requested.
For requests to change or build: make the requested in-scope changes and run relevant non-destructive validation without asking first. Require confirmation only for external writes, destructive actions, or a material scope change.
Success criteria: [how you or the model will know it's actually done]
Output format: [exactly how you want it delivered]"
```
**第 5 步：保持簡短**——prompt 建好後，再精簡，刪掉所有不是 100% 必要的部分。
### V：使用 GPT-5.6 的注意事項
- **cache 寫入現在更貴**：以未快取輸入費率的 **1.25 倍** 計費。
- **PTC 不見得總是對的選擇**：一次呼叫就夠時，就別用。
- **Pro Mode 成本更高**：所有額外背景工作都按標準 token 費率計費。
- Sites 的**部署網址永遠是生產環境**：預設沒有單獨的預發步驟；想在上線前審閱，請先存一個版本。
- **GPT-5.4 將於 7 月 23 日退役**：GPT-5.5 仍可用；最好現在就遷移，不要等。
- **舊的 GPT-5.5 prompt 可能無法乾淨遷移**：可請 GPT-5.6 重寫你的工作流程，讓新的 5.6 系列更有效率地運作。
## 總結與結論
- **核心洞見 1：GPT-5.6 把「提示工程」從加法變成減法**。模型已能自行判斷目標與投入程度，舊打法（冗長系統提示、反覆叮嚀、強迫模板）從「有幫助」變成「可能有害」；OpenAI 內部評測的「+15% 評分、−60% token」是這個轉向最硬的證據。
- **核心洞見 2：「重複警告」會反噬**。在提示中反覆寫「先詢問／不得修改／等待批准」，會讓模型對安全且預期的操作也停下來問——這解釋了許多人「模型怎麼變得那麼愛問」的困惑，解法是用一條清楚的授權邊界取代多條重複警告。
- **架構建議 3：四要素 prompt 框架可直接套用**。Outcome／Constraints／Evidence／Autonomy 這四項，加上「回答類 vs 變更類」的授權分句，是一份能立刻貼進系統提示的範本；關鍵是把「教模型怎麼想」換成「告訴模型要什麼、不能碰什麼、怎樣算完成」。
- **架構建議 4：模型／推理／Pro 三軸按任務調**。預設 Terra + Medium；只有任務明確困難時才升 Sol／High／xHigh／Max，且 Pro Mode 要獨立評估（邊際品質提升是否值額外成本）。Max 應保留為「最後手段」。
- **營運提醒 5：注意成本與遷移地雷**。cache writes 以 1.25 倍計費會改變提示快取的經濟模型；GPT-5.4 於 7/23 退役、舊 5.5 prompt 可能無法乾淨遷移——這兩點決定了「現在就要動」的時程，而非「之後再說」。
Obsidian 整理
原始文章
Prompt工程
GPT-5.6 提示詞大師課（OpenAI 出品）
"GPT-5.6 更懂意圖也更省 token，所以提示要做減法——只講清楚「結果、約束、證據、自主權」，過度設計的提示現在更可能幫倒忙。"
Top 5 Insights
- **核心洞見 1：GPT-5.6 把提示工程從加法變成減法**。模型已能自行判斷目標與工作量，舊打法（冗長系統提示、反覆叮嚀、強迫模板）從「有幫助」變成「可能有害」；OpenAI 內部評測的「+15% 評分、−60% token」是這個轉向最硬的證據。
- **核心洞見 2：「重複警告」會反噬**。在提示中反覆寫「先詢問／不得修改／等待批准」，會讓模型對安全且預期的操作也停下來問——這解釋了許多人「模型怎麼變得那麼愛問」的困惑；解法是用一條清楚的授權邊界取代多條重複警告。
- **架構建議 3：四要素 prompt 框架可直接套用**。結果／約束／證據／自主權四項，加上「回答類 vs 變更類」的授權分句，是一份能立刻貼進系統提示的範本；關鍵是把「教模型怎麼想」換成「告訴模型要什麼、不能碰什麼、怎樣算完成」。
- **架構建議 4：模型／推理／Pro 三軸按任務調**。預設 Terra + Medium；任務明確困難時才升 Sol／High／xHigh／Max，且 Pro 模式要獨立評估（邊際品質提升是否值額外成本）。Max 應保留為「最後手段」。
- **營運提醒 5：注意成本與遷移地雷**。cache 寫入以 1.25 倍計費會改變提示快取的經濟模型；GPT-5.4 於 7/23 退役、舊 5.5 prompt 可能無法順利遷移——這兩點決定了「現在就要動」的時程，而非「之後再說」。
---
tags: [Prompt工程, GPT-5.6, OpenAI, AI工程, 模型指南]
date: 2026-07-13
read: false
source: "2026-07-13T095937+0800-GPT-5.6 提示词大师课（OpenAI 出品）.md"
original_title: "GPT-5.6 提示词大师课（OpenAI 出品）"
---
# GPT-5.6 提示詞大師課（OpenAI 出品）
原始來源與檔名：2026-07-13T095937+0800-GPT-5.6 提示词大师课（OpenAI 出品）.md
> [!info] 與同源文章的關係
> 本文為 @ai_suxiaole 對 @aiedge_ 英文版的**簡中譯本**，兩者同源於 OpenAI 官方《GPT-5.6 Model Guidance》。本報告將其視為**獨立文章**分析（不同作者框架、不同語言受眾、不同封面與配圖）。英文正典的深度拆解見 [[20260713_GPT-5.6 Prompting Masterclass (by OpenAI)]]；另一份不同作者的中文重組（CROCC 框架）見 [[20260713_GPT-5.6 Prompt 到底該怎麼寫？OpenAI 官方指南，一篇講透！]]。
---
## SOURCE | 資訊源評估
- **準確性**：中高 — 譯者 @ai_suxiaole（XWise 插件作者）忠實翻譯 @aiedge_ 的英文版，並附上 OpenAI 官方原文連結（developers.openai.com/api/docs/guides/latest-model）與原始推文連結供核驗；關鍵數字（評分 +15%、token −60%、cache 1.25 倍）與英文版完全一致，屬可靠的二手轉譯。須留意：相較英文正本，譯本多了一層「譯者→原文」的轉手，極少數語意可能因翻譯而微調。
- **易理解性**：高 — 全篇簡體中文，結構與英文版對應（變化／如何提示／新功能／框架／注意事項），對中文母語者門檻低於英文正本；譯者也保留了原文的程式碼區塊與語氣範例。
- **閱讀策略建議**：把它當「英文正本的中文對照版」——若已讀 [[20260713_GPT-5.6 Prompting Masterclass (by OpenAI)]]，可快速掃過重點；若偏好中文閱讀，則以此篇為主、英文版為輔。核心收斂與英文版一致：對 GPT-5.6「少即是多」，過度工程化的提示反有害。
## NAPKIN | 餐巾紙
### 餐巾紙公式
> 對 GPT-5.6：更短的提示 ＋ 清楚的權限邊界 ＋ 具體指令 ＞ 冗長明確的系統提示
_OpenAI 內部評測：用精簡提示取代冗長系統提示，評分 +15%、總 token −60%；模型已能推斷目標與工作量，重複的「先詢問／不得修改／等待批准」反而觸發不必要的權限確認。_
### 一句話
> GPT-5.6 更懂意圖也更省 token，所以提示要做減法——只講清楚「結果、約束、證據、自主權」，過度設計的提示現在更可能幫倒忙。
### 餐巾紙草圖
```
┌──────────────────────────────────────────────
│ GPT-5.6 提示詞（中譯本）— 新正規
│
│ 舊模型：提示要長、要詳盡、反覆叮嚀
│ ▼ (反向)
│ GPT-5.6：提示要短、邊界要清、指令要具體
│
│ 高品質 prompt 四要素（譯自英文正本）：
│ ┌────────────────────────────
│ │ 1. 結果 (Outcome) 「完成」具體是什麼樣
│ │ 2. 約束 (Constraints) 審批邊界、禁止、範圍
│ │ 3. 證據 (Evidence) 用什麼確認正確
│ │ 4. 自主權 (Autonomy) 不必先問可做哪些
│ └────────────────────────────
│
│ 模型 Sol/Terra/Luna × 推理 6 檔 × Pro Mode
│ 預設：Terra + Medium，困難才升 Sol/High/Max
└──────────────────────────────────────────────
```
## ROUND 1: SKELETON | 骨架掃描
**「這篇文章在說什麼」**
- **核心問題**：面對 GPT-5.6，要怎麼寫提示詞才能讓它能力與效率提升 10 倍？
- **核心答案**：GPT-5.6 更懂意圖、預設回答更短、token 更省，所以提示要反過來「做減法」——用更短的提示、用清楚的權限邊界取代反覆警告、用具體要求取代模糊指令；過度設計提示詞如今更可能帶來負面效果。
- **論證結構**：演繹＋清單型。先講模型七大變化，再給五條正確提示原則，接著列新功能，最後給最佳框架與注意事項。
### 章節骨架
1. **七大變化**：token 效率／懂意圖／回答更短／設計力／新推理／PTC／多智能體
2. **如何正確提示**：更短／定義權限／避免泛泛／語氣／輕量結構
3. **新功能**：Pro 模式／ChatGPT Work／GPT-Live／新推理強度／Hosted Sites
4. **最佳提示框架**：選模型→設推理→判 Pro→四要素建 prompt→再精簡
5. **注意事項**：cache 貴／PTC 適用時機／Pro 成本／Sites 即生產／5.4 退役／舊 prompt 遷移
## ROUND 2: DISSECTION | 血肉解剖
**「憑什麼這麼說」**
### 論證鏈
```
GPT-5.6 更懂意圖、預設更短、token 更省
▼
舊打法（冗長系統提示、反覆叮嚀）→ 多餘甚至有害
▼
實證：精簡 vs 冗長 → 評分 +15%、token −60%
▼
新原則：短提示 + 清楚權限邊界（取代反覆警告）+ 具體指令
▼
落地：四要素框架（結果/約束/證據/自主權）
▼
搭配：模型(Sol/Terra/Luna) × 推理(6檔) × Pro 模式 按任務選
```
### 關鍵證據
1. **+15% / −60% 的內部評測**：OpenAI 內部評測發現，用精簡提示替換冗長明確的系統提示，評分提高約 15%，總 token 減少 60% 以上——「提示要做減法」最硬的證據。
2. **重複警告觸發權限確認**：在提示中反覆寫「先詢問」「不得修改」「等待批准」，反而可能讓模型對安全且預期中的操作也停下來問——解釋了「為什麼反覆叮嚀會幫倒忙」的機制。
3. **語氣指令失效對照**：對 GPT-5.6 說「更友善」「更有同理心」幾乎沒有明顯改善；改成具體描述（「直接但得體、必要時具體指出阻礙、避免套話式安慰」）才有效——證明「具體 > 模糊」。
### 隱形假設與邊界
- **隱形假設**：
- OpenAI 的「+15%/−60%」內部評測可類推到使用者真實任務（不同領域差異可能很大）。
- 使用者能準確寫出四要素，但多數人最難的正是講清楚「完成具體是什麼樣」。
- 譯本假設讀者能自行校正簡繁用語差異（如「提示詞」vs「prompt」）。
- **邊界條件（何時論點失效）**：
- 高合規、高風險場域（醫療、金融、法律）仍需明確詳盡的邊界聲明，「短提示」不能無條件套用。
- 「反覆叮嚀有害」的前提是模型真的懂上下文；任務極度陌生或領域特殊時，適度明確指示仍必要。
- cache 寫入以 1.25 倍計費，短提示的省 token 紅利可能被 cache 成本部分抵銷。
## ROUND 3: SOUL | 靈魂提取
**「還能怎麼用」**
- **作者（譯者）盲點**：譯本 faithfully 跟隨英文正本，因此繼承了正本的盲點——把「模型變聰明」當既成事實、未提醒「短提示」在少樣本或嚴格輸出格式場景可能不夠、未提示讀者自行做 A/B 驗證。譯者本身也未對「+15%/−60%」是平均值、個別任務可能反向這一點加註。
- **知識連接**：與同源三篇構成 GPT-5.6 提示詞的完整圖譜——本文（中譯）為入門中文讀者而譯，[[20260713_GPT-5.6 Prompting Masterclass (by OpenAI)]] 為英文正典，[[20260713_GPT-5.6 Prompt 到底該怎麼寫？OpenAI 官方指南，一篇講透！]] 為不同作者的中文重組（CROCC）。核心觀念「宣告式優於命令式提示」是三者共同主軸。
- **行動觸發**：把你現有最長的那支系統提示做「刪減實驗」——刪一類重複規則→跑測試→刪無效範例→再跑→縮短工具說明→再比對，每次只改一類，找出真正有貢獻的部分。
### 留白提問（Guided Reflection）
- 如果「反覆叮嚀模型要小心」反而讓它在安全操作前也停下來問你，那你過去寫的那些「嚴禁…務必…不可…」，究竟是在保護結果，還是在安撫自己的焦慮？
- 當模型強到「你只要說清目標與邊界，它自己會找路」，你作為使用者的核心價值，會從「會寫很長的提示」轉移到「能講清楚成功的定義」嗎？後者其實是更難的能力。
### 跨域映射
- 在 **Prompt 工程**，這叫 **宣告式優於命令式提示（declarative over imperative prompting）**。
- 在 **Agent 架構**，這對應 **授權邊界／autonomy policy 的顯式宣告**。
- 在 **專案管理**，這等同 **定義「完成」（Definition of Done）勝過微觀管理執行步驟**。
## DEEP READ | 精讀指引
> [!IMPORTANT]
> 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。
1. **「二、如何正確地為 GPT-5.6 撰寫提示詞」第 1 點「使用更短的提示詞」**：原文給出「評分 +15%、token −60%」的 OpenAI 內部評測數字，是整篇「提示要做減法」主張的硬支點；建議同時回 OpenAI 官方文件核對適用範圍。
2. **「四、GPT-5.6 最優提示框架」第 4 步「構建提示詞」四要素＋程式碼區塊**：結果／約束／證據／自主權四項，附一段可直接套用的 prompt 原文（含「回答類 vs 變更類」的授權分句），是全文最值得複製到自己範本庫的實體。
3. **「五、使用 GPT-5.6 時的注意事項」**：cache 寫入 1.25 倍計費、PTC 不是萬靈丹、Pro 模式成本更高、Sites 部署網址即生產、GPT-5.4 七月 23 日退役、舊 5.5 prompt 可能無法順利遷移——六條「知道才不會踩雷」的營運細節。
## STRUCTURE MAP | 全書結構圖
```
┌──────────────────────────────────────────────
│ GPT-5.6 提示詞大師課（中譯本）— 結構
│
│ 一、模型變化（為何舊打法失效）
│ ├ token 效率↑ / 懂意圖↑ / 回答預設更短
│ ├ 設計與前端判斷↑
│ ├ 新推理 max + Pro 模式
│ ├ 程式化工具呼叫 (PTC)
│ └ 多智能體協作 (beta)
│ ▼
│ 二、如何正確提示（五原則）
│ ├ 1. 用更短的提示 ← 最大調整
│ ├ 2. 明確定義自主權與權限（勿重複警告）
│ ├ 3. 避免泛泛指令（用具體優先級）
│ ├ 4. 語氣要具體，別說「更友善」
│ └ 5. 結構輕量化
│ ▼
│ 三、新功能：Pro 模式 / Work / GPT-Live / 6檔推理 / Sites
│ ▼
│ 四、最佳框架：選模型 → 設推理 → 判 Pro → 四要素 → 再精簡
│ 四要素 = 結果 + 約束 + 證據 + 自主權
│ ▼
│ 五、注意事項：cache 1.25x / PTC 慎用 / Pro 貴 / Sites 即生產
│ / 5.4 7/23 退役 / 舊 prompt 需重寫
└──────────────────────────────────────────────
```
---
# GPT-5.6 提示詞大師課（OpenAI 出品）(Architectural Deep Dive)
## 前言/背景
本文是 @ai_suxiaole 對 @aiedge_ 英文版的簡中譯本，要解決的核心問題與英文正本一致：**新一代 GPT-5.6 模型家族在行為上發生了根本變化（更懂意圖、預設更短、token 更省），沿用舊模型「寫長、寫詳盡、反覆叮嚀」的提示打法，不但不再帶來收益，反而可能傷害表現。** 譯者以中文讀者為對象，把這套「做減法」的新提示正規、四要素 prompt 框架與營運注意事項完整中文化，讓不必啃英文開發者文件的讀者也能一次調對、不返工。
## 章節詳細總結
### 一、GPT-5.6 有哪些變化
在寫任何提示詞之前，先了解 GPT-5.6 的根本性變化：
1. **token 效率顯著提高**：GPT-5.6 用比以往更少的輸出 token，就能達到前沿水準的效能。
2. **更懂你的意圖**：即使你沒把每一個步驟都寫清楚，GPT-5.6 也能推斷出你的真正目標，以及完成任務所需投入的合理程度。你仍須明確說明限制條件、授權邊界與成功標準，但不再需要事無鉅細地引導。
3. **預設回答更短**：這是最明顯的行為變化之一。GPT-5.6 的回答比以往更短：通用式開場更少、推測性分支更少、列表更精簡、答案與推理之間的重複也更少。
4. **設計與前端判斷力增強**：能生成更精緻、實用的網站與應用，在布局、視覺層級與設計判斷上都有明顯提升。
5. **新的推理與執行模式**：新增 **max** 推理強度（比 xhigh 更高），適合最困難的任務；並推出全新的 **Pro 模式**。
6. **工具呼叫有了新的執行路徑**：GPT-5.6 可以自行撰寫並執行輕量級程式，用來呼叫工具、處理結果、過濾中間輸出，稱為**程式化工具呼叫（Programmatic Tool Calling, PTC）**。
7. **多智能體協作（測試版）**：一個 GPT-5.6 實例現在可以平行協調多個子智能體並整合結果，類似 Codex 的 Ultra 模式。
### 二、如何正確地為 GPT-5.6 撰寫提示詞
1. **使用更短的提示詞**——這是你最需要做出的調整。OpenAI 內部評測發現，用精簡提示替換冗長明確的系統提示，評分提高約 **15%**，總 token 減少 **60% 以上**。
2. **明確定義自主權與權限**——GPT-5.6 可以主動且持續地推進任務，因此你要清楚說明希望模型在哪裡停止、實際有權執行哪些操作。
- **一個重要提醒**：不要在提示中反覆寫「先詢問」「不得修改」「等待批准」。重複反而可能觸發不必要的權限確認，即使面對安全且符合預期的操作，模型也可能停下來詢問。
3. **避免泛泛的指令**——改用能體現優先級的指令，讓模型明白你的核心目標。
- **範例**：希望回答更短，不要只說「簡短一點」，而應該說「先給出結論」。
4. **語氣**——告訴 GPT-5.6「更友善一些」或「更有同理心」並不會帶來明顯改善；這類泛泛的親和力指令已不像舊模型那樣有效。改成具體要求：
```text
「直接但得體。必要時具體指出問題帶來的阻礙。避免套話式安慰和多餘的結束語。」
```
5. **保持輕量化結構**——GPT-5.6 適合少量且針對具體任務的結構（一個輕量級提綱），而不是強迫每次回答都遵循完整模板。只有當你自己的測試證明某項約束確實必要時，才加入。
> **太長不看版**：對 GPT-5.6 來說，少即是多。提示詞要更短、用清晰的權限邊界替代反覆警告、用具體要求替代模糊指令。如今，過度設計提示詞更可能帶來負面效果，而不是幫助。
### 三、新功能
1. **Pro 模式**：適用於任何 GPT-5.6 模型（Sol、Terra、Luna）與這些模型支援的任意推理強度。你不需要切換到單獨的「Pro」模型，只需保留現有模型選擇、在此基礎上開啟 Pro 模式。
2. **ChatGPT Work**：OpenAI 針對 Claude Cowork 推出的直接競品。Work 模式獨立於普通 ChatGPT 對話，主要用於自動化處理你所在行業的真實工作流程。
3. **GPT-Live**：OpenAI 推出的新一代高級語音交互功能，支援更流暢的對話、即時語言翻譯等能力。
4. **新的推理強度**：GPT-5.6 現在支援六檔推理強度：None、Low、Medium、High、xHigh 和 Max。新增的是 **Max**，位於 xHigh 之上，適合最複雜的任務。可直接在 ChatGPT 的模型選擇器中調整。
5. **託管站點（Hosted Sites）**：一種分享想法的新方式，可透過網頁版 ChatGPT Work、或 ChatGPT 桌面應用中的 Work／Codex 模式使用。
### 四、GPT-5.6 最優提示框架
這套框架適用於大多數提示詞，綜合了前文全部原則：
**第 1 步：選擇模型**——三個級別：
- **Sol**：用於最困難的任務
- **Terra**：適合作為日常主力模型
- **Luna**：速度最快、價格最低，專為高吞吐量工作負載打造
**第 2 步：設置推理強度**：
- None／Low：基礎提示任務
- Medium：預設選擇（適用於涉及 MCP 呼叫、API 呼叫等操作）
- High 或 xHigh：複雜任務
- Max：最後手段（僅用於極其複雜的工作）
**第 3 步：判斷是否需要 Pro 模式**——獨立於推理強度，只在質量上的微小提升確實具有實際價值時使用。
**第 4 步：構建提示詞**——每條高質量的 GPT-5.6 提示詞都包含四個部分：
1. **結果**：任務完成時具體應該是什麼樣子
2. **約束**：審批邊界、禁止事項和任務範圍
3. **證據／成功標準**：用什麼證據或格式確認結果正確
4. **自主權策略**：模型無需事先詢問即可執行哪些操作
組合起來如下：
```text
「目標：[用直白的語言說明你真正想要的結果]
對於回答、解釋、審查或規劃類請求：檢查相關材料並彙報結果。除非明確要求，否則不要實施更改。
對於修改或構建類請求：在不事先詢問的情況下，完成請求範圍內的更改，並執行相關的非破壞性驗證。只有涉及外部寫入、破壞性操作或重大範圍變更時，才需要請求確認。
成功標準：[你或模型如何判斷任務確實已經完成]
輸出格式：[明確說明你希望結果以什麼形式交付]」
```
**第 5 步：保持簡短**——提示詞寫好後，再精簡一遍，刪除所有不是絕對必要的內容。
### 五、使用 GPT-5.6 時的注意事項
- **緩存寫入現在更貴**：費用按未緩存輸入價格的 **1.25 倍** 計算。
- **PTC 並不總是正確選擇**：如果一次工具呼叫就能完成任務，就不要使用它。
- **Pro 模式成本更高**：所有額外的後台工作都會按標準 token 費率計費。
- Sites 的**部署網址始終是生產環境地址**：預設沒有單獨的預發布環節；若想在正式上線前審閱，請先保存一個版本。
- **GPT-5.4 將於 7 月 23 日退役**：GPT-5.5 會繼續提供，最好現在就遷移，不要等到最後一刻。
- **舊版 GPT-5.5 提示詞可能無法順利遷移**：可讓 GPT-5.6 重寫你的工作流程，讓新的 5.6 系列模型以更高效率工作。
## 總結與結論
- **核心洞見 1：GPT-5.6 把提示工程從加法變成減法**。模型已能自行判斷目標與工作量，舊打法（冗長系統提示、反覆叮嚀、強迫模板）從「有幫助」變成「可能有害」；OpenAI 內部評測的「+15% 評分、−60% token」是這個轉向最硬的證據。
- **核心洞見 2：「重複警告」會反噬**。在提示中反覆寫「先詢問／不得修改／等待批准」，會讓模型對安全且預期的操作也停下來問——這解釋了許多人「模型怎麼變得那麼愛問」的困惑；解法是用一條清楚的授權邊界取代多條重複警告。
- **架構建議 3：四要素 prompt 框架可直接套用**。結果／約束／證據／自主權四項，加上「回答類 vs 變更類」的授權分句，是一份能立刻貼進系統提示的範本；關鍵是把「教模型怎麼想」換成「告訴模型要什麼、不能碰什麼、怎樣算完成」。
- **架構建議 4：模型／推理／Pro 三軸按任務調**。預設 Terra + Medium；任務明確困難時才升 Sol／High／xHigh／Max，且 Pro 模式要獨立評估（邊際品質提升是否值額外成本）。Max 應保留為「最後手段」。
- **營運提醒 5：注意成本與遷移地雷**。cache 寫入以 1.25 倍計費會改變提示快取的經濟模型；GPT-5.4 於 7/23 退役、舊 5.5 prompt 可能無法順利遷移——這兩點決定了「現在就要動」的時程，而非「之後再說」。
- **譯本定位 6**：本文為 [[20260713_GPT-5.6 Prompting Masterclass (by OpenAI)]] 的中文對照版，技術內容一致、語言受眾不同；中文讀者可擇一為主、另一為輔，兩者搭配 [[20260713_GPT-5.6 Prompt 到底該怎麼寫？OpenAI 官方指南，一篇講透！]] 的 CROCC 框架，即構成 GPT-5.6 提示詞的完整中文資產。
Obsidian 整理
原始文章