ChatGPT 模型选择器回归，附 GPT-5 提示词技巧
1. ChatGPT 模型选择器回归，附 GPT-5 提示词技巧
这几天，ChatGPT 频繁更新，我也没少写文章 😅。
如果对 GPT-5 不太了解，可以回看这几篇：关于 GPT-5，你需要知道的一些事、OpenAI 强推 GPT-5 引发众怒，它真如此不堪？、两天实战，我发现 GPT-5 潜力远被低估！。
Sam 刚刚又发帖了，这次不但把部分历史模型放出来，还加入了一些新模型，使用额度上也有所提升。
之前，Plus 用户每周有 200 条 thinking 模式，现在突然改成 3000 条了，让我一度怀疑是不是写错了。
多了 15 倍使用量，感觉可以一直玩 thinking 模式。
感兴趣的朋友可以自行检查文档 GPT-5 in ChatGPT。
1.1. 模型速览
不想回看之前文章，我这里也准备了一份快速阅读。
GPT-5 是 ChatGPT 的下一代旗舰模型，也是所有已登录用户的 默认模型。
它整合了以往多款优秀模型的能力，通过自动切换系统，在智能与速度之间取得平衡。
无论是日常使用还是专业任务，GPT-5 都能提供更高质量的输出。
这一代模型最大的亮点是 突破性的深度推理能力。
当面对需要严谨分析的问题时，例如编程、科学研究、信息整合，或数据与金融分析，GPT-5 能够比以往更深入地思考并给出精准结论。
日常任务中，它在写作、编程乃至医疗场景都表现稳定且快速，比以往的推理模型更智能、更可靠。
1.1.1. 模式选择
当用户选择 GPT-5 时，系统会根据任务复杂度自动判断使用 Chat 模式 或 Thinking 模式。
- 复杂任务 会触发 Thinking 模式，先进行深度推理，再返回结果。
- 模式切换的依据来自提示词、上下文，以及系统对用户偏好与历史准确率的学习。
在 Thinking 模式下，界面会显示简化的推理进度，同时提供 Get a quick answer（快速回答） 按钮，允许用户随时切回 Chat 模式以立即获取结果。
除了自动模式，用户还可以在模型选择器中手动选择：
- Fast：即时输出
- Thinking：深度推理
- Pro：研究级智能
1.1.2. 模型可用性
GPT-5 对所有 ChatGPT 用户开放，但不同订阅层级的可用功能不同：
1.1.3. 免费用户
- 每 5 小时可使用 GPT-5 发送 10 条消息，超出后自动切换到 mini 版
- 每天可使用 1 次 GPT-5 Thinking
1.1.4. Plus 用户
- 每 3 小时可用 GPT-5 发送 160 条消息（临时提升）
- 可手动选择 GPT-5 Thinking，每周上限 3000 条（自动切换不计入额度，喜欢薅羊毛的，可以深挖这个规则让模型自动切入推理模式）
1.1.5. Pro / Team 用户
- 无限使用 GPT-5 与 GPT-5 Thinking Pro（推理更久、精度更高）
在 ChatGPT 设置中开启 Show additional models，还可解锁 GPT-5 Thinking mini、GPT-4.1、o3 等更多选项。
1.1.6. 使用规范
所有用户需遵守使用条款，禁止以下行为：
- 自动化或程序化抓取数据
- 共享账号或提供给他人使用
- 转售访问权限或将 ChatGPT 用作第三方服务的底层
平台设有防滥用机制，必要时会临时限制使用，并提供申诉渠道。
1.1.7. 其他特性
目前 GPT-5 提供 Auto / Fast / Thinking 三种模式，推荐普通用户使用 Auto；Thinking 模式上下文长度可达 196k tokens。
4o 已重新加入付费用户的默认列表。
未来，GPT-5 的"性格"将优化为 更温暖但不啰嗦，并朝着 按用户个性化定制 的方向发展。
1.2. Prompt 小技巧
如果在 vibe coding 时，给出具体要求，经过几轮小迭代（3-5 轮，具体看代码完成度和报错处理情况），基本就可以达到预期。
以下是 Noi 开发中的一个真实需求，我发现它除了按规定使用依赖外，还会对需求进行合理抽象，映射出更符合程序处理的数据结构。
想要获得更好效果，还是需要一些编程经验来对模型进行初步约束的，比如框架、库的选择、可验证的功能点等等，描述专业化能在很大程度上减小模型幻觉。
目前，从我了解到的信息，再综合个人使用情况来说：GPT-5 确实有很强的指令遵循能力（对 prompt 比较敏感）。
如果你的测试结果不理想，大概率是提示词造成的，可尝试调整问题描述。
如果实在不知道咋搞，这里还整理了一份 tips，可作参考。
1.3. 深度推理与问题分解
Deep Reasoning & Problem-Solving
模板：你是{角色}。请先把问题拆解为清晰、逻辑自洽的步骤，再给最终答案。务必深思后作答。
示例：你是商业战略顾问。请先分解"在英国市场推出 AI 合规工具"的关键步骤，再给完整 GTM 策略。
原理：强制先规划再作答，降低跳步与推理错误。
1.4. “先草稿、再自评、后定稿”
Critique Before Final
模板：先写出初稿。随后进行严格自我评审，标出薄弱点。最后重写一版以逐一修正这些问题。
示例：撰写一篇约 400 字的可持续发展新闻稿；随后点评其清晰度与说服力，并据此重写。
原理：利用 GPT-5 更强的自我反思与改写能力。
1.5. 角色 + 目标 + 约束
Role + Objective + Constraints
模板：你是{专家角色}。目标：{目标}。请严格遵循约束：{规则清单}。
示例：你是资深政策顾问。目标：为议会委员会总结一份 20 页的气候报告。约束：≤500 字、中性语气、用要点列出。
原理：明确边界与交付规格，GPT-5 遵循约束更稳定。
1.6. 递进式加深
Progressive Deepening
模板：先给出{主题}的高层概览。再选最关键的一点，做深入阐述并给出证据与示例。
示例：先概述欧盟 AI 监管现状；再深入说明《AI 法案》的执法难点。
原理：先宏观、后深挖，信息量渐进不压人。
1.7. 多模态整合（Multi-Format Integration）
模板：以下是混合输入（文本/图片/文件等）：{粘贴/引用}。请综合分析，产出{输出类型与格式要求}。
示例：给一份市场报告 PDF 与一张产品图，综合分析并产出 2 张投资人路演要点幻灯片。
原理：GPT-5 更擅长把多模态信息整合为一致产出。
1.8. 探索式"思维版图"
Exploratory Idea Map
模板：围绕{广义目标}发散所有可行路径。按类别组织；每类至少给出 3 个具体方案/样例。
示例：围绕"AI 工具资讯类通讯"的变现方式，按"赞助/产品/社区/合作"分组，每组列 ≥3 条。
原理：在结构化框架内释放发散性，避免无序罗列。
1.9. 专家模拟
1.9.1. Expert Emulation
模板：请以{知名专家/专业角色}的风格、决策偏好与优先级来回答，并显式展示其思考过程框架。
示例：以"芯片创业 CEO"的角度，制定新 AI 芯片公司的发布与进入策略。
原理：更精准的风格与策略模拟，带来贴合场景的决策逻辑。
1.10. 以约束为锚点的创作
Constraint-Anchored Creativity
模板：请创作{输出类型}，并严格满足这些约束：{字数/语体/结构/禁用项等}。
示例：写一条 100 字的 LinkedIn 帖子，向 10 岁孩子解释生成式 AI：仅使用一个比喻，结尾必须以提问收束。
原理：约束能聚焦创意，防止话题漂移与风格跑偏。
1.11. 长对话上下文回忆
Long-Context Knowledge Recall
模板：基于本次对话"至今为止的全部上下文"，产出{交付物}。必要时请回溯并引用先前细节。
示例：结合先前关于 AI 监管的讨论，写一篇 2000 字的政策白皮书。
原理：利用 GPT-5 更稳的长程记忆与细节保持。
1.12. “宽目标 → 精准交付（两步法）”
Broad Goal to Precise Execution (2-Step)
模板：1) 宽目标：{目标草案}。请先与我一起界定精确交付物（规格/结构/验收标准）。2) 按约定规格立即产出该交付物。
1.12.1. 示例
- 宽目标：提升我在 LinkedIn 上的 AI 话题互动。
- 交付物：4 周内容日历（含选题、开场钩子、CTA）。
原理：先对齐目标与验收，再一次性高质量交付。
1.13. 拓展阅读
大模型上下文长度是硬伤，感觉都开始在这方面发力了。
GPT-5 Thinking 模式将上下文长度扩展到了 196k tokens（19.6 万），而 Claude 也不示弱，直接将 Sonnet 4 API 干到了 1M（100 万），上一个百万上下文好像还是 Gemini 2.5。
最新消息，Claude Sonnet 4 现已在 Anthropic API 上支持高达 100 万 tokens 的上下文窗口，是此前的 5 倍扩容，能够一次性处理超过 7.5 万行代码或数十篇科研论文。
长上下文功能已在 Anthropic API 与 Amazon Bedrock 公测，Google Cloud Vertex AI 版本即将推出。
这一提升让开发者可以在一次对话中加载完整代码库、成批文档或海量交互记录，从而实现大规模代码分析、跨文档信息综合以及上下文持续数百步的智能体构建。