13.1 OpenAI GPT 系列最佳实践

说明： 本节所涉及的 API 参数、模型特性及最佳实践基于 2026 年初的版本编写。由于 OpenAI 平台更新频繁，在实际应用中请参考最新的官方文档。

OpenAI 是大语言模型商业化的先驱，其 GPT 系列是应用最广泛的语言模型。本节深入介绍针对 GPT 系列的提示词优化策略，涵盖从 GPT-4 Turbo 到最新的 GPT-5.x 推理模型。

注意（平台变更）：OpenAI 官方公告称，自 2026 年 2 月 13 日起，GPT-4o 已从ChatGPT中退役；同时明确说明该变更不影响 API。如果你的系统强绑定某个模型版本，请以官方最新公告/文档为准，并通过回归测试验证迁移影响。

13.1.1 GPT 模型系列概览

OpenAI 目前提供多个系列的模型，适用于不同场景：

模型系列	核心特点	适用场景
GPT-5.4	最新旗舰、1M 上下文、低幻觉、原生 Computer Use	复杂分析、高精度任务、代理工作流
GPT-5.3	前沿编程能力（Codex 基础）	编程密集型任务
GPT-5.2	长上下文推理、电子表格/演示文稿	商业分析、多步执行
GPT-5.1	高性能、增强推理（ChatGPT 侧已退役，API 仍可用）	通用高级任务（建议迁移至 5.3/5.4）
o 系列（o1/o3）	较早一代推理优先路线	数学、编程、逻辑推理（历史与专门场景）
GPT-4o	多模态、快速响应（ChatGPT 侧退役）	通用任务、实时交互
GPT-4o mini	成本优化、快速	简单任务、高并发场景

13.1.2 系统提示词设计

GPT 模型对系统提示词有出色的遵从性，这是设计提示词的核心要素。

基本结构

messages = [
    {
        "role": "system",
        "content": """你是一位专业的数据分析师，具备以下特点：
- 擅长解读复杂数据并提供可操作的洞察
- 回答简洁、结构清晰
- 在不确定时会明确说明假设条件

输出要求：
1. 使用 Markdown 格式
2. 关键数据用表格呈现
3. 结论放在最前面"""
    },
    {
        "role": "user",
        "content": "分析这份销售数据..."
    }
]

系统提示词的关键要素

图 13-1：系统提示词的四个核心层次

• 身份定义：明确模型扮演的角色和专业领域

• 行为规范：定义回答风格、语气和处理方式

• 格式要求：指定输出的结构和格式

• 限制条件：设定边界和禁止事项

13.1.3 函数调用与结构化输出

GPT 系列原生支持函数调用和结构化输出，是构建 智能体（agent） 系统的关键能力。

函数定义示例

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称，如：北京、上海"
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "温度单位"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

结构化输出

2024 年 OpenAI 推出的结构化输出功能，确保模型输出严格符合指定的 JSON Schema：

try:
    from pydantic import BaseModel
except ModuleNotFoundError:
    class BaseModel:
        def __init__(self, **data):
            for k, v in data.items():
                setattr(self, k, v)

        def model_dump(self):
            return dict(self.__dict__)

from openai import OpenAI

client = OpenAI()
messages = [{"role": "user", "content": "分析这款产品：智能手表"}]

class ProductAnalysis(BaseModel):
    product_name: str
    sentiment: str  # positive, negative, neutral
    key_points: list[str]
    confidence_score: float

response = client.beta.chat.completions.parse(
    model="gpt-4o",
    messages=messages,
    response_format=ProductAnalysis
)

# 返回结果自动解析为 Python 对象

analysis = response.choices[0].message.parsed
print(analysis.model_dump() if hasattr(analysis, "model_dump") else analysis)

结构化输出的优势：

• 100% 符合 Schema，无需后处理验证

• 支持复杂嵌套结构

• 与 Pydantic 无缝集成

13.1.4 o 系列推理模型策略

o 系列是 OpenAI 较早一代专为复杂推理设计的路线。当前默认前沿主线已经转向 GPT-5.4，但理解 o 系列仍有助于把握推理模型的演进脉络。

核心差异

维度	GPT 系列	o 系列
思维链	需显式要求	内置自动执行
响应时间	秒级	可能需要分钟级
系统提示词	完整支持	部分限制
推理控制	无	支持推理预算设置

o 系列的提示词策略

❌ 不需要的写法：
"请一步步思考，展示你的推理过程..."

✅ 推荐的写法：
"证明：对于所有大于 2 的偶数 n，存在两个质数 p 和 q 使得 n=p+q"

关键原则：

1. 直接陈述问题：无需要求“逐步思考”，模型会自动进行

2. 提供充分上下文：复杂问题需要完整的背景信息

3. 设置推理预算：通过 reasoning_effort 参数控制推理深度

from openai import OpenAI

client = OpenAI()
problem_statement = "证明：对于所有大于 2 的偶数 n，存在两个质数 p 和 q 使得 n=p+q。"

response = client.chat.completions.create(
    model="o3",
    messages=[{"role": "user", "content": problem_statement}],
    reasoning_effort="high"  # low, medium, high
)

print(response.choices[0].message.content)

13.1.5 高级技巧

1. 使用分隔符组织复杂提示词

### 13.1.6 背景信息 ###

{context}

### 13.1.7 任务要求 ###

{task}

### 13.1.8 输出格式 ###

{format}

2. 利用 JSON 模式确保格式一致

from openai import OpenAI

client = OpenAI()
messages = [{"role": "user", "content": "用 JSON 输出：{\"hello\": \"world\"}"}]

response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    response_format={"type": "json_object"}
)

print(response.choices[0].message.content)

3. 温度参数调优

任务类型	推荐 Temperature
代码生成、事实问答	0 - 0.3
通用对话、文案写作	0.5 - 0.7
创意写作、头脑风暴	0.8 - 1.0

4. 多轮对话中的上下文管理

# 保持关键信息在上下文开头和结尾

system_prompt = "你是一个有帮助的助手。"
important_context = "【关键信息】用户正在做产品选型。"
current_question = "请给出建议。"
key_reminder = "务必输出要点列表。"

messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": important_context},  # 开头
    # ... 中间对话 ...
    {"role": "user", "content": current_question + "\n\n" + key_reminder}  # 结尾
]

print(messages)

13.1.9 常见问题与解决方案

问题	解决方案
输出格式不稳定	使用 Structured Outputs 或 JSON 模式
模型“跑题”	在系统提示词中明确任务边界
回答过长	指定字数限制或使用 max_tokens
幻觉问题	结合 RAG，要求引用来源

动手试试

1. 对比 GPT 系列的”推理模型”（o 系列）和”常规模型”（GPT-4o）处理同一个复杂任务的效果差异——什么时候推理模型明显更好？

2. 试着用 system message 和 developer message 分别设置同一条指令，观察它们对模型行为影响的区别。