# 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

```python
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

{% @mermaid/diagram content="flowchart TB
subgraph SystemPrompt\["系统提示词结构"]
Identity\["身份定义"]
Behavior\["行为规范"]
Format\["格式要求"]
Constraints\["限制条件"]
end

```
Identity --> Behavior --> Format --> Constraints

style Identity fill:#e3f2fd
style Behavior fill:#fff3e0
style Format fill:#e8f5e9
style Constraints fill:#fce4ec" %}
```

*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

```python
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：

```python
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

```python
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

```python
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

```python

# 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。