#GPT-5 thinking

avatar
lencx
23小时前
我之前就写过一篇《深度理解：提示词工程》，自认为已经覆盖到了绝大多数 Prompt 场景。今天又尝试让 GPT-5 Thinking 站在非常规角度来聊聊 Prompt。内容大部分都是老生常谈的东西，不过也有些小亮点，整体读下来感觉不错，就整理成此文。 👉 LLM 高效沟通指南:
#提示词工程 #GPT-5 thinking #LLM #高效沟通 #非常规角度
avatar
“命名”的学问：关于gpt-5的命名 gpt-5的命名是有问题的：gpt-5作为一个整合系统，由3个模块组成；1️⃣ 是基础款、非推理的聊天模型（官方命名：gpt-5）；2️⃣ 是推理版本的gpt-5 thinking；3️⃣ 是自动的路由模块，自动帮用户在不同模型之间切换； （事实上更复杂：1️⃣ gpt-5 还有mini版本，2️⃣ gpt-5 thinking还有mini、nano和多个gpt-5 thinking 并行的pro mode） 所以，按照官方的命名，就出现这样的画面： gpt-5（整合系统）有三个版本，分别是 gpt-5（单一聊天模型） ，gpt-5 thinking，gpt-5 pro。（如图1的model picker） ===修改方法=== 修改很简单，把 非推理的gpt-5，直接叫 gpt-5 chat。 这样就和gpt-5 thinking、gpt-5 pro 对称了。而且，更显示“gpt-5”这一概念作为多模型混合系统的本质。
#GPT-5命名 #多模型混合系统 #GPT-5 chat #GPT-5 thinking #模型命名规范
avatar
目的：记录一次真实任务执行过程，看看 GPT-5 thinking 与 Claude Code 到底谁更靠谱。 task：`给我下载nosql所有你能找到的数据库的icons,例如redis, mongodb etc.` 结果： • GPT-5 thinking 先在网页端给出完整方案，我再拿 Claude Code 照着跑，最后连向量数据库 Milvus 的图标都收进来了，数量远多于预期。 • 直接让 Claude Code 干，只抓回 10 个，还混进几个错的。 小结：先用 GPT-5 thinking 做任务规划，再用 Claude Code 当苦力，效果最稳。
#GPT-5 thinking #Claude Code #数据库图标 #任务规划 #向量数据库Milvus