1. ภาพรวมและความสามารถของ GPT-5
🎯 คุณสมบัติหลัก
🔗 สถาปัตยกรรมแบบรวม
รวม GPT และ o-series reasoning models เข้าด้วยกัน
🧠 การคิดแบบก้าวหน้า
ความสามารถในการคิดแบบ chain-of-thought ที่ดีขึ้น
🎭 รองรับหลายรูปแบบ
ข้อความ, รูปภาพ, เสียง (อนาคตอาจรองรับวิดีโอ)
✅ ลดข้อมูลผิด
ลดการสร้างข้อมูลที่ไม่ถูกต้องลง 45-80%
📊 ข้อมูลทางเทคนิค
คุณสมบัติ |
รายละเอียด |
ขนาด Context |
272,000 tokens (input), 128,000 tokens (output) |
โมเดลที่มี |
GPT-5 (เต็ม), GPT-5 Mini (เร็ว), GPT-5 Nano (เบา) |
ระดับการคิด |
Minimal, Low, Medium, High |
อินพุต |
ข้อความ + รูปภาพ |
เอาต์พุต |
ข้อความเท่านั้น |
🏆 ผลการทดสอบประสิทธิภาพ
คณิตศาสตร์
94.6%
AIME 2025
การเขียนโค้ด
74.9%
SWE-bench Verified
สุขภาพ
46.2%
HealthBench Hard
2. หลักการเขียน Prompt พื้นฐาน
✅ วิธีการที่ดีที่สุด
1. ความชัดเจนคือสำคัญ
คลุมเครือ: "ช่วยฉันเรื่องโค้ด"
ชัดเจน: "ตรวจสอบฟังก์ชัน Python นี้และแนะนำการปรับปรุงเพื่อประสิทธิภาพและความอ่านง่ายที่ดีขึ้น"
2. กำหนดบทบาทที่ชัดเจน
"คุณเป็นสถาปนิกซอฟต์แวร์อาวุโส วิเคราะห์สถาปัตยกรรมโค้ดนี้และให้คำแนะนำสำหรับการปรับปรุงความสามารถในการขยายตัว โดยเน้นที่การปรับแต่งฐานข้อมูลและรูปแบบการออกแบบ API"
3. จัดโครงสร้างคำขอของคุณ
เทมเพลต:
งาน: [สิ่งที่คุณต้องการให้ทำ]
บริบท: [ข้อมูลพื้นหลังที่เกี่ยวข้อง]
ข้อกำหนด: [เกณฑ์หรือข้อจำกัดเฉพาะ]
รูปแบบผลลัพธ์: [วิธีที่คุณต้องการให้จัดโครงสร้างคำตอบ]
🎯 กลยุทธ์การวิศวกรรม Prompt
การเขียน Prompt แบบ Chain-of-Thought
"คิดผ่านขั้นตอนนี้ทีละขั้น:
1. ก่อนอื่น วิเคราะห์ปัญหา
2. จากนั้น พิจารณาทางแก้ไขที่เป็นไปได้
3. ประเมินข้อดีและข้อเสีย
4. ให้คำแนะนำพร้อมเหตุผล"
การเขียน Prompt แบบกำหนดบทบาท
"ทำตัวเป็น [บทบาทเฉพาะ] ที่มีประสบการณ์ [จำนวนปี] ปีใน [ด้าน]
งานของคุณคือ [งานเฉพาะ] โดยพิจารณา [ข้อจำกัด/ข้อกำหนด]"
การใช้ตัวอย่างช่วยให้ GPT-5 เข้าใจสไตล์และรูปแบบที่คุณต้องการได้ดีขึ้น
3. การทำงานแบบ Agentic
🤖 การควบคุมความกระตือรือร้นของ Agentic
การตั้งค่าความเป็นอิสระสูง
<persistence>
- คุณเป็น agent - กรุณาทำงานต่อไปจนกว่าคำถามของผู้ใช้จะได้รับการแก้ไขอย่างสมบูรณ์
- จบรอบเฉพาะเมื่อคุณแน่ใจว่าปัญหาได้รับการแก้ไขแล้ว
- อย่าหยุดเมื่อพบความไม่แน่นอน — ค้นคว้าและดำเนินการต่อ
- อย่าขอให้มนุษย์ยืนยันสมมติฐาน เพราะคุณสามารถปรับได้เสมอ
</persistence>
การควบคุม/จำกัดความเป็นอิสระ
<context_gathering>
เป้าหมาย: รับบริบทเพียงพอให้เร็ว ทำงานแบบขนานและหยุดทันทีที่สามารถลงมือทำได้
วิธีการ:
- เริ่มกว้างๆ แล้วขยายไปสู่คำค้นที่เจาะจง
- ทำงานแบบขนาน เปิดคำค้นที่หลากหลาย
- หลีกเลี่ยงการค้นหาบริบทมากเกินไป
เกณฑ์หยุดเร็ว:
- คุณสามารถระบุเนื้อหาที่แน่นอนที่จะเปลี่ยนแปลงได้
- ผลลัพธ์อันดับต้นๆ มาบรรจบกัน (~70%)
</context_gathering>
📋 Tool Preambles และการอัปเดตความคืบหน้า
เทมเพลต Preamble คุณภาพสูง
<tool_preambles>
- เริ่มต้นด้วยการกล่าวซ้ำเป้าหมายของผู้ใช้อย่างชัดเจน
- วางแผนที่มีโครงสร้างโดยระบุขั้นตอนแต่ละขั้น
- บรรยายแต่ละขั้นตอนอย่างกระชับและเป็นลำดับ
- จบด้วยการสรุปงานที่เสร็จสิ้น
</tool_preambles>
การตั้งค่า agent ที่มีความเป็นอิสระสูงเกินไปอาจทำให้เกิดการใช้ทรัพยากรมากเกินจำเป็น
4. Responses API และการจัดการ Context
🔄 การใช้ Responses API
ประโยชน์หลัก
- เพิ่มประสิทธิภาพ: 73.9% → 78.2% ใน Tau-Bench Retail
- ประหยัด Token: ใช้ reasoning context ซ้ำได้
- ลดต้นทุน: กำจัด CoT tokens ที่ซ้ำซ้อน
- ความต่อเนื่อง: รักษา context ระหว่างการเรียกใช้เครื่องมือ
รูปแบบการใช้งาน
# คำขอแรก
response_1 = client.responses.create(
model="gpt-5",
messages=[{"role": "user", "content": "วิเคราะห์ข้อมูลนี้..."}],
reasoning_effort="medium"
)
# คำขอติดตามด้วยการใช้ context ซ้ำ
response_2 = client.responses.create(
model="gpt-5",
messages=[{"role": "user", "content": "ตอนนี้สร้างสรุป..."}],
previous_response_id=response_1.id # 🔑 คุณสมบัติสำคัญ
)
ใช้ previous_response_id เสมอสำหรับ multi-turn agentic flows เพื่อประสิทธิภาพที่ดีที่สุด
5. การเขียนโค้ดและพัฒนาซอฟต์แวร์
💻 วิธีการที่ดีที่สุดในการเขียนโค้ด
Frontend Development Stack (แนะนำ)
ประเภท |
เครื่องมือแนะนำ |
Framework |
Next.js (TypeScript) |
Styling |
TailwindCSS |
UI Components |
shadcn/ui |
Icons |
Lucide |
State Management |
Zustand |
การสะท้อนตนเองสำหรับการพัฒนาแอป
<self_reflection>
- ก่อนอื่น ใช้เวลาคิดเรื่องเกณฑ์การประเมินจนกว่าจะมั่นใจ
- คิดลึกๆ เกี่ยวกับทุกแง่มุมของ web app ระดับโลก
- ใช้ความรู้นั้นเพื่อสร้างเกณฑ์การประเมิน 5-7 หมวดหมู่
- ใช้เกณฑ์เพื่อปรับปรุงแนวทางแก้ไขที่ดีที่สุด
</self_reflection>
🎯 ข้อมูลเชิงลึกจากการรวม GPT-5 ของ Cursor
กลยุทธ์การควบคุม Verbosity
การตั้งค่าระบบ: verbosity = "low" (การอัปเดตสถานะกระชับ)
เครื่องมือโค้ด: "ใช้ verbosity สูงสำหรับการเขียนโค้ด"
ผลลัพธ์: การอัปเดตที่มีประสิทธิภาพ + โค้ดที่อ่านได้ชัดเจน
หลีกเลี่ยงการให้ GPT-5 ค้นหาบริบทมากเกินไปในงานเล็กๆ เพราะอาจทำให้เสียเวลาและทรัพยากร
6. การปฏิบัติตามคำสั่ง
⚠️ หลีกเลี่ยงคำสั่งที่ขัดแย้งกัน
ปัญหาทั่วไป
ตัวอย่างที่ขัดแย้ง:
"ไม่เคยนัดหมายโดยไม่มีความยินยอมอย่างชัดเจนของผู้ป่วย"
แต่ยัง:
"สำหรับกรณีฉุกเฉิน ให้กำหนดเวลาโดยอัตโนมัติโดยไม่ติดต่อผู้ป่วย"
เวอร์ชันที่แก้ไขแล้ว:
"สำหรับกรณีฉุกเฉิน ให้กำหนดเวลาหลังจากแจ้งผู้ป่วยเกี่ยวกับการกระทำ"
"ในกรณีฉุกเฉิน ดำเนินการทันทีเพื่อให้คำแนะนำ 911"
🎯 วิธีการที่ดีที่สุดในลำดับชั้นคำสั่ง
โครงสร้างลำดับความสำคัญ
ระดับ 1: โปรโตคอลความปลอดภัย (สูงสุด)
ระดับ 2: ข้อกำหนดการทำงานหลัก
ระดับ 3: ความชอบของประสบการณ์ผู้ใช้
ระดับ 4: แนวทางสไตล์และการจัดรูปแบบ
ใช้ข้อยกเว้นที่ชัดเจนและกรอบการแก้ไขความขัดแย้งที่ชัดเจนเพื่อหลีกเลี่ยงความสับสน
7. พารามิเตอร์ API
⚙️ reasoning_effort
ระดับ |
การใช้งานที่เหมาะสม |
Minimal |
งานเร็ว, คำถามง่าย, แอปที่ต้องการความเร็ว |
Low |
งานประจำที่มีความซับซ้อนบ้าง |
Medium |
ค่าเริ่มต้นสำหรับแอปส่วนใหญ่ |
High |
งานซับซ้อน, ปัญหาคณิตศาสตร์, การวิเคราะห์เชิงลึก |
📝 พารามิเตอร์ verbosity
Low
คำตอบกระชับ, คำอธิบายน้อย
Medium
ระดับรายละเอียดที่สมดุล
High
คำอธิบายครอบคลุม, เหตุผลละเอียด
คุณสามารถแทนที่การตั้งค่า verbosity ด้วยภาษาธรรมชาติใน prompt สำหรับบริบทเฉพาะ
8. เทมเพลตที่ใช้งานได้จริง
📋 เทมเพลต Agentic Agent
<agent_prompt>
**บทบาท**: [บทบาทเฉพาะของ agent และความเชี่ยวชาญ]
**ความรับผิดชอบหลัก**:
- [หน้าที่หลัก 1]
- [หน้าที่หลัก 2]
- [หน้าที่หลัก 3]
**ขั้นตอนการทำงาน**:
1. [ขั้นตอนการตรวจสอบ/ตั้งค่า]
2. [ขั้นตอนการรวบรวมข้อมูล]
3. [ขั้นตอนการวิเคราะห์/ประมวลผล]
4. [ขั้นตอนการดำเนินการ/ใช้งาน]
5. [ขั้นตอนการตรวจสอบ/ยืนยัน]
**คำสั่งความต่อเนื่อง**:
- ทำงานต่อไปจนกว่าคำถามจะได้รับการแก้ไขสมบูรณ์
- วางแผนอย่างละเอียดก่อนการเรียกใช้ฟังก์ชัน
</agent_prompt>
🔧 เทมเพลต Coding Agent
<coding_agent>
**ความเชี่ยวชาญ**: [ภาษาและเฟรมเวิร์ก]
**มาตรฐานคุณภาพโค้ด**:
- เขียนโค้ดเพื่อความชัดเจนเป็นอันดับแรก
- ใช้โซลูชันที่อ่านได้และดูแลรักษาได้
- เพิ่มคอมเมนต์สำหรับตรรกะซับซ้อน
- รักษาการจัดแต่งที่สอดคล้อง
**กระบวนการพัฒนา**:
1. วิเคราะห์ข้อกำหนดและข้อจำกัด
2. วางแผนสถาปัตยกรรมและแนวทาง
3. ดำเนินการด้วยวิธีการที่ดีที่สุด
4. ทดสอบและตรวจสอบการทำงาน
5. จัดทำเอกสารและอธิบายการดำเนินการ
</coding_agent>
💬 เทมเพลต Customer Service Agent
<customer_service_agent>
**ปรัชญาการบริการ**:
- แนวทางลูกค้าเป็นอันดับแรก
- กรอบคิดการแก้ปัญหาเชิงรุก
- การสื่อสารที่ชัดเจนและเป็นมิตร
**ขั้นตอนการปฏิสัมพันธ์**:
1. การทักทายและยืนยันตัวตน
2. การเข้าใจปัญหา
3. การพัฒนาโซลูชัน
4. การดำเนินการ
5. การติดตาม
**สไตล์การสื่อสาร**:
- ใช้ภาษาที่ชัดเจน ปราศจากศัพท์เฉพาะ
- แสดงความเอาใจใส่และความเข้าใจ
- ให้ไทม์ไลน์และความคาดหวังที่เฉพาะเจาะจง
</customer_service_agent>
9. การแก้ไขปัญหาและการปรับแต่ง
🔧 ปัญหาทั่วไปและวิธีแก้ไข
ปัญหา: โมเดลให้คำตอบแบบผิวเผิน
Prompt คลุมเครือ: "วิเคราะห์ข้อมูลนี้"
Prompt ปรับปรุง: "ทำการวิเคราะห์ข้อมูลการขายอย่างครอบคลุม:
1. ระบุแนวโน้มและรูปแบบสำคัญ
2. คำนวณอัตราการเติบโต
3. เน้นความผิดปกติ
4. ให้คำแนะนำ 3 ข้อ
5. สนับสนุนด้วยจุดข้อมูลเฉพาะ"
🎯 การปรับแต่งประสิทธิภาพ
⚡ การปรับแต่งเวลาตอบสนอง
- ใช้ reasoning_effort="minimal"
- ใช้เกณฑ์หยุดเร็วที่ชัดเจน
- ให้ขอบเขตงานเฉพาะ
🎯 การปรับแต่งความถูกต้อง
- เพิ่ม reasoning_effort สำหรับงานซับซ้อน
- ใช้การตรวจสอบหลายขั้นตอน
- ให้บริบทละเอียดและตัวอย่าง
💰 การปรับแต่งต้นทุน
- ใช้ Responses API สำหรับ multi-turn
- ใช้ระดับ reasoning effort ที่เหมาะสม
- เก็บข้อมูลบ่อยใช้ในแคช
📈 รายการตรวจสอบการประกันคุณภาพ
ก่อนการใช้งาน
ระหว่างการดำเนินงาน
10. Meta-Prompting
🧠 การใช้ GPT-5 เพื่อปรับปรุง Prompts
เทมเพลต Meta-Prompt
"เมื่อขอให้ปรับแต่ง prompts ให้คำตอบจากมุมมองของคุณเอง -
อธิบายว่าวลีใดที่สามารถเพิ่มเข้าไปหรือลบออกจาก prompt นี้
เพื่อให้เกิดพฤติกรรมที่ต้องการอย่างสม่ำเสมอ
นี่คือ prompt: [PROMPT]
พฤติกรรมที่ต้องการคือ [ต้องการ] แต่แทนที่จะเป็นอย่างนั้น
มัน [ไม่ต้องการ]
การแก้ไข/เพิ่มเติมขั้นต่ำอะไรบ้างที่คุณจะทำ?"
🔄 กระบวนการปรับปรุงแบบซ้ำ
1. การวัดพื้นฐาน
จัดทำเอกสารประสิทธิภาพปัจจุบัน และระบุจุดเจ็บ
2. การกำหนดสมมติฐาน
เสนอการปรับปรุงและทำนายการเปลี่ยนแปลง
3. การปรับเปลี่ยน
ใช้การเปลี่ยนแปลงและจัดทำเอกสาร
4. การทดสอบ
ทดสอบกับสถานการณ์หลากหลาย
5. การทำซ้ำ
วิเคราะห์และวางแผนการปรับปรุงต่อไป
ใช้ GPT-5 เป็น meta-prompter สำหรับตัวมันเองเพื่อปรับปรุง prompts ของคุณอย่างต่อเนื่อง
🎯 สรุปและคู่มืออ้างอิงด่วน
📝 หลักการสำคัญ
- ความเฉพาะเจาะจง: คำสั่งชัดเจนทำงานได้ดีที่สุด
- โครงสร้าง: ใช้ XML tags และส่วนที่ชัดเจน
- ความต่อเนื่อง: บอก agents ว่าเมื่อไหร่ทำต่อ/หยุด
- บริบท: ใช้ Responses API สำหรับ multi-turn
- พารามิเตอร์: จับคู่กับความซับซ้อนของงาน
⚙️ พารามิเตอร์หลัก
- reasoning_effort: minimal | low | medium | high
- verbosity: low | medium | high
- previous_response_id: สำหรับ context reuse
🎯 เมื่อไหร่ใช้อะไร
- คำถามง่าย: minimal + low
- วิเคราะห์ซับซ้อน: high + medium
- สร้างโค้ด: medium + high (สำหรับ code tools)
- งานหลายรอบ: Responses API
- Agentic workflows: ความต่อเนื่องสูง
🚀 เหมาะสำหรับผู้ที่ต้องการใช้ GPT-5 อย่างมีประสิทธิภาพสูงสุด
จัดทำโดยรวบรวมจาก OpenAI's Official GPT-5 Prompting Guide และข้อมูลล่าสุดจากแหล่งต่างๆ