Как писать промпты для GPT-5.6 Sol, Terra и Luna: полное руководство с примерами от OpenAI

GPT-5.6 — не просто GPT-5.5 с улучшенным качеством. Это другая модель с другой логикой работы, и промпты, которые отлично работали раньше, могут активно вредить на новой версии.

OpenAI официально опубликовали гайд по промптингу GPT-5.6 и задокументировали конкретный факт: упрощение промптов даёт +10-15% к качеству при сокращении токенов на 41-66% и снижении стоимости на 33-67%. Больше инструкций — хуже результат. Это контринтуитивно, и это важно понять до того, как начать переносить старые системные промпты.

Разбираем всё: три модели, шесть уровней reasoning effort, Pro mode, Programmatic Tool Calling, структуру промпта, миграцию и готовые шаблоны.

Полное руководство по промптингу GPT-5.6 Sol, Terra и Luna на основе официальной документации OpenAI. Как выбрать модель, настроить reasoning effort и Pro mode, написать лаконичный системный промпт, использовать Programmatic Tool Calling. Примеры промптов для кодинга, агентов, фронтенда, бизнес-задач.

Официальные источники:

• developers.openai.com: Using GPT-5.6 — полная документация
• Prompting guidance for GPT-5.6 Sol — гайд по промптингу
• Reasoning best practices — reasoning effort и Pro mode
• Programmatic Tool Calling — документация PTC
• FelloAI: 7 Tips for GPT-5.6 — независимый разбор

Три модели — какую выбрать под задачу

GPT-5.6 — это семейство из трёх моделей с разным соотношением цена/качество/скорость. Алиас gpt-5.6 в API ведёт на Sol.

Правило выбора от OpenAI

Начни с Sol как baseline. Прогони реальные задачи. Потом переключись на Terra и проверь — большинство everyday-задач проходят на Terra за полцены без потери качества. Если задача совсем рутинная и нужен объём — тестируй Luna.

Не угадывай. Измеряй.

Что нового в каждой

GPT-5.6 Sol вводит поддержку max reasoning effort — самые сложные задачи, где нужно максимальное исследование и верификация. Если сейчас используешь xhigh, сравни оба уровня на реальных задачах.

GPT-5.6 особенно хорош во фронтенде: создаёт более аккуратные и функциональные сайты с лучшим layout, визуальной иерархией и дизайн-суждением. Это явно указано в официальной документации как отдельное улучшение.

GPT-5.6 лучше понимает намерение из контекста — чаще не нужно расписывать каждый шаг, достаточно описать цель и критерии успеха.

Главный принцип: меньше инструкций — лучше результат

Это самая важная вещь в этом гайде, и именно она самая контринтуитивная.

OpenAI замерили на реальных кодинг-агентских задачах: конфигурации с более лаконичными системными промптами дали +10-15% к качеству при сокращении токенов на 41-66% и снижении стоимости на 33-67%.

Почему? GPT-5.6 лучше понимает цель из контекста. Подробные пошаговые инструкции мешают модели выбирать эффективный путь. Повторяющиеся правила создают конфликты. Лишние примеры добавляют шум.

Практическое следствие: промпт, написанный для GPT-5.5, может работать хуже на GPT-5.6 не потому что GPT-5.6 слабее, а потому что он умнее — и старый промпт мешает ему думать.

Шесть уровней reasoning effort — как выбрать нужный

Reasoning effort — параметр в API (reasoning.effort), который определяет, сколько «думает» модель перед ответом. Больше thinking — лучше качество, но выше стоимость и latency.

Ключевое правило от OpenAI: начни с текущего effort level (если мигрируешь с GPT-5.5) → протестируй на один уровень ниже → GPT-5.6 часто выдаёт то же качество при меньшем effort.

Это не просто экономия. Иногда меньше thinking = лучший результат, потому что модель не «переусложняет» простую задачу.

Pro mode: когда нужна максимальная надёжность

Pro mode — отдельный режим выполнения (reasoning.mode: "pro"), при котором модель делает дополнительный раунд вычислений перед финальным ответом. Один ответ, но более проверенный.

Важно: Pro mode и reasoning effort — независимые рычаги. Включаешь Pro mode + выбираешь effort отдельно. Если не указать effort, модель по умолчанию использует medium — и в standard, и в Pro режиме.

Когда использовать Pro mode

Используй когда неправильный ответ стоит дорого:

• Сложная оптимизация кода или архитектуры
• Дорогостоящий code review или security audit
• Глубокий анализ с чёткими критериями оценки
• Высокоставочные решения, где нужна надёжность важнее скорости

Не используй для рутинных задач, latency-sensitive запросов, высокообъёмной обработки. Там Pro mode добавляет стоимость без измеримого выигрыша.

Как промптить в Pro mode

Ключевой момент: не нужно писать «используй Pro mode» или «думай тщательнее» — это не работает. Промпт не меняется. Пиши так же, как в стандартном режиме: цель, контекст, ограничения, критерии успеха, формат вывода.

Пример хорошего промпта для Pro mode:

Проверь этот план миграции базы данных на сценарии отказа, которые могут привести
к потере данных или длительному простою.

Для каждой найденной проблемы:
- Укажи конкретный шаг плана
- Оцени вероятность и последствия
- Предложи конкретное решение

Верни пять наиболее критичных рисков в порядке убывания серьёзности.

Лаконично. Цель ясна. Формат вывода определён. Ничего лишнего.

Структура системного промпта для GPT-5.6

Официальная структура от OpenAI — пять блоков, каждый с конкретной задачей:

# Контекст и цель
[Что должно быть достигнуто, критерии успеха, условия остановки]

# Ограничения
[Только инварианты: safety-правила, обязательные поля, запрещённые действия]

# Инструменты
[Только релевантные задаче, с краткими описаниями]

# Формат вывода
[Схема или описание нужного вывода]

# Автономия
[Что можно делать без подтверждения, что требует одобрения]

Что такое «инварианты» и почему это важно

ALWAYS/NEVER/must — используй только для:

• Safety rules (что никогда не должно происходить)
• Required fields (что всегда должно быть в выводе)
• Запрещённых действий с необратимыми последствиями

Для всего остального — decision rules, а не абсолютные правила. «Если пользователь просит X и контекст Y — делай Z» вместо «ALWAYS делай Z».

Почему: абсолютные правила для judgment calls создают конфликты, когда контекст требует другого поведения.

Как правильно определить автономию агента

GPT-5.6 проактивен и настойчив. Без чёткой политики автономии он будет либо слишком часто спрашивать разрешения, либо делать вещи, которые не ожидались.

Компактная политика от OpenAI, которую можно взять за основу:

Для запросов типа «объясни», «проверь», «проанализируй», «спланируй» —
изучи материалы и дай результат. Не вноси изменения, если явно не попросили.

Для запросов типа «измени», «создай», «исправь» —
вноси запрошенные изменения в рамках задачи, запускай нересурсоёмкую валидацию,
не спрашивай разрешения на очевидно безопасные действия.

Требуй подтверждения для:
- Внешних записей (API-вызовы, публикации)
- Деструктивных действий
- Действий с реальными финансовыми последствиями
- Расширения scope задачи

Критически важно: каждое правило — один раз. Повторение «спрашивай сначала» в пяти местах промпта вызывает лишние запросы подтверждения на безопасные действия. Держи политику в одном месте.

Sol: промпты для кодинга и агентских задач

Sol — главная модель для серьёзного кодирования. Официальные рекомендации для кодинг-задач:

Роль и workflow агента

Описывай модель как software engineering agent с чёткими обязанностями:

Ты — software engineering agent. Твоя задача: [конкретная цель].

Workflow:
1. Прочитай и пойми существующий код
2. Напиши юнит-тесты для изменений перед их внесением
3. Внеси изменения
4. Убедись, что тесты проходят
5. Задокументируй что изменилось и почему

Не используй interactive execution для [конкретных случаев].

Тестирование — отдельная инструкция

Важный нюанс: apply_patch может вернуть «Done» даже при ошибке. Явно инструктируй тестировать:

После каждого изменения кода — запусти релевантные юнит-тесты.
Не считай задачу выполненной, пока тесты не прошли.
Если тест упал — исправь код, не тест (если только тест некорректный).

Фронтенд-промпт

GPT-5.6 силён во фронтенде. Для максимального результата определяй принципы явно. Рекомендованный стек из официальной документации:

• CSS: Tailwind CSS
• UI компоненты: shadcn/ui, Radix Themes
• Иконки: Lucide, Material Symbols, Heroicons
• Анимации: Motion (бывший Framer Motion)

Ты — frontend engineering agent. Создавай полированные, функциональные интерфейсы.

Принципы:
- Визуальное качество: правильная иерархия, отступы, типографика
- Модульность: переиспользуемые компоненты, консистентные паттерны
- Стек: Tailwind CSS, shadcn/ui, Lucide icons, Motion для анимаций

UI/UX требования:
- Обрабатывай все состояния: hover, empty, loading, error
- WCAG 2.1 AA доступность
- Мобильная адаптивность

Перед написанием кода — уточни неясные design assumptions.
После написания — проверь все состояния компонента.

Агентские задачи: план, трекинг, краткие update

Три правила для долгих агентских задач:

Перед началом — составь подробный план в TODO tool.
При важных решениях — кратко объясни почему выбрал этот путь.
В процессе — обновляй TODO, не нарратируй рутинные вызовы инструментов.

Terra: промпты для бизнес-задач и поддержки

Terra — оптимальная модель для большинства production-задач, где Sol избыточен. Цена вдвое ниже, качество сопоставимо на everyday-задачах.

Тон и стиль — конкретные writing choices

Одна из главных ошибок: описывать тон широкими лейблами.

❌ Плохо:

Отвечай дружелюбно и с эмпатией.

✅ Хорошо:

Давай ответ прямо: сначала решение, потом объяснение.
Если пользователь сообщает о проблеме — признай конкретную проблему прежде чем
предлагать следующий шаг.
Используй подбадривание только когда это уместно по контексту.
Не добавляй общие похвалы и ненужные прощания.

Разница: второй вариант даёт модели чёткие инструкции о конкретных writing choices, первый — расплывчатый ярлык который она интерпретирует по-своему.

Контроль длины ответа

GPT-5.6 по умолчанию короче GPT-5.5. Проверь, нужны ли тебе инструкции типа «будь кратким» — возможно, они теперь делают ответы слишком короткими.

Используй text.verbosity для глобального контроля:

• text.verbosity: low — кратко
• text.verbosity: medium — сбалансированно (default)
• text.verbosity: high — детально

В промпте определяй только task-specific требования к длине, не глобальные.

Если нужен короткий ответ, описывай что должно быть сохранено:

Дай ответ с выводом наверху. Включи доказательства, поддерживающие вывод,
важные оговорки и следующее действие.
Убери второстепенные детали и повторения.
Сохрани все важные факты, решения, оговорки и следующие шаги.

Промпт для бизнес-анализа

Ты — бизнес-аналитик. Анализируй данные и давай чёткие выводы.

Success criteria:
- Каждый вывод подкреплён данными из предоставленных источников
- Рекомендации конкретны и actionable
- Неопределённость обозначена явно

Формат: Вывод → Доказательства → Риски → Следующий шаг

При недостатке данных для утверждения — скажи об этом явно,
не делай вывода из домыслов.

Luna: промпты для высокообъёмных задач

Luna — для задач, где нужен объём и скорость, а не максимальное качество. $1/$6 за 1M токенов.

Суммаризация

Summarize the following text.

Output:
- 3 bullet points covering the main points
- 1 sentence conclusion
- Key numbers or dates if present

Be factual. Do not add information not in the source.

Коротко. Никаких роль-описаний, никаких длинных инструкций. Luna справляется.

Классификация

Classify the following customer message into one category:
- Billing issue
- Technical problem
- Feature request
- General inquiry

Output only the category name.

Черновики контента

Write a first draft of [content type] about [topic].
Target audience: [description]
Tone: [конкретные writing choices, не лейблы]
Length: [конкретно]

This is a draft for human review. Prioritize clarity over perfection.

Programmatic Tool Calling: когда и как

Programmatic Tool Calling (PTC) — новая фича GPT-5.6. Модель пишет JavaScript-скрипт, который обрабатывает результаты инструментов внутри hosted runtime и возвращает компактный результат. 900 строк данных из API не проходят через модель — скрипт их обрабатывает и возвращает только нужное.

Когда использовать PTC

Подходит для:

• Фильтрации большого набора данных
• Join-операций между несколькими источниками
• Ранжирования и сортировки результатов
• Дедупликации
• Агрегации (суммы, средние, группировки)
• Валидации данных

Не подходит когда:

• Достаточно одного вызова инструмента
• Промежуточный результат небольшой
• Каждый результат может изменить следующее решение модели
• Действие требует подтверждения пользователя
• Финальный вывод должен содержать цитаты или артефакты

Как писать промпт с PTC

Важно: не полагайся на общие инструкции вроде «используй PTC эффективно». Будь конкретным:

<tool_orchestration>
Используй Programmatic Tool Calling для [конкретного этапа].
Доступные инструменты: [список].
Запускай независимые вызовы параллельно где безопасно.
Используй только задокументированные input/output поля инструментов.

Обработай промежуточные результаты и верни:
[точная схема вывода с необходимыми доказательствами]

Остановись когда [условие]. Retry при transient errors максимум [N] раз.
Не повторяй завершённые вызовы, не выполняй side-effecting actions.
При недостатке данных — верни структурированное сообщение об ошибке.

Для [семантических суждений / финальной валидации] — используй прямые вызовы.
</tool_orchestration>

После внедрения PTC обязательно: сравни program_output и финальное message — это два разных вывода. Программа может вернуть правильные данные, а сообщение — упустить нужную деталь.

Grounding и цитаты

Если задача требует доказательств — явно определи в промпте:

Политика доказательств:
- Каждое фактическое утверждение должно быть подкреплено источником из предоставленных материалов
- Достаточное доказательство: прямая цитата или явное утверждение в источнике
- При отсутствии доказательства — укажи что данных недостаточно
  (отсутствие доказательства ≠ автоматический ответ «нет»)
- Цитируй источник в формате [документ, секция]

Как мигрировать промпт с GPT-5.5 на GPT-5.6

OpenAI дают чёткий алгоритм — и главное правило:

Никогда не переписывай рабочий промпт целиком. Если переписать всё сразу и что-то сломается — непонятно, что именно вызвало изменение: модель, effort, промпт, инструменты или runtime.

Алгоритм миграции

1. Переключи модель → сохрани текущий reasoning effort
2. Прогони representative evals ДО изменения промпта — это baseline
3. Удаляй по одной группе: повторяющиеся инструкции → устаревшие примеры → нерелевантные инструменты
4. После каждого удаления — прогоняй evals заново
5. Добавляй инструкции только для исправления конкретных измеренных регрессий

Чеклист: что удалить в первую очередь

• Инструкции, которые повторяются в разных местах промпта — оставь одну
• Примеры, которые не покрывают реальные edge cases
• Инструменты, которые не нужны для текущей задачи
• Broad brevity rules типа «Be concise» — GPT-5.6 и так короче
• Шаблонные роль-описания без конкретного содержания

Чеклист: что проверить после миграции

• text.verbosity настроен под твои нужды?
• Reasoning effort выбран осознанно, а не по умолчанию?
• Каждое правило в промпте написано ровно один раз?
• Политика автономии агента чёткая и в одном месте?
• Инструменты только те, что нужны для задачи?

Migrate с Codex одной командой

Если используешь Codex — OpenAI добавили специальный skill для автоматической миграции:

$openai-docs migrate this project to the GPT-5.6 model family

Skill доступен в репозитории github.com/openai/skills.

Готовый шаблон системного промпта

Минимальный рабочий шаблон для GPT-5.6 от OpenAI:

Ты — [роль]. Твоя задача: [желаемый результат].

Критерии успеха:
- [измеримое условие 1]
- [условие завершения]

Ограничения:
- НИКОГДА [safety rule / запрещённое действие]
- ВСЕГДА [обязательный инвариант]

Автономия:
- Делай без подтверждения: [список безопасных действий]
- Требуй подтверждения для: [список]

Доступные инструменты: [список с однострочными описаниями]

Формат вывода: [схема или описание]

Перед завершением проверь: [условия валидации]

Это не финальный промпт — это отправная точка. Удаляй всё, что не нужно конкретно для твоей задачи.

Сравнение: что изменилось против GPT-5.5

FAQ

Нужно ли переписывать все промпты при переходе на GPT-5.6?
Нет. Начни с работающего промпта, прогони evals, потом удаляй инструкции по одной группе с измерением после каждого шага.

Что лучше: Sol на xhigh или Terra на max?
Нет универсального ответа — зависит от задачи. Измеряй на своих задачах. OpenAI рекомендует именно это: тестировать, не угадывать.

Как понять, нужен ли Pro mode?
Если неправильный ответ в твоей задаче стоит дорого (security audit, сложная архитектура, важное решение) — тестируй Pro mode и сравнивай с standard на реальных задачах. Не применяй глобально.

Разрешены ли кириллические промпты?
Да, GPT-5.6 хорошо работает с русскоязычными промптами. Но для продакшен-пайплайнов рекомендуется тестировать на реальных задачах — иногда английский промпт + русскоязычный контент даёт лучший результат.

Когда использовать reasoning.context: all_turns vs current_turn?all_turns — когда цели и приоритеты задачи стабильны на протяжении разговора. current_turn — когда предыдущий reasoning устарел и только мешает.

Что такое safety_identifier и нужен ли он мне?
Если твоё приложение обслуживает конечных пользователей — передавай стабильный анонимизированный safety_identifier с каждым запросом. Это помогает OpenAI отличать legitimate от abuse. Не персональные данные — хешированный ID пользователя или сессии.

Глоссарий

Reasoning effort — параметр reasoning.effort в API. Определяет сколько вычислений модель тратит на обдумывание перед ответом. 6 уровней: none, low, medium, high, xhigh, max.

Pro mode — режим reasoning.mode: "pro". Дополнительный раунд вычислений для максимальной надёжности на сложных задачах. Независим от reasoning effort.

Programmatic Tool Calling (PTC) — режим, где модель пишет JavaScript для обработки результатов инструментов внутри hosted runtime. Снижает объём данных, проходящих через модель.

text.verbosity — параметр для глобального контроля детальности ответов. Значения: low, medium, high.

reasoning.context — параметр для управления использованием reasoning между turns. all_turns — сохраняет reasoning из предыдущих ходов. current_turn — только текущий ход.

Инвариант — правило, которое никогда не имеет исключений: safety rules, обязательные поля, запрещённые действия. В отличие от decision rules, которые работают в зависимости от контекста.

Grounding — привязка ответов модели к конкретным источникам данных. Предотвращает генерацию непроверенных утверждений.

Representative evals — тесты на реальных задачах из твоего продакшена, а не синтетических примерах. Только на них можно надёжно измерить изменение качества при миграции.

safety_identifier — стабильный, анонимизированный идентификатор, передаваемый с каждым запросом для помощи OpenAI в обнаружении злоупотреблений без раскрытия личных данных.

Официальная документация GPT-5.6 — developers.openai.com/api/docs/guides/latest-model. Промпт-гайд — developers.openai.com/api/docs/guides/prompt-guidance-gpt-5p6. Reasoning best practices — developers.openai.com/api/docs/guides/reasoning-best-practices.

Смотрите каталог AI-инструментов на VibeCoderz — там актуальные сравнения всех моделей и кодинг-агентов.

Вопросы по промптингу и настройке агентов — к Максиму.

Обновлено: июль 2026. Источники: OpenAI Developers Docs, Prompting Guidance GPT-5.6, FelloAI.