Как писать промпты для GPT-5.6: 7 правил которые изменились с выходом новой модели

С выходом GPT-5.6 старая схема промптинга «распиши каждый шаг подробно» перестала работать так, как раньше. OpenAI протестировала это внутри компании: длинные структурированные промпты на новых моделях Sol, Terra и Luna часто выдают результат хуже, чем короткие. Разница ощутимая: до 15% лучше по качеству при на треть-две трети меньшем количестве токенов. В этой статье разберем 7 правил, которые реально стоит применять при написании промптов для gpt 5.6, с примерами до и после.

GPT-5.6 работает лучше на коротких промптах с описанием результата, а не пошаговых инструкциях. Семь правил: результат вместо шагов, минимум текста, явные границы вместо «всегда/никогда», условия завершения задачи, autonomy budget, точный уровень reasoning и проверка своей же работы. Ниже — примеры и готовая структура промпта.

Почему промпты для GPT-5.5 больше не работают на GPT-5.6?

Модель стала настолько самостоятельной, что подробные инструкции ей больше мешают, чем помогают. Она сама достраивает недостающие шаги.

GPT-5.6 Sol набирает 80 баллов по Coding Agent Index против 77.2 у Claude Fable 5 и при этом стоит в разы дешевле — 5 долларов за миллион входящих токенов против 10 у конкурента. Разработчик собрал приложение для кафе на Sol за 7 долларов, та же задача на Fable 5 обошлась в 62.

Штука в том, что рост интеллекта модели меняет саму механику общения с ней. Раньше промпт-инженер описывал процесс, потому что модель без этого терялась. Сейчас, если расписать 15 шагов вручную, GPT-5.6 честно пройдет все 15, даже если задача решается за 3. Она не станет спорить с инструкцией, а слепо выполнит лишнюю работу. Отсюда и падение качества: чем больше текста в промпте, тем больше шансов, что модель зацепится за неважную деталь и потеряет фокус на главном.

Правило 1. Как описать результат вместо шагов?

Формулируй, что значит «готово», а не как туда прийти. GPT-5.6 сама планирует маршрут — это то, в чем она сейчас сильнее всего.

Тест с планированием поездки на Бали показал разницу в объеме промпта в два раза при одинаковом качестве ответа. Старый промпт перечислял пять последовательных действий: сначала найди билеты, потом отели, потом составь маршрут. Новый — просто описал итог и критерий готовности.

Сравните сами:

Старый стиль: «Сначала найди варианты перелета из Бенгалуру на Бали, потом составь список отелей, потом проверь вегетарианские опции, потом сделай маршрут по дням, потом посчитай бюджет, потом дай советы».

Новый стиль: «Спланируй поездку на Бали на 5 дней для двоих вегетарианцев из Бенгалуру, бюджет 80 000 рупий. Готово значит: маршрут по дням, два варианта жилья с ценами и однострочная разбивка бюджета сверху».

Второй промпт короче почти вдвое, а получаешь именно то, что нужно, без лишних раскрытий процесса. То же самое работает и в коде: не «сначала создай схему базы, потом API, потом фронтенд», а «нужен рабочий MVP службы поддержки с 4 ролями и триажем тикетов по приоритету».

Правило 2. Зачем удалять текст из промпта, а не добавлять?

Если система-промпт разросся до простыни правил — удаляй, а не дописывай. GPT-5.6 умнее, чем кажется, и сама заполняет пробелы в логике.

OpenAI прямо указывает: убирание повторяющихся инструкций и лишних примеров из системного промпта повышает качество на 10-15%, а токены сокращаются на 41-66%. Это не теория — это измеренная разница на реальных агентских задачах.

Что стоит выкинуть из промпта в первую очередь: повторяющиеся правила стиля, примеры, которые ничего не меняют в поведении модели, описания процесса, который модель и так делает сама, и инструкции для инструментов, которые вообще не используются в задаче. Оставить нужно только желаемый результат, критерии успеха, ограничения и формат вывода.

Здесь легко переборщить в обратную сторону. Если написать «отвечай максимально коротко», модель начнет резать смысл вместе с водой — выкинет важную деталь просто потому, что ты попросил «короче». Формулировка «начни с вывода» работает надежнее: она задает структуру, а не режет контент вслепую.

Правило 3. Как задать границы вместо слов «всегда» и «никогда»?

Абсолютные слова оставь для реальных правил безопасности. Для остального — условие: когда действовать самостоятельно, а когда спросить.

«Всегда спрашивай меня перед ответом на письмо» — рабочий промпт для GPT-5.5, но для GPT-5.6 это гарантия 50 уведомлений в день на каждую рутинную мелочь. Модель воспринимает абсолютные формулировки буквально и останавливается там, где остановка вообще не нужна.

Рабочая версия звучит иначе: «Отвечай и отправляй черновики на рутинные и стандартные письма сам. Уточняй у меня только если в письме есть деньги, смена дедлайна или обязательство, которого я еще не давал». Условие вместо запрета — модель фильтрует автоматически 95% входящих и не трогает тебя по мелочам.

Слова вроде «будь дружелюбным» тоже больше не срабатывают как раньше — они слишком абстрактны для модели такого уровня. «Признавай проблему клиента прямо, без дежурных фраз утешения» — конкретное поведенческое правило, а не пожелание настроения.

Правило 4. Что такое stopping conditions и почему без них модель работает вхолостую?

Пропиши, при каком условии задача считается выполненной. Иначе агент либо остановится слишком рано, либо будет крутить циклы бесконечно.

Одна из ключевых фич GPT-5.6 — программная координация инструментов без возврата к модели на каждом шаге. Это экономит и токены, и время, но только если агенту явно указано, когда он вправе закончить цикл проверок.

Практическая формулировка: «Реши задачу за минимум полезных вызовов инструментов. После каждого результата проверяй: достаточно ли данных, чтобы ответить с доказательствами? Если да — отвечай. Если нет — назови, чего именно не хватает, и возьми минимально нужный фолбэк». Без такого правила модель либо застревает в бесконечном дособирании контекста, либо, наоборот, выдает ответ на половине пути и называет это готовым результатом.

Правило 5. Как определить autonomy budget для агента?

Дай две четкие границы: что можно делать без спроса и что требует подтверждения. Повторение «спроси меня» несколько раз в тексте промпта работает против тебя.

Чем более агентная модель, тем острее вопрос автономии. Если границы не заданы явно, случится одно из двух: либо модель будет спрашивать разрешение каждые 30 секунд, либо, наоборот, зайдет дальше, чем от нее хотели.

Лиза: «Он реально собирает реальную частотность, находит запросы, до которых я бы вручную никогда не додумалась. На 30 минут можно отойти — собирает сам».

Это как раз пример правильно заданного autonomy budget: задача поручена целиком, а не разбита на согласования каждого шага. Рабочий шаблон: «Изучи лучшие приложения для заметок для студентов. Можешь искать, сравнивать и отсеивать варианты без моего участия. Спроси меня только перед тем, как порекомендовать что-то дороже 500 рублей в месяц». Одна четкая граница вместо десяти напоминаний «спроси меня» — и модель фильтрует запросы на подтверждение сама, без лишнего шума.

Правило 6. Какой уровень reasoning выбрать под задачу?

У GPT-5.6 шесть уровней мышления: от none до max. Дефолт для большинства дневных задач — medium, а max держи только для реально нерешаемых с первого захода проблем.

Модель GPT-5.6 позволяет управлять глубиной размышлений отдельно на каждый запрос. Ошибка новичка — ставить high или max по умолчанию «на всякий случай». Это не бесплатно: режим max стоит кратно дороже стандартного и не нужен для 90% рабочих задач.

Terra на среднем уровне reasoning закрывает большинство ежедневных задач эффективнее, чем Sol на максимальном режиме — просто потому, что задача не требует такой глубины мышления, а платишь ты именно за нее.

Правило 7. Как заставить модель проверять собственный результат?

Раздели роли: тот, кто пишет черновик, не должен сам себя оценивать. GPT-5.6 хорошо держит роль строгого редактора, если сказать ей забыть про то, что она сама написала.

Здесь работает механика, которую называют loop-инжинирингом: не один промпт, а цикл из плана, выполнения, проверки и повторной попытки, пока результат не пройдет по чек-листу. У любого рабочего цикла три обязательных элемента — верификатор (чек-лист успеха), состояние (что уже пробовали) и условие остановки (максимум попыток или лимит времени).

Пример: «Напиши выпуск рассылки на 500 слов про AI в тревел-планировании. Затем стань строгим редактором без памяти о том, что писал черновик. Проверь по пунктам: до 500 слов, начало с конкретной истории, а не с определения, ровно один призыв к действию, ноль штампов вроде "в современном быстро меняющемся мире". Если пункт не пройден — перепиши и оцени заново. Стоп: все пункты пройдены или три круга, что наступит раньше».

Такой подход особенно хорошо ложится на код: попроси один сеанс Claude Code написать функцию, а отдельным промптом в GPT-5.6 — проверить чужой код на баги без контекста автора. Разные модели реже совпадают в слепых зонах, и связка «создатель + чужой проверяющий» ловит больше ошибок, чем модель, которая правит саму себя.

Официальная структура промпта от OpenAI: что туда входит

Роль, характер, цель, критерии успеха, ограничения, инструменты, формат вывода и правило остановки — восемь блоков, но не все нужны в каждом промпте.

Не каждая задача требует всех восьми частей структуры. Для быстрого запроса хватит цели и критерия готовности. Но для агентской или спорной задачи (например, ответ раздраженному клиенту) полная структура ловит именно то, что раньше приходилось объяснять на словах: роль задает контекст, критерии успеха — что считается хорошим ответом, ограничения — жесткие рамки типа лимита возврата денег, а stop-правило — когда модели пора остановиться и передать вопрос человеку.

Сколько теряют на старых промптах: разница в цифрах

Экономия на токенах при правильном промптинге ощутима не только на бумаге — она складывается в реальные счета за API уже на первой сотне тысяч задач.

Если промпт раздут вдвое сверх нужного, и токенов, и денег уходит пропорционально больше — а по данным OpenAI, короткий промпт еще и точнее длинного. Экономия здесь двойная: меньше платишь и получаешь результат ближе к тому, что просил.

Кому эти правила пригодятся в первую очередь?

Новичкам — избавиться от привычки расписывать процесс. Разработчикам — сократить системные промпты агентов. Вайбкодерам — выстроить autonomy budget для полностью автономных проектов.

Новичок, который только начинает работать с нейросетями, чаще всего именно перегружает промпт лишними деталями, потому что боится, что модель «не поймет». С GPT-5.6 обратная логика: чем четче цель и чем меньше воды вокруг, тем стабильнее результат. Разработчику эти правила особенно полезны при настройке системных промптов для агентов и Codex — там экономия токенов сразу видна в счете. Вайбкодеру, который строит продукт в одиночку через AI, stopping conditions и autonomy budget буквально экономят часы: не нужно сидеть рядом и подтверждать каждый шаг генерации.

Часто задаваемые вопросы

Промпты для GPT-5.5 вообще не работают на GPT-5.6?

Работают, но хуже. Модель все равно выполнит подробную инструкцию, просто потратит больше токенов и с большей вероятностью зацепится за неважную деталь вместо сути задачи.

Нужно ли теперь писать промпты короче для любой задачи?

Нет. Для сложных агентских сценариев, где важны границы и критерии остановки, промпт может быть длиннее, но каждая строчка там должна менять поведение модели, а не описывать очевидный процесс.

Что делать, если модель делает слишком много без спроса?

Задать четкий autonomy budget: список действий без подтверждения и отдельно — список ситуаций, когда нужно остановиться и спросить. Повторять «спроси меня» много раз в тексте не помогает, а наоборот, сбивает модель.

Какой уровень reasoning ставить по умолчанию?

Medium закрывает большинство повседневных задач что на Sol, что на Terra. Max нужен только для по-настоящему нерешенных проблем, которые команда искала два дня и не нашла.

Loop-инжиниринг — это то же самое, что промпт-инжиниринг?

Нет. Промпт — это одна инструкция. Loop — это цель, которую модель выполняет циклами: план, действие, проверка по чек-листу, повтор, пока условие не выполнено или не кончился лимит попыток.

Можно ли использовать эти правила в Claude Code или других моделях?

Принципы outcome-first и явных границ работают шире, чем одна модель — их применяют и в Claude Code, и в Cursor. Но конкретные пороги reasoning effort и autonomy специфичны для семейства GPT-5.6.

Где смотреть официальную документацию OpenAI по промптингу?

Актуальные гайдлайны публикуются в разделе документации разработчика на платформе OpenAI, обновления бенчмарков — на Artificial Analysis.

Глоссарий

• Outcome-first — подход к промптингу, где описывается желаемый результат и критерий готовности, а не последовательность шагов.
• Stopping condition — условие, при котором задача или цикл агента считается завершенным.
• Autonomy budget — заранее заданные границы того, что модель может делать сама, а что требует подтверждения человека.
• Reasoning effort — уровень глубины размышлений модели перед ответом, от none до max.
• Loop-инжиниринг — построение цикла из плана, выполнения, проверки по чек-листу и повторной попытки вместо одного промпта.
• Verifier (верификатор) — чек-лист или правило, по которому агент проверяет собственный результат перед завершением цикла.

Источники: OpenAI Platform Docs — официальные гайдлайны по промпт-инжинирингу; Artificial Analysis — независимые бенчмарки моделей.

Хочешь применить эти правила на практике в связке с конкретными инструментами? Смотри разбор Claude Code и Cursor в каталоге, или загляни в полный каталог AI-инструментов. Если нужна настройка агентов и промптов под конкретную задачу маркетинга, есть готовый агент для маркетолога. А если хочешь разобрать свой кейс лично — пиши Максиму в телеграм.