Letzte Woche habe ich die Hälfte meiner Lieblingsaufforderung gelöscht und die Ausgabe wurde besser.
Das ist kein Demut. Ich gebe zu, dass ich Token verschwendet habe - und wahrscheinlich meine Ergebnisse verschlechtert habe - seit ungefähr zwei Jahren. Die fragliche Eingabeaufforderung hatte alles, was das alte Spielbuch für eine gute Eingabeaufforderung sagte: eine Rolle ("Sie sind ein leitender Datenanalyst"), ein langer Kontextblock, sechs nummerierte Schritte, drei bearbeitete Beispiele und ein abschließender Absatz, der das Modell daran erinnerte, "sorgfältig zu denken, nicht zu überstürzen und Ihre Arbeit zu überprüfen." Es war die Art von Eingabeaufforderung, die Sie in jedem prompten Engineering-Kurs von 2024 finden würden.
Dann las ich OpenAIs neuer Leitfaden für GPT-5.6, und es sagte mir, das meiste davon wegzuwerfen.
Der Ratschlag gestochen, weil ich dafür bezahlt hatte — in der Zeit, nicht nur Token. Und je mehr ich damit saß, desto mehr machte es Sinn.
Warum der "Länger ist besser" -Rat endlich gebrochen ist
Zwei Jahre lang wies die standardmäßige prompte technische Beratung in eine Richtung: Mehr hinzufügen. Füge eine Persona hinzu. Kontext hinzufügen. Schritte hinzufügen. Fügen Sie Beispiele hinzu. Fügen Sie einen letzten Schubs hinzu, damit das Modell nicht faul wird. Die Modelle waren damals schwach genug, dass dies tatsächlich half - jede zusätzliche Anweisung war ein Gerüst, das das Modell nicht für sich selbst bauen konnte.
GPT-5.6 ist nicht dieses Modell.
OpenAIs eigenes Framing ist unverblümt: Neuere Modelle können besser auf Ihr zugrunde liegendes Ziel und den Arbeitsstandard schließen, den Sie vom Kontext erwarten, ohne dass Sie jeden Schritt buchstabieren. Wenn sie einem modell turn-by-turn-anweisungen geben, die es nicht mehr benötigt, helfen sie nicht. Sie fügen Lärm hinzu.
Ich greife immer wieder auf dieselbe Analogie zurück, weil sich der Wandel damit am klarsten erklären lässt. Früher wurde das Modell wie ein Anfänger behandelt, dem jede Bewegung vorgegeben werden muss – linker Fuß, rechter Fuß, den Verteidiger im Blick behalten. GPT-5.6 ähnelt eher Messi. Wenn Sie ihm von der Seitenlinie jeden einzelnen Schritt zurufen, hält er Sie nur für unfähig. Der Spieler hat sich weiterentwickelt, das Trainerhandbuch nicht.
Was die Zahlen von OpenAI tatsächlich sagen
Normalerweise rolle ich meine Augen bei vom Anbieter veröffentlichten Benchmarks, aber diese sind spezifisch genug, um sie ernst zu nehmen.
In den internen Codierungsagenten von OpenAI führen Konfigurationen mit schlankerem System zu einer Verbesserung der Bewertungsergebnisse um etwa 10–15% während Sie die Gesamtmarken durch 41–66% und Kosten durch 33–67%.
Lesen Sie das noch einmal, denn es ist der seltene Fall, in dem sich zwei Dinge gleichzeitig zu Ihren Gunsten bewegen. Kürzere Aufforderungen erzielt höher und Kosten weniger. Sie müssen nicht Qualität für Effizienz handeln. Die aufgeblähte Aufforderung verlor auf beiden Achsen.
OpenAI ist darauf bedacht, diese Nummern "direktional" zu nennen und Ihnen zu sagen, dass Sie Ihre eigenen Aufgaben validieren sollen. Fair. Aber die Richtung ist schwer zu streiten, und es passt zu dem, was ich sah, als ich es tatsächlich versuchte.
Es gibt einen zweiten, weniger offensichtlichen Befund, der im Leitfaden begraben ist, und es ist derjenige, der viele seltsame Misserfolge erklärt, die Menschen treffen. GPT-5.6 folgt dem Vertrag einer Aufforderung sehr strikt. Während ältere Modelle leise eine von zwei widersprüchlichen Anweisungen auswählen und die andere ignorieren würden, könnte GPT-5.6 versuchen, beide zu ehren - brennende Argumentationsmarken und dabei langsamer und teurer zu werden. Eine Eingabeaufforderung, die in einem Absatz "detailliert" und in einem anderen Absatz "prägnant" sagt, ist nicht mehr nur überflüssig. Es destabilisiert aktiv.
Das reframes eine aufgeblähte prompt. Es ist nicht nur verschwenderisch. Jede zusätzliche Regel ist eine weitere Chance, einer Regel zu widersprechen, die Sie drei Absätze zuvor geschrieben haben.
Ein Vorher-Nachher, das mich überzeugt hat
Ich hatte eine echte Aufgabe vor mir, als ich das alles las, also benutzte ich es als Test.
Der alte Weg — so wie ich seit zwei Jahren Eingabeaufforderungen schreibe:
"Erstellen Sie zunächst eine Liste aller eindeutigen Transaktionsbeschreibungen." Gruppieren Sie dann ähnliche Beschreibungen und weisen Sie jeder Gruppe eine Kategorie zu. Erstellen Sie eine Nachschlagetabelle mit Beschreibungen und Kategorien. Fügen Sie dann eine Kategoriespalte zum Transaktionsblatt hinzu und verwenden Sie XLOOKUP, um jede Transaktion der richtigen Kategorie zuzuweisen. Stellen Sie sicher, dass die Formel automatisch ausgefüllt wird, wenn neue Transaktionen hinzugefügt werden.
Diese prompt funktioniert. Ich mache auch das Denken des Modells dafür - Schritt eins, Schritt zwei, Schritt drei, mit dem Werkzeugnamen für ein gutes Maß.
Der neue Weg — Ergebnis zuerst:
Ich habe eine Liste von Transaktionen mit inkonsistenten Beschreibungen. Ich möchte jeden automatisch kategorisieren, und die Lösung muss weiter funktionieren, wenn neue Transaktionen eingehen. Was ist der beste Ansatz?
Gleiches Ziel. Gleiche Einschränkungen. Aber die erste Aufforderung sagt das Modell Wie zu Fuß. Die zweite sagt es Wo ich versuche zu bekommen und lässt ihn die Route finden.
Der zweite gab mir eine bessere Antwort - und, was noch wichtiger ist, es sagte mir Warum wählte es diesen Ansatz – eine Möglichkeit, die der erste Prompt nie eröffnet hätte. Wenn Sie nicht mehr jeden methodischen Schritt vorgeben, erfahren Sie mitunter etwas über die Methode, auf der Sie bislang bestanden haben.
Wie man eine schlankere Aufforderung schreibt, ohne zu verlieren, was zählt
Das Schneiden einer Eingabeaufforderung ist nicht dasselbe wie das Entkernen. Das Zeug, das seinen Unterhalt verdient, ist das Zeug, das man aus dem Kontext nicht ableiten kann: das Ergebnis, die Einschränkungen und wie "fertig" aussieht. Alles andere ist Kandidat für die Löschung.
Hier ist die Form, die in der Praxis überlebt:
- Das Ergebnis, das Sie wollen. Nicht die Schritte. Nicht die Methode. Was sollte es geben, wenn das vorbei ist.
- Die Einschränkungen. Die Linien, die nicht überschritten werden können — erfinden Sie keine Funktionen, löschen Sie nichts, schauen Sie sich nur diese Dateien an.
- Die Akzeptanzkriterien. Wie das Modell seine eigene Arbeit überprüft, bevor es sie zurückgibt.
Das ist es normalerweise. Keine Persona, kein "Denken Sie Schritt für Schritt", keine Erinnerung daran, nicht faul zu sein. Diese Dinge waren Gerüste für ein schwächeres Modell. GPT-5.6 braucht sie nicht, und sie kosten Token für den Staat.
Die Trimmliste von OpenAI ist es wert, auf Ihren Monitor geklebt zu werden: wiederholte Anweisungen derselben Regel, Stilanweisungen, die das Verhalten nicht ändern, Beispiele, die das Verhalten nicht ändern, und Verarbeitungsanweisungen für Dinge, die das Modell bereits zuverlässig macht. Die Keep-Liste ist kurz: das vom Benutzer sichtbare Ergebnis, Erfolgskriterien, Stoppbedingungen und Sicherheits- oder Beweisbeschränkungen.
Eine praktische Anmerkung, wenn Sie dies tatsächlich mit einer Eingabeaufforderung tun, die bereits funktioniert: schneiden Eine Sache zu einer Zeit. Entfernen Sie eine Gruppe von Anweisungen, wiederholen Sie dasselbe eval, vergleichen Sie. Wenn Sie alles auf einmal entfernen und die Ausgabe sich verschlechtert, wissen Sie nicht, welcher Schnitt derjenige war, der zählte.
Es ist die gleiche Regel, die ich beim Testen von Tools für NSFWAITool verwende: Halten Sie die Aufgabe stabil, ändern Sie eine Variable und sehen Sie, ob sich das Ergebnis tatsächlich verbessert. Unsere Überprüfungsmethode baut auf dieser Unterscheidung zwischen dem, was ein Anbieter behauptet, und dem, was ein wiederholbarer Test zeigt.
Wenn detaillierte Anweisungen noch ihren Keep verdienen
Ich möchte hier vorsichtig sein, denn "Kürzer ist besser" wird zu einer eigenen Art von Frachtkult, wenn man es blind anwendet.
Der Leitfaden von OpenAI sagt immer noch, Beispiele und Stilanleitungen zu behalten, wenn sie eine echte Produktanforderung codieren oder eine gemessene Lücke korrigieren. Wenn Ihre Ausgabe eine bestimmte Stimme, ein bestimmtes Format oder eine bestimmte rechtliche Einschränkung treffen muss, bleibt dies bestehen. Wenn ein Beispiel mit wenigen Aufnahmen der einzige zuverlässige Weg ist, ein Format zu unterrichten, behalten Sie es bei. Sie streben nicht nach den wenigsten Token; Sie streben nach den wenigsten Token die immer noch den Job machen.
Sie können sehen, warum dies wichtig ist, wenn sie allgemeine chatbots verlassen. An AI Begleiter kann wirklich Charakter, Ton und Gedächtniskontext benötigen, während ein AI Videogenerator braucht konkrete visuelle und Bewegungsbeschränkungen. Das Schneiden beider Eingabeaufforderungen auf die gleiche Drei-Zeilen-Formel würde den Punkt verfehlen. Die nützliche Eingabeaufforderung ist die kürzeste, die das bewahrt, was dieses bestimmte Werkzeug benötigt.
Die eigentliche Verschiebung ist die Sequenzierung. Der alte Reflex war, alles vorzuladen - jede Anweisung in die Eröffnungsaufforderung zu geben, nur für den Fall. Der neue Reflex ist "Zuerst loslassen, später straffen." Geben Sie dem Modell die Aufgabe, beobachten Sie, wie es damit umgeht, und fügen Sie nur Anweisungen hinzu, wo es tatsächlich zu kurz kommt. Es ist schneller als das schreiben einer tausend-wort-aufforderung im voraus, und es sagt ihnen, welche anweisungen überhaupt gewicht zogen.
Die Unterscheidung, die jeder falsch macht: Persona vs. Wegstrecke
Seit der Guide gefallen ist, habe ich Leute gesehen, die zu weit in die andere Richtung schwingen - vorausgesetzt, dies bedeutet, dass die Person tot ist. Es ist nicht, und die Verschmelzung der beiden Ideen verursacht echte Fehler.
Eine Persona Control Wie der Output klingt. Ton, Register, Rolle, die Stimme auf der Seite. Eine Schritt-für-Schritt-Anweisungssteuerung Wie das Modell dorthin kommt - den Ausführungspfad. Das sind verschiedene Hebel.
Die neue Empfehlung lautet, den Lösungsweg nicht mehr bis ins Detail vorzugeben. Sie bedeutet keineswegs, dass Sie die Kontrolle über den Tonfall aufgeben sollen. Wenn Sie Texte für Kundinnen und Kunden verfassen und diese nach einer bestimmten Marke klingen sollen, geben Sie das weiterhin an – das ist eine Produktanforderung, keine Schritt-für-Schritt-Anweisung. Den Stil bestimmen Sie. Den Weg wählt das Modell.
Anders ausgedrückt: Geben Sie dem Modell das Ziel und die Leitplanken, dann hören Sie auf, ihm zu sagen, wie man fährt.
Beginnen Sie kürzer, nicht länger
Wenn Sie eine Sache von all dem nehmen, machen Sie es zur Sequenz. Schreiben Sie zuerst das gewünschte Ergebnis und Ihre Akzeptanzkriterien. Dann schneiden Sie die Wortzahl in der Hälfte. Dann schneiden Sie es wieder in zwei Hälften. Wenn Sie immer noch nervös sind, senden Sie es und sehen Sie, was zurückkommt - Sie können immer eine Zeile hinzufügen, in der die Ausgabe tatsächlich zu kurz kommt.
Das ist der Teil, den ich auf die harte Tour lernen musste. Die meisten Anweisungen, die ich hinzufügte, halfen dem Modell nicht. Sie waren beruhigend med. Und GPT-5.6 ist jetzt gut genug, da meine Beruhigung nur Lärm zwischen mir und der Antwort ist.
Die Lektion von 2023 war, wie man längere Aufforderungen schreibt. Die Lektion 2024 war, wie man das Kontextfenster verwaltet. Die Lektion von 2026 ist einfacher und schwieriger: Lernen Sie, den Mund zu halten, beschreiben Sie das Ergebnis und lassen Sie das Modell die Arbeit machen, für die es gebaut wurde.
Häufig gestellte Fragen
Sind kürzere Eingabeaufforderungen auf GPT-5.6 immer besser?
Nein - und hier kann die Schlagzeile zu einem schlechten Ratschlag werden. Kürzere Aufforderungen gewannen in OpenAIs Stichprobe von internen Codierungsagenten evals, aber OpenAI nennt das Ergebnis direktional. Wenn das Entfernen einer Zeile Ihre eigentliche Aufgabe verschlimmert, legen Sie die Zeile zurück.
Was soll ich zuerst schneiden?
Beginnen Sie mit dem peinlichen Zeug: die gleiche Regel zweimal angegeben, generische Rollen, die nichts ändern, Beispiele, die das Modell nicht mehr benötigt, und Erinnerungen, sorgfältig zu überlegen. Lassen Sie das Ergebnis, die Einschränkungen und die Definition von allein.
Wann ist eine lange Aufforderung noch gerechtfertigt?
Wenn die Länge Informationen enthält, die das Modell wirklich benötigt - einen Hausstil, ein festes Ausgabeschema, einen speziellen Kontext, rechtliche Grenzen oder Beispiele, die einen Fehler korrigieren, den Sie tatsächlich beobachtet haben. Lange ist nicht das Problem. Das ist unnötig.
Sollte ich aufhören, Personas zu verwenden?
Nur wenn die Persona dekorativ ist. Wenn es die Stimme, das Publikum oder den professionellen Standard der Antwort kontrolliert, macht es echte Arbeit. Die Sache, die in Frage gestellt werden muss, ist der geschriebene Pfad, nicht Ihre Kontrolle über die Persönlichkeit der Ausgabe.
Gilt der gleiche Ratschlag für AI-Chat-, Bild- und Video-Tools?
Nicht automatisch. Diese Produkte lesen Aufforderungen anders und scheitern auf unterschiedliche Weise. Ein chat-tool benötigt möglicherweise beziehungs- und speicherkontext; ein video-tool benötigt möglicherweise präzise aktions- und kamerabeschränkungen. Testen Sie jeden Workflow, anstatt eine universelle Vorlage zu übertragen.
Wie teste ich, ob eine kürzere Aufforderung tatsächlich besser ist?
Verwenden Sie den gleichen Aufgabensatz, entfernen Sie eine Anweisungsgruppe und vergleichen Sie Qualität, Fehler, Token-Nutzung, Latenz und Kosten. Eine glückliche Antwort beweist fast nichts. Die Aufforderung verdient den Schnitt, wenn die Verbesserung die Wiederholung überlebt.