OpenAI แนะนำนักพัฒนาหันมา “ลดกฎซ้ำซ้อน” ใน system prompt หลังผลทดสอบภายในพบว่า วิธีนี้ช่วยดันคะแนนประเมินด้านโค้ดดิ้งเพิ่มได้สูงสุดราว 15% ขณะที่ปริมาณโทเค็นลดลงมากสุดถึงประมาณ 66%
ประเด็นสำคัญ
- คู่มือการสั่งงาน GPT-5.6 แนะนำให้กำหนด “ผลลัพธ์ที่ต้องการ” และ “เงื่อนไขหยุดทำงาน” ให้ชัด แล้วปล่อยให้โมเดลเลือกวิธีเดินเกมเอง
- การรันทดสอบเอเจนต์เขียนโค้ดภายใน พบว่าการใช้ system prompt ที่เบาและสั้นลง ช่วยเพิ่มคะแนนประเมิน 10%–15% ลดการใช้โทเค็น 41%–66% และลดต้นทุน 33%–67%
- เอกสารฉบับใหม่เพิ่มหมวด Programmatic Tool Calling และการตั้งค่าขนาดข้อความ text.verbosity ซึ่งไม่เคยมีในคู่มือ GPT-5 รุ่นก่อน
OpenAI ปรับคู่มือการตั้งพรอมต์ GPT-5 แบบยกเครื่อง
OpenAI ได้เผยแพร่แนวปฏิบัติฉบับใหม่ควบคู่กับตระกูลโมเดล GPT-5.6 ที่เปิดให้ใช้งานทั่วไปตั้งแต่ 9 ก.ค. โดยเล็งเป้าไปที่นักพัฒนา API และทีมที่รันเอเจนต์อัตโนมัติเป็นหลัก
สาระสำคัญของคู่มือนี้คือ แนะให้วิศวกรกำหนดสิ่งที่ผู้ใช้จะมองเห็นได้จริง (user-visible outcome) ข้อจำกัด ข้อมูลอ้างอิงที่มีอยู่ และเกณฑ์ว่าผลงานแบบไหนถือว่า “สำเร็จ” จากนั้นปล่อยให้โมเดลออกแบบเส้นทางทำงานที่มีประสิทธิภาพด้วยตัวเอง แนวทางนี้ถูกเรียกว่า outcome-first prompting
คำแนะนำชุดใหม่ถือเป็นการ “กลับลำ” จากคู่มือ GPT-5 เมื่อเดือนสิงหาคม 2025 ที่เคยผลักดันให้ใช้บล็อก XML แบบ persistency เทมเพลตรวบรวมคอนเท็กซ์ละเอียด ๆ และสคริปต์ preamble สำหรับเครื่องมือที่บรรยายทุกขั้นตอนอย่างเป็นพิธีการ แนวทางแบบมีราวกั้นเข้มข้นเหล่านั้น ตอนนี้ถูกจัดให้เป็น “สัญญาณรบกวน” มากกว่าจะช่วยให้โมเดลทำงานดีขึ้น
OpenAI ยังเตือนให้หลีกเลี่ยงการวาง “กฎตายตัว” ที่ใช้คำว่า always หรือ never ยกเว้นกรณีที่เป็นเงื่อนไขตายตัวจริง ๆ เช่น ข้อกำกับด้านความปลอดภัย ฟิลด์หรือข้อมูลที่ต้องมีทุกครั้ง และการกระทำที่ต้องไม่เกิดขึ้นอย่างเด็ดขาด ส่วนการย้ำคำสั่งซ้ำ ๆ เช่น “ให้ถามก่อนเสมอ” หรือ “รอการอนุมัติทุกครั้ง” อาจทำให้โมเดลส่งคำขออนุมัติที่ไม่จำเป็น แม้ในงานปกติที่ถือว่าปลอดภัยอยู่แล้ว ขณะที่กฎที่ขัดแย้งกันเองมักสร้างความไม่เสถียรให้เอเจนต์มากกว่าปัญหาเรื่องรายละเอียดไม่ครบ
อ่านเพิ่มเติม: มูลค่าเดิมพันทีม Dodgers ทะลุ 68 ล้านดอลลาร์ เมื่อ Polymarket และ Kalshi จับตาเพลย์ออฟเบสบอล
มุมมอง Simon Willison ต่อ Tool Calling ใน GPT-5.6
นักพัฒนาอิสระ Simon Willison ได้ชี้ให้เห็นว่า Programmatic Tool Calling และการรองรับ multi-agent คือฟีเจอร์ใหม่ที่โดดเด่นที่สุดในรอบนี้ โดยความสามารถดังกล่าวเปิดโอกาสให้โมเดลเขียนและรันโค้ด JavaScript เพื่อจัดลำดับและเรียกใช้เครื่องมือต่าง ๆ แบบอัตโนมัติได้
เขายังระบุด้วยว่าโมเดล Sol ให้ความรู้สึก “ทำงานได้ดี” แต่ยังไม่ได้เหนือกว่า Claude Fable 5 ของ Anthropic อย่างชัดเจนในงานโค้ดดิ้งที่ซับซ้อนซึ่งเขาใช้ทดสอบต่อเนื่อง
มิติด้านต้นทุนเป็นอีกเหตุผลที่ทำให้คู่มือนี้ถูกจับตา ปริมาณโทเค็นที่ใช้ในการทดสอบภายในลดลง 41%–66% และค่าใช้จ่ายลดลง 33%–67% ตัวเลขเหล่านี้เปลี่ยนสมการด้านต้นทุนสำหรับทีมที่รันเอเจนต์ในสเกลใหญ่โดยตรง
อย่างไรก็ดี OpenAI ย้ำว่าผลลัพธ์ดังกล่าวขึ้นกับประเภทงาน (workload) ให้มองช่วงตัวเลขเป็นเพียง “ทิศทาง” และขอให้นักพัฒนาทดสอบซ้ำกับเคสการใช้งานจริงของแอปพลิเคชันตนเอง
ตระกูล GPT-5.6 กับจังหวะออกเวอร์ชันที่เร่งขึ้น
GPT-5.6 เปิดตัวออกมา 3 ขนาด ได้แก่ Luna, Terra และ Sol โดยคิดราคาอินพุตที่ 1, 2.50 และ 5 ดอลลาร์ต่อโทเค็นหนึ่งล้านหน่วย ตามลำดับ ส่วนเอาต์พุตคิดที่ 6, 15 และ 30 ดอลลาร์ต่อหนึ่งล้านโทเค็น พร้อมเพิ่มตัวเลือก text.verbosity ให้ผู้ใช้ควบคุมความยาวคำตอบ
การกลับทิศของคู่มือครั้งนี้สอดคล้องกับแพทเทิร์นที่เห็นมาต่อเนื่อง คู่มือ GPT-5.5 เมื่อเดือนเมษายนเคยบอกทีมพัฒนาว่า “ควรเขียนพรอมต์ใหม่” แทนการยกชุดเดิมมาจากเวอร์ชันก่อน ขณะที่คู่มือ GPT-5 เดือนสิงหาคม 2025 กลับเน้นตรงกันข้าม คือให้วางราวกั้นและความชัดเจนรอบ ๆ พฤติกรรมที่ “ใจร้อนเกินไป” ของโมเดล
ทุก ๆ รอบอัปเดตจึงเหมือนกำลังผลักให้นักพัฒนาพิมพ์น้อยลง แต่ยอมให้โมเดลตัดสินใจเองในเส้นทางการทำงานมากขึ้น
อ่านต่อ: Ethereum ขยับแซง Bitcoin ทดสอบสมมติฐานกระทิงปี 2026 ของ Tom Lee