你正确使用了推理模型吗？

OpenAI 发布了一份新的文档《Reasoning Best Practices》，提供了如何有效使用推理模型的指导，不仅包括 OpenAI 的模型，还有其他模型如 Gemini 和 DeepSeek。该文档概述了标准 AI 模型和推理模型之间的关键差异，并提供了如何有效提示这些模型以获得最佳结果的见解。

推理模型介绍

视频中解释的正确使用推理模型的方法 OpenAI 的第一条建议是保持提示简单明了。不要添加多余的修饰词或不必要的词语，只需清晰、直接的指令。这可能显而易见，但许多人仍然会过度复杂化。

简化推理模型的提示

简化提示以从推理模型获得更好结果的重要性 接下来，OpenAI 建议在使用这些推理模型时不要添加“链式思考”提示。这指的是要求模型逐步思考或解释其推理过程，因为它们已经是推理模型，所以没有必要这样做。

避免“链式思考”提示

为什么“链式思考”提示对推理模型来说是不必要的 对于这些推理模型的另一个重要提示是使用分隔符，也就是文本的分隔标志。这可以包括 markdown、XML 标签，甚至是段落标题。例如，你可以在顶部提供上下文，然后是任何示例，最后是你的指令。

使用分隔符获得更好结果

如何使用分隔符帮助推理模型更有效地处理信息 接下来是一个有趣的提示：先尝试零样本，然后在需要时使用少量样本。这意味着在这些推理模型中，你应该首先尝试不提供示例，因为它们的功能强大，通常能够预测你需要哪种文本。

零样本与少量样本提示

了解何时在推理模型中使用零样本和少量样本提示 接下来的两个要点强调了具体性，尤其是在设置条件时。例如，如果你设置了 500 美元的预算，必须明确在请求解决方案时附带的条件。同样重要的是，明确你的提示目标。

具体条件和目标

在提示推理模型时，具体条件和目标的重要性 在进入最后一点之前，让我们回顾一下第一点，即开发人员消息正在取代系统消息。这些消息是引导模型的一种方式。系统提示已经在 API 请求中进行了更改。

回顾开发人员消息

了解开发人员消息在引导推理模型中的作用 现在，在我们继续讨论 OpenAI 发布的其余文档之前，让我展示一个在推理模型中效果很好的示例提示。这要归功于我在 x.com 上发现的 Alvaro Cintas。在这里，你可以看到我们已经将提示结构化为不同的部分：上下文、示例和指令。

推理模型的示例提示

结构化良好的推理模型提示示例 OpenAI 还提供了一个客户服务示例，以进一步澄清其推理模型和非推理 GPT 模型之间的差异。推理模型被称为“规划者”，而非推理模型则被称为“工作者”，因为它们具有更低的延迟和更高的效率。

推理与非推理模型

理解推理模型和非推理模型之间的差异 他们强调了实际使用推理模型的时机。首先，他们谈到了导航模糊任务。这基本上意味着，每当你的提示意图不明确时，这些推理模型不会做出假设，而是会要求澄清，确保理解你的意图后再继续。

导航模糊任务

推理模型如何导航模糊任务 接下来是多步骤代理规划，这意味着通过它们的逐步推理，这些模型可以从头到尾制定完整的计划。这就是为什么它们被称为“规划者”。当代理执行任务时，它能够将不同任务委托给各种 LLM，根据所需计算能力的水平进行分配。

多步骤代理规划

理解推理模型的多步骤代理规划 这些模型最引人入胜的用例之一是视觉推理。由于 01 结合了视觉和推理能力，它能够理解高度详细的设计图纸。OpenAI 甚至提到，它能够通过分析复杂的建筑蓝图生成完整的材料清单。

视觉推理能力

推理模型的视觉推理能力 当涉及到代码时，你可能会认为这些推理模型较慢或效率较低。然而，尽管非推理模型，尤其是 GPT 模型，在编码方面可能有困难，Claude 在这方面表现得更好。但使用推理模型的主要优势是它们犯的错误少得多。这意味着你不需要像使用非推理模型时那样不断纠正小错误。

使用推理模型进行编码

使用推理模型进行编码的优势

结论

总之，OpenAI 的《Reasoning Best Practices》指南提供了如何有效使用推理模型以获得最佳结果的宝贵见解。通过遵循这些提示技巧，你可以从推理模型中获得更好的结果。记住要简化你的提示，避免使用“链式思考”提示