Reasoning‑модели GPT‑5.5 изменили правила промпт‑инжиниринга
С выходом GPT‑5.5 привычные цепочки CoT, few‑shot и ролевые подсказки стали тормозить модель — простые, лаконичные запросы дают лучшие результаты.
В начале недели один из разработчиков AI‑систем поделился в Habr ML неожиданным опытом работы с новой GPT‑5.5. Традиционный «арсенал» промпт‑инжиниринга — развернутый Chain‑of‑Thought (CoT), несколько few‑shot примеров и роль «опытного аналитика» — ранее обеспечивал стабильные и точные ответы. При попытке применить тот же шаблон к GPT‑5.5 результат оказался «мусором»: модель запуталась, выдавала несвязные фрагменты и даже противоречивую информацию.
Автор решил упростить запрос, убрав все вспомогательные конструкции и оставив лишь три строки простого вопроса. Результат — чёткий, релевантный ответ. За десять минут он понял, что половина его трёхлетнего арсенала теперь либо избыточна, либо вредна для современных reasoning‑моделей.
Что изменилось? По словам автора, новые модели лучше справляются с самостоятельным рассуждением и менее нуждаются в внешних подсказках типа «подумай шаг за шагом». Вместо этого они могут «внутри» построить логическую цепочку, если запрос сформулирован ясно и лаконично. При этом избыточные роли и многословные инструкции лишь «засоряют» контекст, вызывая деградацию качества вывода.
Эта трансформация уже заставляет переосмыслить подход к prompt‑engineering: от тяжёлых шаблонов к более «чистым» запросам. Ожидается, что в ближайшие недели появятся новые гайды и библиотеки, адаптированные под reasoning‑модели, а старые практики будут постепенно уходить в архив.
Ссылка на оригинальную статью: https://habr.com/ru/articles/1038510/
Для разработчиков и студентов это сигнал: пора отказываться от громоздких CoT‑шаблонов и фокусироваться на чётких, коротких запросах. Новые reasoning‑модели умеют рассуждать сами, поэтому избыточные подсказки только замедляют их работу. Пересмотрите свои промпты — упрощение может сразу повысить точность и скорость вывода.