02. Oktober 2025

Richtiges Prompting mit ChatGPT 5

Was verbirgt sich hinter dem GPT‑5 Prompting Guide?

OpenAI stellt im Cookbook einen Leitfaden vor, der Praxiserfahrungen und Best Practices im Umgang mit ihrem Modell GPT‑5 zusammenführt. Die Zielsetzung lautet, den Output zu maximieren, die Steuerbarkeit zu verbessern, Entwicklern Hilfen für agentische Szenarios zu geben und gezielt Funktionen wie Tool‑Aufrufe und Codierungsaufgaben zu optimieren. Der Guide deckt Aspekte ab wie Agentic Workflow‑Vorhersagbarkeit, optimale Codierungsperformance von der Planung bis zur Ausführung, Instruktionsanpassung, und Nutzung neuer API‐Funktionen.

Der Leitfaden ist kein starres Regelwerk, sondern ein Rahmen für Experimente. Er beschreibt, wie man Prompts gestaltet, um GPT‑5 effizient einzusetzen, und betont, dass Prompting nicht für alle Aufgaben gleich funktioniert.

Wie steuert man die Agentik des Modells?

Ein großer Abschnitt im Guide beschäftigt sich mit der sogenannten "agentic eagerness", also wie 

proaktiv das Modell in Tool‑Aufrufe oder eigenständige Schritte gehen soll. Standardmäßig ist GPT‑5 dazu geneigt, gründlich Kontext zu sammeln und dann aktiv zu handeln. Wer das einschränken will, kann etwa den Parameter reasoning_effort senken oder klare Kriterien im Prompt formulieren, ab wann das Modell handeln soll.

Auf der anderen Seite lässt sich auch ein stark autonomes Verhalten steuern. Man kann Prompts entwerfen, in denen das Modell explizit angewiesen wird, weiter zu recherchieren und niemals zurückzugeben, bevor die Aufgabe erledigt ist. Solche Anweisungen erhöhen die Selbststeuerung des Modells.

Zudem enthält der Guide das Konzept tool preambles, also vorangestellte Erklärungen oder Planübersichten, die das Modell liefern kann, bevor es mit Tool-Aufrufen startet. Diese Preambles können je nach Prompt feinjustiert werden in Häufigkeit, Detailtiefe oder Stil.

Welche Rolle spielt die neue Responses API?

Der Guide empfiehlt ausdrücklich, für agentische Szenarien die Responses API zu nutzen. Der Vorteil liegt darin, dass das Modell seine vorherigen Begründungen (Reasoning Traces) zwischen Tool-Aufrufen beibehält. So entstehen effizientere Abläufe, da nicht bei jedem Schritt neu geplant werden muss. Experimente zeigen laut OpenAI Leistungssteigerungen bei Rechenbenchmarks (etwa im Retail-Bereich) im Vergleich zur klassischen Chat-Completion-API.

Durch den Erhalt von Kontext und Reasoning kann das Modell Überlegungen fortschreiben, statt jedes Mal neu anzusetzen.

Wie wird GPT‑5 besser fürs Programmieren eingesetzt?

OpenAI sieht GPT‑5 als Spitzenmodell im Bereich Softwareentwicklung. Der Guide beschreibt Vorgehensweisen, mit denen GPT‑5 multi-datei-Refactorings, Bugfixes oder komplette Neuentwicklungen bewältigt. Dabei spricht der Guide davon, dass das Modell Codequalität, Designrichtlinien und Kontext selbst berücksichtigen kann.

Besonders wichtig ist es, den Prompt so zu gestalten, dass das Modell weiß, wie die bestehende Codebasis strukturiert ist. Informationen wie Verzeichnisstruktur, Designprinzipien oder Coding-Konventionen sollten explizit inkludiert werden. Das verhindert, dass der generierte Code zu stark abweicht.

Ein weiteres Pattern ist Self‑Reflection: Bevor der eigentliche Code‐Teil generiert wird, lässt man das Modell einen Bewertungsmaßstab (Rubric) entwickeln und intern Reflektionen durchführen, um die Qualität zu verbessern.

Wie optimiert man Intelligenz und Instruktionsbefolgung?

GPT‑5 ist laut OpenAI besonders steerable. Das heißt, es reagiert stark auf Anweisungen zu Ton, Länge oder Verhalten. Man kann im Prompt steuern, wie ausführlich Antworten sein sollen, welchen Stil sie einnehmen und wie stark das Modell in Tool-Aufrufe übergehen darf.

Ein neuer Parameter namens verbosity beeinflusst die Länge der finalen Antwort, getrennt von der Denkphase. Gleichzeitig kann man in natürlicher Sprache Overrides setzen, damit bestimmte Teile eines Outputs ausführlicher oder kürzer ausfallen.

GPT‑5 verbindet strikte Instruktionsbefolgung mit Flexibilität. Deshalb kann ein schlecht formulierter Prompt besonders kontraproduktiv sein. Doppeldeutige oder widersprüchliche Anweisungen führen dazu, dass das Modell in internen Reasoning-Konflikten steckt. Der Guide zeigt Beispiele solcher Promptkonflikte und wie man sie auflöst.

Welche Limitationen und Herausforderungen bleiben bestehen?

Auch mit dieser Anleitung weist OpenAI darauf hin, dass Prompting kein Allheilmittel ist. Der Leitfaden selbst sagt: „Prompting ist nicht one-size-fits-all“. Es bleibt notwendig, regelmäßig zu experimentieren, Prompts anzupassen und zu iterieren.

Bei minimalem Reasoning („minimal reasoning“) als Option steht das Modell vor größeren Anforderungen. Die Leistungsfähigkeit hängt hier stark von der Klarheit des Prompts ab. Wer unklare Instruktionen gibt, riskiert schlechte Ergebnisse.

Ein weiterer Punkt: Die Methoden, die im Guide vorgeschlagen werden, stammen aus Erfahrungen mit bestimmten Einsätzen und Tests. In neuen Domänen, bei ungewöhnlichen Use-Cases oder in spezialisierten Fachgebieten kann es sein, dass andere Herangehensweisen besser funktionieren.

Experten mit Struktur und auf Augenhöhe

finden Sie bei der F&P Executive Solutions AG.