+ GPT-5 프롬프트 가이드: 에이전틱 작업, 코딩, 지능, 스티어러빌리티 향상 팁 + 개요

GPT-5는 에이전틱(agentic) 작업 수행, 코딩, 원시 지능(raw intelligence), 스티어러빌리티에서 큰 도약을 이뤘습니다. 기본 설정으로도 균형 잡힌 성능을 내지만, 실제 환경에서 출력을 극대화하기 위한 프롬프트 요령을 공유합니다.

• 주요 내용
  • 에이전틱 작업 성능 높이기
  • 지시문(Instructions) 준수 강화
  • 신규 API 기능 활용(Responses API 등)
  • 프런트엔드/소프트웨어 엔지니어링 코딩 최적화
  • 코드 에디터 Cursor의 GPT-5 프롬프트 튜닝 인사이트

권장 프랙티스와 표준 도구를 채택하면 유의미한 향상을 확인했습니다. 다만 프롬프트는 만능이 아니므로, 본 가이드를 기반으로 실험과 반복을 권합니다.

+ 에이전틱 워크플로우의 예측 가능성

GPT-5는 개발자 관점에서 툴 호출, 지시문 준수, 장문 컨텍스트 이해를 강화했습니다. 에이전틱/툴콜 플로우를 쓴다면 Responses API를 권장합니다. 이 API는 툴 호출 사이의 추론을 보존해 더 효율적이고 영리한 출력을 돕습니다. (주석: "생각의 흔적"을 다음 단계에서도 이어 씀)

+ 에이전틱 적극성(프로액티브함) 제어 • 적극성 낮추기

기본적으로 GPT-5는 정확한 답을 위해 컨텍스트를 넓게 모읍니다. 탐색 범위와 지연 시간을 줄이고 싶다면:

  • reasoning_effort를 낮춤: 탐색 깊이를 줄여 속도/효율 개선. 많은 작업은 medium/low로 충분.
  • 탐색 기준을 프롬프트에 명확히 정의: 과탐색 방지, 중단 조건을 분명히.
[XML]
<context_gathering/컨텍스트_수집> Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act. (목표: 필요한 맥락을 빠르게 모으고 병렬로 탐색, 실행 가능 시 즉시 진행) Method: Start broad, then fan out to focused subqueries. (넓게 시작해 점차 세분화) In parallel, launch varied queries; read top hits per query. Deduplicate paths and cache; don't repeat queries. (질의를 병렬로, 상위 결과만 확인, 중복 경로/질의 방지) Avoid over searching for context. If needed, run targeted searches in one parallel batch. (과탐색 금지, 필요 시 한 번의 병렬 표적 검색) Early stop criteria: You can name exact content to change. (수정 대상/부분을 정확히 지목 가능) Top hits converge (~70%) on one area/path. (상위 결과가 한 경로로 대체로 수렴) Escalate once: If signals conflict or scope is fuzzy, run one refined parallel batch, then proceed. (신호가 엇갈리면 정제 검색 1회만 추가 후 진행) Depth: Trace only symbols you'll modify or whose contracts you rely on; avoid transitive expansion unless necessary. (수정/의존 심볼만 추적, 불필요한 연쇄 확장 금지) Loop: Batch search → minimal plan → complete task. (배치 검색 → 최소 계획 → 작업 완료) Search again only if validation fails or new unknowns appear. Prefer acting over more searching. (검증 실패/새 미지 발생 시에만 재검색, 탐색보다 실행 우선) </context_gathering/컨텍스트_수집>

고정 툴콜 예산을 두는 것도 방법입니다. 아래처럼 탐색 깊이에 맞춰 예산을 제한하세요. 또한 "완벽하진 않아도 진행해도 된다" 같은 탈출구 문구를 넣으면 과탐색을 줄입니다.

[XML]
<context_gathering/컨텍스트_수집> Search depth: very low (탐색 깊이: 매우 낮게) Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct. (완벽하지 않아도 빠른 답변에 강한 편향) Usually, this means an absolute maximum of 2 tool calls. (툴 호출 최대 2회) If you think you need more time to investigate, update the user with findings and open questions; proceed if the user confirms. (더 조사 필요 시 중간 보고 및 질문, 사용자 확인 후 진행) </context_gathering/컨텍스트_수집>
+ 불확실성 하 진행 허용은 "탐색 끝내고 실행"의 신호
• 적극성 높이기

모델 자율성과 툴콜 지속성을 높이고 확인 질문을 줄이려면 reasoning_effort를 올리고 아래 지시를 추가하세요.

[XML]
<persistence/지속성> You are an agent — keep going until the user's query is completely resolved before ending your turn. (완전히 해결될 때까지 멈추지 않음) Only terminate when you are sure the problem is solved. (해결 확신 시 종료) Do not stop on uncertainty — research or deduce and continue. (불확실해도 조사/추론으로 계속) Avoid asking the human to confirm or clarify; make reasonable assumptions and document them after. (사용자 확인 대신 합리적 가정 → 사후 문서화) </persistence/지속성>

또한 "종료 조건", "안전/비안전 행동", "언제 사용자에게 넘길지"를 명확히 하세요. 예: 쇼핑 툴에서 결제/체크아웃은 낮은 불확실성 임계값(사용자 확인 필요), 검색은 높은 임계값. 코딩에선 파일 삭제는 낮은 임계값, grep 검색은 높은 임계값.

+ 툴 프리앰블(과정 안내)

사용자가 보는 에이전틱 경로에서는 도구 호출 중 "무엇을, 왜" 하는지 간간이 알리면 UX가 좋아집니다. GPT-5는 "툴 프리앰블" 메시지를 잘 생성하도록 학습되어 있으며, 빈도/스타일/내용을 프롬프트로 조절할 수 있습니다.

[XML]
<tool_preambles/툴_프리앰블> Before any tool calls, rephrase the user's goal in a friendly, clear, concise way. (툴 호출 전 목표를 짧게 재진술) Immediately outline a structured step-by-step plan. (즉시 단계별 계획 제시) While editing files, narrate each step succinctly and mark progress. (파일 수정 중 단계별 진행 상황 간단 고지) Finish with a completion summary distinct from the upfront plan. (완료 요약은 초기 계획과 구분) </tool_preambles/툴_프리앰블>
+ Reasoning effort(생각 강도) 조절

reasoning_effort 파라미터로 "얼마나 깊게 생각하고 도구를 쓰는지"를 제어합니다. 기본값은 medium. 복잡한 다단계 과제에는 높임을 권합니다. 또한 분리 가능한 작업은 여러 턴으로 쪼개 각 턴에 한 과업씩 배정하면 성능이 오릅니다. (주석: 높음=느리나 치밀, 도구 활용↑ / 낮음=빠르나 탐색↓)

+ Responses API로 추론 컨텍스트 재사용

에이전틱 플로우 성능/비용/토큰 효율을 개선하려면 Responses API를 사용하세요. previous_response_id로 이전 추론 항목을 재주입하면 매번 계획을 재구성할 필요가 줄어 지연과 비용이 감소하고 성능이 향상됩니다. (주석: 직전 "생각 흔적"을 이어 쓰기)

+ 코딩 성능 극대화: 계획에서 실행까지

GPT-5는 대규모 코드베이스에서 버그 수정, 대규모 diff/리팩터/신규 기능, 프런트/백엔드 신규 앱 생성까지 폭넓게 강합니다. 아래는 실전 최적화 요령입니다.

• 프런트엔드 권장 스택
  • 프레임워크: Next.js(TypeScript), React, HTML
  • 스타일/UI: Tailwind CSS, shadcn/ui, Radix Themes
  • 아이콘: Material Symbols, Heroicons, Lucide
  • 애니메이션: Motion
  • 폰트: San Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope
+ 이 조합에서 학습·최적화가 잘 되어 결과물이 안정적
• 제로투원 앱 생성(한 번에 뽑기)

자체 루브릭(평가기준)을 만들어 자기 점검하도록 유도하면 품질이 상승합니다.

[XML]
<self_reflection/자기성찰> First, create a rubric (5–7 categories) you trust. (신뢰할 루브릭 5–7개 축) Do not show the rubric to the user. (루브릭은 비공개) Iterate internally until you hit top marks across the rubric. (최고 점수에 도달할 때까지 내부 반복) </self_reflection/자기성찰>
• 기존 코드베이스 기준과 맞추기

점진 변경/리팩터에서는 기존 스타일/디자인 원칙을 따르게 하세요. GPT-5는 package.json 등에서 참조를 스스로 찾는 경향이 있지만, 엔지니어링 원칙, 디렉터리 구조, 관례를 요약해 지시하면 "자연스러운 혼합"이 잘 됩니다.

+ 지능/지시문 준수 최적화 • 스티어링(조정)

GPT-5는 verbosity, 톤, 도구 호출 행동을 프롬프트로 세밀히 조정할 수 있습니다.

• Verbosity(최종 답 길이)

reasoning_effort와 별도로 최종 답 길이를 제어하는 새 파라미터 verbosity가 도입되었습니다.

글로벌 기본값은 API 파라미터로 두되, 특정 맥락(예: 코드 도구)에선 프롬프트로 덮어쓰기 가능. (주석: "상태 메시지는 짧게, 코드 블록은 자세히" 같은 분리 설정 가능)

• 지시문 준수

GPT-5는 지시문을 매우 정밀하게 따릅니다. 따라서 모순/모호한 프롬프트는 오히려 해롭습니다(모순 조정에 생각 자원 소모).

나쁜 예(의료 일정):

  • "동의 없인 일정 금지" vs "고위험은 먼저 당일 자동 배정" 충돌
  • "항상 환자 조회 먼저" vs "응급이면 즉시 911 안내" 충돌

개선:

  • 자동배정을 "환자에게 알린 후"로 바꿔 동의 원칙과 일관화
  • 응급의 경우 "조회 생략 허용" 명시
+ 프롬프트의 모호·모순 제거가 GPT-5 성능을 크게 좌우합니다. 프롬프트 옵티마이저 도구로 점검을 권장합니다.
• Minimal reasoning(최소 추론)

GPT-5는 "최소 추론" 옵션을 새로 제공합니다. 지연에 민감하거나 GPT-4.1을 쓰던 분들께 적합합니다. 다만 프롬프트 민감도가 높아 다음을 강조하세요:

  • 최종 답 서두에 핵심 사고 요약(불릿)을 요청
  • 도구 호출 프리앰블(과정 설명)로 진행 상황 지속 공유
  • 도구 지시를 최대한 명확히, "지속성" 리마인드로 조기 종료 방지
  • "계획 촉구"를 강하게: 생각 토큰이 적어 내부 계획이 약해질 수 있음

예시(계획 촉구):

  • "사용자 요청을 전부 분해·완료, 완전 해결 전 종료 금지"
  • "각 함수 호출 전후로 충분히 계획/성찰"
• Markdown 서식

API 기본은 Markdown 비활성(광범위한 호환성). 필요 시 프롬프트로 유도:

  • 의미 있을 때만 Markdown 사용(인라인 코드, 코드펜스, 리스트, 테이블)
  • 파일/디렉터리/함수/클래스명은 백틱(`), 수식은 $ 권장

긴 대화에선 3–5 메시지마다 규칙을 재주지시키면 일관성이 유지됩니다.