Ein Modellleitfaden für die GPT‑6‑Familie
Praktische Tipps, um mit GPT‑6-Modellen beste Ergebnisse zu erzielen und dabei Zeit und Kosten im Blick zu behalten
GPT‑6 ist unsere bisher fortschrittlichste Modellreihe und bietet dir Modelle für unterschiedliche Aufgaben.
Ob du aus einer Idee einen funktionierenden Prototyp entwickelst, eine Funktion erstellst und testest oder mehrstufige Abläufe über Code-Repositories, Datenbanken und externe APIs hinweg koordinierst: Dieser Leitfaden zeigt dir, wie du ein GPT‑6‑Modell auswählst, wirksame Anweisungen gibst, länger laufende Aufgaben steuerst und den Produktivbetrieb vorbereitest.
Arbeite effektiv im Produktivbetrieb. Nutze Caching(wird in einem neuen Fenster geöffnet) und Kontextverdichtung(wird in einem neuen Fenster geöffnet), um Kontext und Kosten zu steuern. Miss Aufgabenerfolg und Latenz und plane Monitoring sowie Datenkontrollen ein.
Wähle das Modell passend zu deinen Aufgaben. Wäge Leistung, Kosten und Latenz ab: Wähle Modell, Reasoning-Aufwand(wird in einem neuen Fenster geöffnet) und Geschwindigkeit passend zur Aufgabe.
Passe deine Prompts und Skills an. Halte Prompts, Skills und Repository-Anweisungen konsistent: Was soll das Modell liefern, was darf es selbstständig tun und wann gilt die Aufgabe als erledigt?
Halte länger laufende Aufgaben auf Kurs. Nutze Steuerung(wird in einem neuen Fenster geöffnet), asynchrone Tools(wird in einem neuen Fenster geöffnet) und Delegation(wird in einem neuen Fenster geöffnet) für Aktualisierungen und voneinander unabhängige Aufgaben. Lege klar fest, wann das Modell nachfragen soll.
Vor der Bereitstellung solltest du einige Prüfungen und bewährte Verfahren einführen.
Achte auf Effizienz. (wird in einem neuen Fenster geöffnet)Entferne unnötigen Kontext(wird in einem neuen Fenster geöffnet), aber behalte die für die Aufgabe nötigen Belege bei. Wenn deine Anwendung es unterstützt, führe unabhängige Aufgaben parallel aus(wird in einem neuen Fenster geöffnet). So bremst ein langsamer Schritt keine anderen Arbeiten aus.
Nutze gemeinsamen Kontext bei wiederkehrenden Aufgaben durch Prompt-Caching(wird in einem neuen Fenster geöffnet) erneut. Eingabe-Token aus dem Cache kosten je nach Modell bis zu 95 % weniger(wird in einem neuen Fenster geöffnet) als nicht zwischengespeicherte Eingabe-Token. Platziere gleichbleibende Anweisungen und Referenzmaterial vor wechselnden Aufgabendetails und halte Tool-Definitionen konsistent. Das Caching-Dashboard(wird in einem neuen Fenster geöffnet) und der Diagnoseleitfaden(wird in einem neuen Fenster geöffnet) zeigen dir, wo die Wiederverwendung scheitert. Berücksichtige Cache-Schreibvorgänge und etwaige Tarife für lange Kontexte, wenn du die Gesamtkosten eines Workflows schätzt.
Bei längeren Gesprächen reduziert Kontextverdichtung(wird in einem neuen Fenster geöffnet) den Kontextumfang und bewahrt dabei den nötigen Zustand für die Fortsetzung.
Lege fest, wie du das Verhalten überwachst(wird in einem neuen Fenster geöffnet), und prüfe die Datenkontrollen(wird in einem neuen Fenster geöffnet) deiner Anwendung.
Teste vor der Bereitstellung: Führe repräsentative Aufgaben aus und miss Aufgabenerfolg, Latenz und Kosten je erfolgreicher Aufgabe. Sieh dir unsere Checkliste zur API-Bereitstellung(wird in einem neuen Fenster geöffnet) an.
Wäge bei Modellwahl und Reasoning-Stufe Intelligenz und Preis gegeneinander ab.
Modell:
GPT‑6 Astra(wird in einem neuen Fenster geöffnet) für schwierigste Reasoning-Aufgaben, die maximale Intelligenz erfordern.
GPT‑6.1 Sol(wird in einem neuen Fenster geöffnet) für komplexe Programmierung, Recherche und Computernutzung.
GPT‑6 Luna(wird in einem neuen Fenster geöffnet) für klar umrissene Aufgaben in großem Umfang und wiederkehrende Alltagsaufgaben mit klarem Ziel, etwa Rechnungsfelder extrahieren, Anfragen klassifizieren oder strukturierte Zusammenfassungen erstellen.
Wenn du das beste Modell für eine Aufgabe suchst, vergleiche die Preise(wird in einem neuen Fenster geöffnet) der Modelle.
Reasoning-Stufe: Wähle in der API, wie viel Aufwand das Modell für die Aufgabe betreibt.
Niedrig: Routineaufgaben, etwa Fakten extrahieren oder kleine Änderungen vornehmen.
Mittel: Aufgaben, die Abwägungen erfordern, etwa eine Funktion planen oder Optionen vergleichen.
Hoch: Schwierige Fehlersuche, tiefere Analysen oder sorgfältige Prüfungen.
Sehr hoch / Max: Teste diese Stufen, sofern unterstützt, wenn Hoch nicht ausreicht. Behalte sie nur bei, wenn die Verbesserung den zusätzlichen Zeit- und Kostenaufwand rechtfertigt.
In der API kannst du den Reasoning-Aufwand im Gespräch ändern(wird in einem neuen Fenster geöffnet), ohne den Cache ungültig zu machen.
Starte in Codex mit der voreingestellten Reasoning-Stufe des Modells. Senke sie für einfachere Aufgaben oder erhöhe sie für tiefere Analysen.
Geschwindigkeit:
Nutze in der API den Schnellmodus(wird in einem neuen Fenster geöffnet), wenn die Antwortzeit zählt, etwa in Chat-Apps oder Programmierwerkzeugen. Er bietet schnellere, gleichmäßigere Antwortzeiten bei höheren Kosten pro Token als die Standardverarbeitung.
Nutze in Codex und der API Ultrafast(wird in einem neuen Fenster geöffnet), wenn schnellere Antworten den Aufpreis wert sind, etwa bei raschen Code-Iterationen. Es beschleunigt die Token-Generierung unabhängig vom Reasoning-Aufwand. Für GPT‑6 Astra verfügbar(wird in einem neuen Fenster geöffnet).
Beginne mit einem klaren Auftrag: gewünschtes Ergebnis, Zielgruppe, relevanter Kontext, Vorgaben und Kriterien für den Abschluss. Prüfe dann diese vier Bereiche, zusammengefasst aus Skills und Prompts für GPT‑6 Astra neu denken(wird in einem neuen Fenster geöffnet). Der Beitrag vertieft, wie du deine Anweisungen aktualisieren kannst:
Erstelle bessere Skills: Beschreibe kurz und klar, wann jeder Skill ausgeführt werden soll. Lade ergänzende Details nur bei Bedarf und ersetze starre Rezepte durch Anleitungen, die zu den Modellen deines Teams passen.
Aktualisiere deine AGENTS.md: Erkläre, wann bestimmte Dokumente und Tests relevant sind. Erlaube sichere Routineabläufe ausdrücklich, etwa lokale Tests mit Wegwerfdaten ohne Zugriff auf Produktivsysteme.
Lege Entscheidungsgrenzen fest: Definiere, welche Aktionen selbstständig erfolgen dürfen und welche eine Freigabe erfordern. Ersetze pauschale Regeln wie „immer nachfragen“ durch klare Grenzen.
Gib vor, wie konsequent Aufgaben abzuschließen sind: Definiere, was „erledigt“ umfasst: Änderung umsetzen, ausführen, Ergebnis prüfen und Fehler beheben. Benenne auch Entscheidungen, die deine Prüfung erfordern.
Weitere Hinweise findest du in den bewährten Verfahren für Reasoning(wird in einem neuen Fenster geöffnet).
Ob du in Codex arbeitest oder mit der API entwickelst: Lege fest, welche Entscheidungen das Modell treffen darf, wann es nachfragen soll und wie eine nützliche Antwort aussieht.
Gib dem Modell genug Orientierung, damit es vorankommt, ohne bei wichtigen Entscheidungen raten zu müssen. (wird in einem neuen Fenster geöffnet)Sag ihm, was es selbst entscheiden darf und wann es dich fragen soll(wird in einem neuen Fenster geöffnet). Es darf zum Beispiel eine Zusammenfassung selbst gliedern, sollte aber vor einer Änderung des Projektumfangs mit dir Rücksprache halten. (wird in einem neuen Fenster geöffnet)Beschreibe, wie eine nützliche Antwort aussieht(wird in einem neuen Fenster geöffnet): etwa verständliche Sprache, technische Details passend zur Zielgruppe und eine kurze Übergabe mit den Änderungen, den durchgeführten Prüfungen und den noch offenen Punkten.
Mit der GPT‑6‑Modellfamilie kannst du jetzt Aufgaben angehen, die sich über Stunden oder Tage erstrecken. Mit den folgenden Funktionen steuerst du Agenten bei länger laufenden Aufgaben besser.
Nutze in der API Steuerung, asynchrone Tools und parallele Arbeit, um länger laufende Aufgaben voranzubringen.
Aktualisiere Anweisungen während eines Durchlaufs: Mit der Steuerung während eines Antwortschritts(wird in einem neuen Fenster geöffnet) kannst du über die Responses WebSocket API(wird in einem neuen Fenster geöffnet) eine Korrektur senden, während das Modell arbeitet. Aktualisierungen werden in eine Warteschlange eingereiht. Sie brechen weder laufende Tools ab noch machen sie abgeschlossene Aktionen rückgängig.
Arbeite weiter, während ein Tool läuft: Durch asynchrone Tool-Aufrufe(wird in einem neuen Fenster geöffnet) kann das Modell unabhängige Aufgaben fortsetzen, während deine App eine langsamere Aufgabe ausführt, etwa Tests. Deine App gibt das Ergebnis zurück, sobald es vorliegt. Warte auf dieses Ergebnis, bevor du davon abhängige Aufgaben startest.
Delegiere unabhängige Teilaufgaben: GPT‑6.1 Sol unterstützt Multi-Agenten-Workflows in der Responses API(wird in einem neuen Fenster geöffnet). Es kann unabhängige Aufgaben an Unteragenten vergeben, etwa verschiedene Teile einer Codebasis untersuchen lassen, und deren Erkenntnisse zu einer abschließenden Antwort zusammenführen. Die Multi-Agenten-Funktion befindet sich derzeit in der Betaphase.
Bei länger laufenden Aufgaben können Entscheidungen anstehen, die du im ersten Prompt nicht unbedingt vorhersehen konntest. Halte die Arbeit durch Klärung und Steuerung auf Kurs.
Beantworte Fragen während der Arbeit: Mit GPT‑6 Astra kann Codex während der Arbeit Rückfragen stellen(wird in einem neuen Fenster geöffnet). Kläre Fragen, die den nächsten Schritt beeinflussen, und lege fest, welche unabhängigen Aufgaben weiterlaufen dürfen, während du entscheidest. Wenn du nicht erreichbar sein wirst, sag Codex, welche Aufgaben weiterlaufen dürfen und wann es auf deine Antwort warten soll.
Passe die Arbeit an geänderte Anforderungen an: Steuere die laufende Aufgabe(wird in einem neuen Fenster geöffnet) mit neuen Informationen. Erkläre, was sich ändern und was gleich bleiben soll. So vermeidest du eher, weitere Zeit in einen Ansatz zu investieren, der deinen Anforderungen nicht mehr entspricht.
Durch Computernutzung(wird in einem neuen Fenster geöffnet) können GPT‑6 Astra, GPT‑6.1 Sol und GPT‑6 Luna direkt mit Websites und Desktop-Apps interagieren, auch mit Anwendungen ohne API. Du kannst das Modell zum Beispiel bitten, einen Fehler zu untersuchen, den Code zu korrigieren und dein Produkt im Browser zu öffnen, um zu prüfen, ob die Korrektur funktioniert.
Wähle für jeden Schritt den einfachsten zuverlässigen Weg:
Nutze eine API oder ein verbundenes Tool, wenn sich die Aufgabe damit direkt erledigen lässt.
Nutze Computernutzung, wenn das Modell Bildschirminhalte lesen, Schaltflächen anklicken oder ein Formular für dich ausfüllen muss.
Wenn du Computernutzung in deine eigene App integrierst, stelle dem Modell ein Tool bereit, das Code zur Steuerung eines Browsers oder Desktops ausführen kann. Playwright funktioniert mit Browsern(wird in einem neuen Fenster geöffnet), PyAutoGUI mit Desktop-Apps.
