Ez a gyakorlatias útmutató azt ismerteti, hogyan érdemes kiválasztani és üzemeltetni a GPT‑6 család modelljeit oly módon, hogy a képesség, a válaszidő és a költségek egyensúlyban maradjanak. A dokumentum külön kitér a promptok és skill‑ek kialakítására, a hosszú kontextusok kezelési módszereire, a futó munkák irányítására, valamint a telepítés előtti ellenőrzésekre.
Mikor melyik modell?
A GPT‑6 család három fő változata különböző feladatokra ajánlott:
- GPT‑6 Astra: a legnagyobb következtetési igényt támasztó, legbonyolultabb problémákhoz.
- GPT‑6.1 Sol: összetett kódolási, kutatási és számítógép‑használati feladatokra.
- GPT‑6 Luna: ismétlődő, skálázott feladatokhoz és fókuszált munkához, például számlamezők kinyerése, kérések osztályozása vagy strukturált összegzések előállítása.
A modellválasztásnál érdemes összehasonlítani az egyes modellek árazását, és megfontolni a „reasoning effort” (következtetésre fordított munka) szintjét, amely az intelligencia–ár kompromisszumát határozza meg.
Reasoning effort és sebességbeállítások
Az API-ban állítható, mennyi erőfeszítést tegyen a modell a feladatra:
- Low: rutinszerű feladatok (ténykinyerés, kisebb javítások).
- Medium: megítélést igénylő munka (feature‑tervezés, opciók összehasonlítása).
- High: nehezebb hibakeresés, mélyebb elemzés, gondos átnézés.
- Extra high / Max: tesztelendő, ha a High nem elég, megtartása csak akkor, ha a többletidő és költség indokolt.
A reasoning szintet beszélgetés közben is lehet változtatni anélkül, hogy a cache-t megsértenénk. Ha a válaszidő fontos, használjuk a Fast módot a gyorsabb és következetesebb válaszokért; az Ultrafast pedig még gyorsabb token‑generálást kínál, például iteratív kódoláshoz (elérhető GPT‑6 Astra esetén). Ezek a gyorsabb módok általában magasabb per‑token költséggel járnak.
Promptok, skill‑ek és döntési határok
Kezdjünk tiszta feladatmegfogalmazással: mit várunk eredményül, kinek készül, milyen környezet és korlátok relevánsak, és mi számít késznek.
Ajánlások:
- Tartsuk a skill‑leírásokat röviden és egyértelműen arról, mikor fussanak.
- Csak a szükséges részleteket töltsük be, a merev receptszerű utasításokat cseréljük iránymutatásra, amely a használt modellekhez illeszkedik.
- Az AGENTS.md dokumentumban írjuk le, mikor mely dokumentumok és tesztek relevánsak, és hatalmazzunk fel biztonságos rutinműveleteket (például helyi tesztek disposable adatokkal, gyártási hozzáférés nélkül).
- Állítsunk fel döntési határokat: határozzuk meg, mit tehet a modell önállóan és mihez kérjen jóváhagyást.
- Legyünk előírók a perzisztenciát illetően: határozzuk meg, mit jelent a „kész” – implementálást, futtatást, ellenőrzést és hibakezelést, illetve azt, mely döntéseket kell emberi felülvizsgálatnak alávetni.
Eric Provencher, a Developer Experience csapatból az OpenAI‑nál, arra hívja fel a figyelmet, hogy a modellek jobban értik a finomságokat és az ambiguitást, ezért a túl specifikus iránymutatás néha már hátráltathatja az eredményt.
Hosszú futamidejű munkák kezelése
A GPT‑6 család lehetővé teszi órákon vagy napokon át tartó feladatok kezelését. Ennek hatékony irányításához az API több eszközt kínál:
- Steering (irányítás): mid‑turn frissítések küldhetők a Responses WebSocket API‑n keresztül; ezek sorba állnak és nem törlik a már elindított eszközműveleteket.
- Aszinkron eszközök: lehetővé teszik, hogy a modell független munkát végezzen, miközben lassabb feladatok (például tesztek) futnak, és az alkalmazás később visszaküldi az eredményt.
- Delegálás és multi‑agent munkafolyamatok: GPT‑6.1 Sol támogatja a több‑ügynökös munkát a Responses API‑ban (jelenleg beta), így alügynökök dolgozhatnak külön részeken, majd összefogló választ adhatnak.
További gyakorlatok:
- Engedjük, hogy a modell feltegyen tisztázó kérdéseket, ha azok a következő lépést befolyásolják; határozzuk meg, mi mehet tovább várakozás nélkül.
- Ha távol leszünk, jelezzük, mely feladatok folytathatók és mikor kell megállni válaszért.
- Ha változnak a követelmények, irányítsuk át a futó feladatot úgy, hogy világos legyen, mi változzon és mi maradjon.
Számítógép‑használat és eszközválasztás
A Computer use funkcióval a GPT‑6 Astra, GPT‑6.1 Sol és GPT‑6 Luna közvetlenül képes weboldalakkal és asztali alkalmazásokkal interakcióba lépni, még API nélküli alkalmazásokkal is. Például hibakeresésnél a modell megvizsgálhatja a hibát, javíthatja a kódot és megnyithatja a terméket a böngészőben, hogy ellenőrizze a javítást.
Ajánlott megközelítés:
- Használjuk az API‑t vagy csatlakoztatott eszközt, ha az közvetlenül elvégzi a lépést.
- Használjuk a computer use‑t, ha a modellnek képernyőt kell olvasnia, gombot kell nyomnia vagy űrlapot kell kitöltenie.
- Saját alkalmazásba építve adjunk a modellnek egy eszközt, ami kód futtatásával tud böngészőt vagy asztali alkalmazást vezérelni (például Playwright böngészőkhöz, PyAutoGUI asztali appokhoz).
Hatékonyság, cache és kompakció
Takarékosság és skálázhatóság érdekében:
- Csökkentsük a kontextust, amelyre a feladatnak nincs szüksége, de tartsuk meg a szükséges bizonyítékokat.
- Futtassuk együtt az egymástól független feladatokat, ha az alkalmazás támogatja, hogy egy lassú lépés ne akadályozzon más munkát.
- Használjunk prompt cachinget ismétlődő munkánál: a cache‑elt bemeneti tokenek modellfüggően akár 95%‑kal olcsóbbak lehetnek, mint a nem cache‑elt tokenek.
- Tegyük a stabil utasításokat és hivatkozó anyagokat a változó feladatrészletek elé, és tartsuk konzisztensen az eszközdefiníciókat.
- A caching dashboard és a diagnosztikai útmutató segít látni, hol szakad meg a kontextus újrahasznosítása. Becslésnél vegyük figyelembe a cache írásokat és bármilyen hosszú‑kontext arányt.
Hosszabb beszélgetések esetén a compaction csökkenti a kontextus méretét úgy, hogy megőrzi a folytatáshoz szükséges állapotot.
Mérés, monitorozás és telepítés előtti ellenőrzések
Mielőtt élesbe menünk, futtassunk reprezentatív feladatokat és mérjük:
- A feladat sikerességét.
- A késleltetést (latency‑t).
- A sikeres feladatonkénti költséget.
Fontos továbbá dönteni arról, hogyan monitorozzuk a modell viselkedését és átnézni az alkalmazás adatkezelési kontrolljait. Használjuk az API telepítési ellenőrzőlistáját és a diagnosztikai anyagokat a felkészüléshez.
Összefoglalás
A GPT‑6 modellek lehetővé teszik összetett, hosszú ideig tartó és több eszközt érintő munkafolyamatok hatékony kezelését, de érdemes tudatosan választani a modellt, a reasoning szintet és a sebességbeállítást. A promptok, skill‑ek és AGENTS.md frissítése, a cache és compaction alkalmazása, valamint a steering, aszinkron eszközök és delegálás használata kulcsfontosságú a költségek és a megbízhatóság kontrollálásához. Minden telepítés előtt mérjük a sikerességet, késleltetést és költséget, és tervezzünk monitorozást és adatkontrollt.
