这几天，OpenAI 和 Anthropic 像是在比赛送额度。
Fable 5 一次又一次延期，Codex 直接取消 Plus、Business 和 Pro 用户每 5 小时的使用限制。
如果你是 Codex 高强度用户，这意味着不用再按照之前网上的教程，每五个小时给他发条消息，只为了不要等到要用的时候，5 小时额度却用完了。
结果大家刚开始猛用，就发现了一个新问题：GPT-5.6 更聪明了，但也更会烧 Token。
前几天我们在 Codex 内实测 GPT-5.6 时，一个 3D 网页的任务，就直接让 Codex 干了快三个小时。
在社交媒体上一搜索，发现遇到类似问题的人不少，大家都在反馈使用 GPT-5.6 的 Codex 简直就是 Token 刺客，需要消耗的时间变长不说，额度的消耗同样离谱。
尽管 Codex 官方表示是用户过于低估了 GPT-5.6 Sol Ultra High 推理档位消耗的 Token，以及各种需要修复的小 Bug。
但还是有网友发现，随着模型变得越聪明，一些之前的 Skills 对 GPT-5.6 来说，也是 Token 消耗的重要部分，甚至变成了一种负担。
大多数的帖子都在说 Superpowers 以及 grill 和 AGENTS.md 等 Skills 和文档现在都可以直接删掉了。由于现在的模型本身已经具有 Agentic 的能力，外部的 Skills 反复调用反而污染了上下文，让思考时间变成，Token 消耗变高。
Superpower 曾经是 Agent 工具必装的 SKill 之一，它的作用是让 Codex 等 Agent 在开始每一个任务之前，先调用头脑风暴找到确定的方案，然后通过系统性的 Debug 和验证来要求模型强制走完这一套固定流程。
但现在的模型，无论是 Fable 5 还是 GPT-5.6 Sol，已经逐渐把 Skills 的功能稀释掉了，更强的模型应该有更强的工具，Skills 也更像是一种过去式。
有网友锐评，「这玩意儿跟那种一装就后台常驻还关不掉的流氓软件似的，吃 token 比吃大米还快。」
所以，新的模型必须搭配上新的用法，不然 Token 都白榨干了。
OpenAI 的开发者体验工程师 Eric 在 X 更新了 GPT-5.6 的官方提示词，详细指南里面提到使用 GPT-5.6，我们最应该考虑的是设定边界，一个模型应该在其运行的沙箱范围内运行。
以及我们应该解释模型需要如何验证其工作是否成功，并且清楚地说明完成的状态是什么样的。如果提示词里面有太多的歧义，会导致更长的运行时间和 Token 使用时间。
怎么榨干 GPT-5.6
没有万能公式，没有必须照抄的角色设定，也没有一长串分点、分步骤思考。OpenAI 给出的第一条建议就是用自己的话开始。
一句短提示，很多时候已经够用。任务更大更重要，再补上四类信息：你要什么结果，有哪些背景，成品长什么样，哪些边界不能碰。
说白了，所谓的提示词高手，越来越像一个会交代工作的同事。AI 心里可能就在想，少教我怎么做事，你只管说清楚你要什么。
这份指南真正有意思的地方也在这里。它表面教人怎么向 ChatGPT 提问，背后讲的却是一套新的工作分工：当 AI 从聊天框走向 Work 和 Codex，提示词也从一句问题，变成了任务简报、交付标准和验收规则。
提示词最该写的，往往是结果
很多人写提示词时，会下意识替 AI 安排完整过程。
先分析材料，再建立框架，然后逐项比较，末尾给出结论。为了显得严谨，还要规定它扮演什么角色、分几步思考、每一步写多少字。
OpenAI 的建议恰好相反：先描述结果，过程只有在确实影响成品时才需要指定。
指南里有一个很简单的例子：把会议记录整理成发给项目团队的简短更新，把决定和下一步放在前面。
短短两句，已经交代了交付物、读者和信息顺序。至于 AI 要先提取决定，还是先识别行动项，用户通常无需操心。把这些步骤全部写死，反倒可能限制它搜索、比较和调整方法的空间。
这种变化和模型能力有关。
早期模型容易跑偏，人们才会发明复杂模板，用密密麻麻的步骤把它框住。如今的模型可以读取文件、搜索资料、调用工具、写代码，甚至连续工作一段时间。
人继续逐步遥控，多少有点像请来一位同事，却坚持替他规定每次点击鼠标的顺序。
背景越多，结果未必越好
提示词教程常让人「尽可能提供上下文」，结果是一股脑丢进几十份文件，再附上一段比材料还长的说明。
▲ 某些 Skills 现在都快成了「没用的上下文」
OpenAI 给出的标准更克制：只提供会改变结果的信息。
一份项目周报需要最新计划，也需要 Slack 里已经达成的决定；但三个月前的头脑风暴记录，大概只会制造噪音。让 AI 根据截图判断界面问题，也要指出需要看的区域，别期待它自动猜中你在意哪个按钮。
这个原则看起来简单，实际很考验人。我们自己得知道哪些资料具有决定性，哪些只属于背景知识；哪份文档代表当前版本，哪份已经过期；多个来源发生冲突时，AI 应该听谁的。
因此，连接 Google Drive、Gmail、Slack 或 GitHub 之后，最有用的提示也很少是「搜索所有内容」。更好的说法是：去哪里找，找什么，拿这些信息做什么。
比如，指南里提到常用的说法是「使用 Drive 里的最新项目计划，以及 Slack 频道里与当前进度有关的决定和更新，准备一份状态简报」。
资料入口、时间有效性和交付用途都清楚了。AI 才能从「看过很多」走到「找对了东西」。
真正值钱的提示词，常写在边界里
目标决定 AI 往哪里走，边界决定它闯多大的祸。
官方指南里给出的边界都很明确：保留已经批准的日期和预算数字；只使用给定来源，缺信息就标出来；先起草邮件，别直接发送；建议控制在预算内。
这些句子缺少花哨技巧，大多数时候却一定比「你是一位拥有 20 年经验的专家」实用得多。
AI 进入真实工作后，最麻烦的情况往往并非文笔差一点，而是改错数据、猜测缺失信息、越过审批流程，或者把本该审阅的草稿直接发给别人。
OpenAI 也提醒用户，边界只要抓住一两个真正会制造额外工作的风险。但如果每个细节都规定，任务会重新退化成人工遥控；完全不设边界，又像把公司账号交给一个刚入职、行动力很强的实习生。
这也是 OpenAI 要把 Chat 与 Work，还有 Codex 的分界逐渐变清楚的原因。
好提示在收尾一行，应该写验收
一份任务简报写得再漂亮，成品没人检查，仍可能在交付前翻车。
OpenAI 在多个示例里加入了最终检查。项目更新要确认每项行动都有负责人和截止日期；季度报告生成简报与演示文稿后，要核对两份文件的数据一致；Codex 修完 Bug，要重新执行复现步骤，再跑最小范围的相关测试。
这些要求有一个共同点：它们都能被验证。「写得专业一点」很难验收，「控制在一页内，先写三个待决事项，每个数字标明来源」就能检查。
过去谈提示词，人们关注输入写得够不够聪明。AI 开始交付文件、修改代码和操作工具之后，输出能否被审查，变得更重要。我们甚至可以把提示词理解成一份小合同：前半段定义要交什么，后半段定义怎样算完成。
Codex 的官方示例尤其能看出这种变化。
修复一个设置页 Bug，用户要提供复现步骤、可能相关的文件和不能改变的约束，然后要求 Codex 先在本地复现，提出补丁，修复后再次复现，并运行验证和最小测试集等工作。
模型能力越强，这种验收意识越重要。能持续工作的 AI，当然能做更多事，但也会沿着错误方向走得更远。
第一条提示，完全可以写得没那么好
官方指南还杀死了另一个焦虑：第一条提示无需一次到位。
先看结果，再告诉它具体改哪里。因为大多数的任务，都可以通过后续消息完成，无需清空对话重来。
这和人类合作的方式更接近。我们很少能在第一次交代任务时预见所有细节，往往要看到草稿，才知道真正介意的是结构、语气还是证据。
OpenAI 也把这种「边做边改」写进了 Codex 的交互方式。
Codex 工作期间，用户可以用引导功能把新信息送进当前任务，直接改变方向；也可以用排队把消息排到下一轮，等当前工作结束再处理。
语音输入也被放进这份提示词指南，在 ChatGPT 桌面端按住 Ctrl+M，直接把想法说出来，检查转写后发送。
OpenAI 大概是想说我们的自然语言已经够用，真正影响结果的，还是我们有没有想清楚想要什么，以及看到偏差后能不能准确指出来。
Chat、Work 和 Codex，分的是任务重量
这份指南把三种使用场景放在一起，该怎么选择，这里有一个很实用的判断方法。
Chat 适合快速问题、短改写、头脑风暴和轻量草稿。它像一次即时协助，几轮对话就能收尾。
Work 面向需要多种资料或工具、包含一串步骤、会产生修改，或者需要交付较大成果的任务。它可以研究产品、整理报告、制作演示文稿，也可以协调一次发布，把时间线、负责人、依赖、风险、公告和 FAQ 放进同一套交付物。
Codex 则处理代码、代码库和开发工具。解释请求怎样穿过多个模块，复现并修复 Bug，为函数补测试，根据截图制作原型，或把重构任务交给云端继续执行。
选择哪一个，关键在任务有多重。
一个问题，用 Chat。一个需要资料、过程和文件的工作，用 Work。一个要进入代码库、调用开发工具并跑验证的工作，用 Codex。
把简单问题塞进 Work，只会浪费时间和额度；让 Chat 扛一项跨来源、带审批和文件交付的复杂任务，也容易在中途散架。
工具选对之后，提示词反倒可以更短。因为产品已经替用户提供了一部分环境、上下文和执行能力。
AI 越会干活，人越要会定义「干完」
无论是 Skills 还是提示词，过去很长一段时间都像一种互联网秘术。
有人收集万能开场白，有人研究标点与措辞，还有人把几百字模板装进收藏夹，期待复制之后立刻得到高质量答案。
OpenAI 的官方指南，其实是把使用 AI 的常识再强调了一遍：说清结果，给对材料，标出风险，约定验收；第一版有偏差，就继续改。
模型的升级会不断淘汰具体技巧，某个关键词、Skills 今天有效，下个版本可能已经多余。
以后真正稀缺的能力，大概也不会是把提示写得多复杂，而是知道什么值得交给 AI，什么结果可以直接使用，什么动作必须由人拍板。
当 AI 能力进化到已经学会听懂人话，现在轮到我们把工作讲明白了。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
