來自 MIT、史丹佛和 UC Berkeley 的研究人員分析了從 1,891 人收集的 18,000 多個提示詞。
結果顯示，雖然轉用新的高效能模型所帶來的 53% 效能提升來自於模型本身的演進，但剩下的 47% 是由使用者改變指示方式以配合新模型能力所創造的。
換句話說，AI 的效能並非僅僅由「你選擇哪個模型」決定。
選擇高效能模型，以及能夠將這份智慧連結到你的工作，是兩種完全不同的技能。
這在使用 GPT-5.6 Sol 時尤其重要。
OpenAI 將 Sol 定位為用於複雜研究、設計和決策的旗艦推理模型。然而，無論它的推理能力有多高，它都無法讀懂你的目標、前提或判斷標準。
如果你要求它「想點好事」，Sol 會從廣泛的可能性中選擇最普通的答案。
相反地，如果你已經設定了：
- 你是誰
- 你想達成什麼
- 你希望它遵守什麼條件
- 你認為什麼是好的結果
即使使用同一個模型，答案的品質也會有顯著不同。
許多人每個月付費使用最聰明的 AI，但卻留空自訂指令、不整理記憶，且只用一句話提出請求。
這就像聘請一位優秀的顧問，卻在沒有分享任何公司狀況資訊的情況下，要求他們「增加銷售額」。
在這篇文章中，我將總結三個你應該優先檢視的設定，讓 GPT-5.6 Sol 的智慧更接近於「你的個人專家」，以及能改變回應品質的請求方法。
我不會使用困難的提示技巧。
一旦設定完成，這些設定將會影響幾乎所有後續的對話。我建議你儲存這篇文章，以便之後在開啟設定畫面時可以嘗試。
在文章最後，我正在發送一個設計工具包，讓你能用 Claude 建立高品質的 Slides。
為什麼「選擇模型」本身無法帶來效能
首先，讓我們先釐清「智慧」是在哪裡決定的。
GPT-Sol 是目前你可以選擇的最聰明、思考最深入的模型。但即使是最聰明的人，如果被賦予一個模糊的任務，例如「隨便做點好事」，也只能回傳平庸的答案。智慧與能否將其引導出來是兩回事。
從觀察不同人如何使用它，我認為差異在於「引導」這方面，而不是模型本身。
效能取決於先準備好以下三件事：讓 ChatGPT 記住前提（設定）、根據任務選擇模型，以及擁有一個如何提問的模板。讓我們依序進行。
初始設定 ①：自訂指令是「操作手冊」，而不是「自我介紹」
首先要檢視的是自訂指令。
許多人在這裡只會寫「請禮貌地回答」或「請簡潔地說明」之類的內容。
然而，這幾乎等於是在一位優秀員工上任第一天對他說：
「請好好幹。」
OpenAI 的官方指南介紹了一種將資訊提供給 AI 的方法，將其區分為：
- 身份：它將扮演什麼角色？
- 指令：它應該遵守什麼？
- 範例：什麼是好的答案？
- 情境：判斷需要哪些前提？
換句話說，你應該放在自訂指令中的不僅僅是個人檔案。
它是每次都要應用在 ChatGPT 上的「工作規則」。
例如，即使你要求它「改寫這篇 X 貼文」，ChatGPT 還是有很多不知道的事情：
- 你想讓誰看到？
- 你在賣什麼？
- 允許使用挑釁性的語言嗎？
- 目的是提高知名度還是 LINE 註冊？
- 什麼樣的寫法才像你？
在不知道這些的情況下，ChatGPT 只能根據一般的社群媒體知識回傳最普通的貼文。
相反地，如果你將以下前提放入自訂指令中，即使使用同樣的一句話，答案的方向也會改變。
【可以直接使用的範例設定】
我是一名上班族，同時在 X 和 note 上發布關於 AI 應用的貼文。
我的主要讀者是對 AI 有興趣但不知道如何將其融入工作的上班族和個體經營者。
在你的回答中，請遵守以下規則：
- 先說結論
- 不要只停留在抽象描述，至少要包含一個具體範例
- 使用專業術語時，在首次提到時簡短說明
- 避免過度挑釁或毫無根據的主張
- 對於 X 貼文，著重於開頭的鉤子和易讀的換行
- 對於 note 文章，以主張 → 理由 → 範例 → 實作方法的順序結構化
- 如果請求模糊不清，不要自行填補，先詢問重要的前提
根據 OpenAI 的官方資訊，一旦設定自訂指令，它就會反映在所有聊天中，包括現有的聊天。
此外，在 Plus 或 Pro 等方案中，你可以註冊最多 5,000 個字元。
這不是一個用來寫你每次都會用的長篇大論的地方。
這是一個從一開始就消除每次發生的小型認知差距的地方。
我個人發現，在設定了語氣、主題和結構之後，像「讓它更像我的語氣」或「從結論開始寫」這樣的修正減少了。
即使每次只節省幾分鐘，在使用 100 次後也會變成巨大的差異。
自訂指令不是一個只為了提升 ChatGPT 一次效能的設定。
它們是一個用來提升你從今以後每一次對話最低品質的設定。
初始設定 ②：記憶是「客戶檔案」，而不是「倉庫」
接下來要檢視的是記憶。
這裡令人驚訝的是，ChatGPT 的記憶並非一個單純儲存過去完整對話的功能。
根據 OpenAI 的說明，目前的記憶是作為「情境」來使用，透過持續整理來自過去聊天和其他來源的有用資訊，來個人化答案。
換句話說，記憶與其說是對話的儲存空間，更像是：
ChatGPT 查閱關於你的客戶檔案。
如果檔案中有正確的資訊，你就不需要每次詳細說明，它就能理解你。
另一方面，如果舊的或一次性的資訊保留下來，可能會影響到完全不同的諮詢。
例如，假設一位以前銷售上班族產品的人，現在轉型為提供企業 AI 支援服務。
然而，如果像「為上班族發布副業知識」這樣的舊前提仍然留在記憶中，即使你要求撰寫一份給企業的提案，也可能會混雜一些針對個人的柔和表達或副業觀點。
當 AI 的答案平庸時，原因有時不在於提示詞，而在於關於你過去自己的資訊。
這就是為什麼你不應該隨便把東西都放進記憶。
我建議根據以下標準來區分：
需要保留在記憶中的資訊：
- 目前的職業或事業
- 處理的產品或服務
- 主要客戶群
- 長期目標
- 對於寫作或回答的偏好
- 經常使用的判斷標準
不需要保留在記憶中的資訊：
- 僅在今天執行的任務
- 暫時性的活動
- 經常變動的銷售額或追蹤者人數
- 截止日期或時程
- 當下想到的假設
- 暫時的情緒或猶豫
例如，「我為企業提供 AI 培訓」如果在一段時間內不會改變，就適合放在記憶中。
另一方面，「在本週五前完成培訓教材」最好只在該對話或專案中處理。
記憶的判斷標準很簡單：
你希望這個前提在 3 個月後仍然被使用嗎？
如果是，就放入記憶。
如果不是，就只放在該聊天或專案中。
並且定期提出以下要求：
「請檢查你目前記得的關於我的資訊。請將可能過時的資訊與多餘的資訊分開。」
根據 OpenAI 的官方資訊，你可以從設定畫面檢查、修正和刪除記憶，並且可以使用暫時聊天來進行不參考現有記憶或不建立新記憶的對話。
在重要的商務會議前，或當你需要扮演與平常完全不同的角色時，使用暫時聊天是一個好方法。
要讓 AI 變得更聰明，就讓它記住大量資訊。
這個說法一半對一半錯。
需要的不是資訊的數量。
而是只留下符合你目前狀態的正確前提。
初始設定 ③：根據「失敗的成本」選擇模型，而不是「聰明程度順序」
設定完成後，下一步就是選擇模型。
很多人誤解了這一點。總是選擇效能最高的模型，並不一定是最有效的使用方式。
這就像公司裡的每一項任務都要在董事會上決定一樣。你不需要為了更改郵件主旨而召集管理層。
另一方面，將是否投資數百萬於新事業的決策，交由員工的一次即時回答來決定，也是非常危險的。
模型選擇也是如此。OpenAI 將 GPT-5.5 Instant 定位為用於日常問題的快速模型，而 GPT-5.6 Sol 則是用於複雜任務、研究和設計的推理模型。
GPT-5.6 Sol 也提供了改變思考深度的選項，例如 Medium、High 和 Extra High。可用的選項取決於你的方案。
那麼，你應該用什麼標準來選擇呢？
我建議不要根據模型效能來選擇，而是根據：
「如果我得到錯誤的答案，損失會有多大？」
適合使用 Instant 的任務：
- 改寫文字
- 檢查錯字
- 總結會議記錄
- 為想法建立草稿
- 建議郵件主旨
- 格式化已確定的內容
例如，像「在不改變意思的情況下，將這段文字縮短 30%」這樣的任務。即使答案有點偏差，你也可以立即檢查並修正。
你想要使用 Sol Medium 或 High 的任務：
- 比較商業策略
- 規劃涉及多個條件的設計
- 結構化重要的銷售資料
- 在閱讀長篇文件後做出判斷
- 研究合約或系統
- 設計系統或業務流程
- 分析失敗原因
例如，像「根據競爭對手、市場性、公司優勢、初期成本和退出條件這五個因素，評估是否投資這個新事業」這樣的任務。這需要同時比較多個資訊並做出一致的判斷，而不僅僅是簡單的文字生成。
你應該考慮使用 Sol Pro 或深度推理的任務：
- 需要長時間進行的複雜研究
- 跨大量文件的分析
- 重要管理決策的第二意見
- 研究或修正複雜的程式碼庫
- 需要多次驗證的設計
然而，即使在此情況下，你也不應該直接採用 AI 的答案，而是將其作為決策的參考材料之一。
當你不確定如何選擇模型時，可以用這三個問題來判斷：
- 如果採用了錯誤的答案，損失會很大嗎？
- 是否需要同時考慮多個條件？
- 你無法立即自行驗證輸出嗎？
如果符合兩項或以上，就值得使用 Sol。反之，如果幾乎都不符合，那麼 Instant 就足夠了。
建議不是把所有事情都交給 Sol。
首先，使用 Instant 來：
- 找出討論要點
- 建立草稿
- 增加選項
然後，只將重要的部分交給 Sol 來：
- 尋找遺漏之處
- 驗證矛盾
- 最終確定提案
這是一個兩階段的方法。例如，在建立網路研討會計畫時：
首先，用 Instant 產生 10 個點子。從中選出 3 個，然後問 Sol：
「請根據吸引力、權威性、與成交的關聯性以及實施難度這四項來比較這 3 個點子。請不要隱瞞缺點。」
這樣一來，你就能同時獲得速度和深度。
與其每次都選擇最聰明的模型：
使用快速模型來發散，使用深度思考模型來判斷。
透過這樣分工，你可以減少等待時間，同時在重要情況下提高答案的品質。
請求方法 ①：停止外包，使用「模板」
這是核心。即使你安排好了設定，如果你的請求仍然是一個模糊的交接，效能就無法發揮。模型越聰明，如果前提不足，它就越會回傳「看似合理但偏離目標」的答案。所以，準備一個請求的模板。只需要四件事：「以誰的身份、我的前提、要遵守的限制、以及何種輸出格式。」
- ✗ 「我該如何開始一個副業部落格？」
- ◯ （填入這四項）：
你是一位副業部落格的編輯。我是一名上班族，平日每天只能使用 1 小時。我還沒有決定要寫什麼。我對 AI 和副業感興趣。在這些條件下，請建立一個第一個月要做什麼的每週待辦事項清單。每週最多 3 項，避免使用專業術語。
回應的密度會完全不同。這裡再舉一個更偏向工作的例子：
- ✗ 「為這個產品寫一個介紹。」
- ◯：
你是一位文案撰寫人。這個產品是一個能讓桌面保持整潔的木製手機支架，售價 3,000 日圓。購買者是 30 多歲在家工作的人。以「整理桌面」為主題，提供 3 份 120 個字的產品描述草稿。不要挑釁或誇大。每份草稿附上一行說明其目標。
即使是同一個產品，只有後者才能產生「3 份可用的草稿」。
請求方法 ②：不要追求一次完成，先「讓它提問」
即使你使用了模板，前提可能仍然不足。所以，再多一步驟。對於聰明的模型，讓它們在開始工作之前先提問。這在 Sol 這樣的「思考」模型中尤其有效。
在這之後，我希望你建立一份求職面試時要用的反問清單。為了得到好的結果，請先問我 5 個問題。我回答後再開始工作。
Sol 會針對缺失的前提提出精確的問題：公司是什麼行業？面試官是高層還是基層人員？你重視什麼？如果你在填補這些資訊後再讓它工作，返工的情況會明顯減少。與其一次性的模糊請求，中途插入一輪問題最終反而更快。
示範：從零到完成，與 Sol 的完整流程
光說不練，所以讓我們把它變成一個完整的流程。這是虛構的，但我會寫出實際使用的文字。
主題是「建立一篇在 X 上發布，關於以副業開始的木製手機支架的公告貼文。」
- 自訂指令已經設定好了（副業的前提和格式都已包含）。所以，不需要每次都解釋。
- 選擇 GPT-5.6 Sol 作為模型。因為你不想在第一次公告時出錯。
- 首先，讓它提問。
我想在 X 上建立一篇產品的公告貼文。請先問我 5 個問題。我回答後再開始工作。
- Sol 會問：價格是多少？有照片嗎？目標對象是誰？你會包含連結嗎？語氣是嚴肅還是輕鬆？回答它們。
- 現在前提已經一致，要求正式內容。
根據先前的回答，提供 3 份公告貼文的草稿。每份在 140 個字以內，易於閱讀並有換行，並在結尾加上鉤子。不要挑釁。
- 調整你喜歡的那份草稿。
我採用第二份草稿。讓措辭更能喚起「整潔桌面」的畫面。不要使用表情符號。
你將得到一篇可以直接複製貼上的貼文，這是臨時起意的模糊請求無法產生的。與其收集零碎的「這樣問比較好」的技巧，不如直接模仿這個流程，它就會有效。
總結
- Sol 的效能取決於「設定與請求方式」，而非「模型選擇」。
- 將前提一次寫入自訂指令。僅將難以改變的事實儲存在記憶中。
- 不要把所有事情都交給 Sol。只在你不希望出錯的動作上使用 Sol。
- 停止模糊的交接，使用「以誰的身份、前提、限制、輸出格式」模板來請求。
- 模型越聰明，讓它在開始前先提問，就越不容易遺漏。
如果你不知道這些設定，你將會繼續每個月付費使用最聰明的模型，同時向一個陌生人提出模糊的請求。你會選擇一次設定好並改變提問方式，還是今天仍然用「隨便做點好事」來獲得薄弱的答案？轉捩點就在這裡。
你今天可以執行的一步：打開 ChatGPT 設定，在自訂指令中放入兩件事：「你的副業前提」和「當請求模糊時先提問」。從下一次對話開始，回傳的內容將會改變。
發送一個能大幅改變在 Claude 中建立 Slide 方式的設計系統工具包
▼ 加入 LINE 以接收「Claude 設計系統工具包」
https://t.co/90omRA4UQ7
請加入 OpenChat（LINE OpenChat），然後在記事中提到的官方 LINE 帳號發送
設計系統
以接收優惠。
