Codex 不限時了，我先刪掉了一堆 Skills｜附 GPT-5.6 官方指南

APPSO2026年7月13日
這幾天，OpenAI 和 Anthropic 像是在比賽送額度。
Fable 5 一次又一次延期，Codex 直接取消 Plus、Business 和 Pro 用戶每 5 小時的使用限制。
如果你是 Codex 高強度用戶，這意味着不用再按照之前網上的教程，每五個小時給他發條消息，只爲了不要等到要用的時候，5 小時額度卻用完了。
結果大家剛開始猛用，就發現了一個新問題： GPT-5.6 更聰明瞭，但也更會燒 Token。
前幾天我們在 Codex 內實測 GPT-5.6 時，一個 3D 網頁的任務，就直接讓 Codex 幹了快三個小時。
在社交媒體上一搜索，發現遇到類似問題的人不少，大家都在反饋使用 GPT-5.6 的 Codex 簡直就是 Token 刺客，需要消耗的時間變長不說，額度的消耗同樣離譜。
儘管 Codex 官方表示是用戶過於低估了 GPT-5.6 Sol Ultra High 推理檔位消耗的 Token，以及各種需要修復的小 Bug。
但還是有網友發現，隨着模型變得越聰明，一些之前的 Skills 對 GPT-5.6 來說，也是 Token 消耗的重要部分，甚至變成了一種負擔。
大多數的帖子都在說 Superpowers 以及 grill 和 AGENTS.md 等 Skills 和文檔現在都可以直接刪掉了 。由於現在的模型本身已經具有 Agentic 的能力，外部的 Skills 反覆調用反而污染了上下文，讓思考時間變長，Token 消耗變高。
Superpower 曾經是 Agent 工具必裝的 SKill 之一，它的作用是讓 Codex 等 Agent 在開始每一個任務之前，先調用頭腦風暴找到確定的方案，然後通過系統性的 Debug 和驗證來要求模型強制走完這一套固定流程。
但現在的模型， 無論是 Fable 5 還是 GPT-5.6 Sol，已經逐漸把 Skills 的功能稀釋掉了，更強的模型應該有更強的工具，Skills 也更像是一種過去式。
有網友銳評，「 這玩意兒跟那種一裝就後臺常駐還關不掉的流氓軟件似的，喫 token 比喫大米還快。 」
所以，新的模型必須搭配上新的用法，不然 Token 都白榨乾了。
OpenAI 的開發者體驗工程師 Eric 在 X 更新了 GPT-5.6 的官方提示詞，詳細指南里面提到使用 GPT-5.6， 我們最應該考慮的是設定邊界 ，一個模型應該在其運行的沙箱範圍內運行。
以及我們應該解釋模型需要如何驗證其工作是否成功，並且清楚地說明完成的狀態是什麼樣的。如果提示詞裏面有太多的歧義，會導致更長的運行時間和 Token 使用時間。
怎麼榨乾 GPT-5.6
沒有萬能公式，沒有必須照抄的角色設定，也沒有一長串分點、分步驟思考。OpenAI 給出的第一條建議就是 用自己的話開始 。
一句短提示，很多時候已經夠用。任務更大更重要，再補上四類信息：你要什麼結果，有哪些背景，成品長什麼樣，哪些邊界不能碰。
說白了，所謂的提示詞高手，越來越像一個會交代工作的同事。AI 心裏可能就在想， 少教我怎麼做事，你只管說清楚你要什麼。
這份指南真正有意思的地方也在這裏。它表面教人怎麼向 ChatGPT 提問，背後講的卻是一套新的工作分工： 當 AI 從聊天框走向 Work 和 Codex，提示詞也從一句問題，變成了任務簡報、交付標準和驗收規則。
1. 提示詞最該寫的，往往是結果
很多人寫提示詞時， 會下意識替 AI 安排完整過程 。
先分析材料，再建立框架，然後逐項比較，末尾給出結論。爲了顯得嚴謹，還要規定它扮演什麼角色、分幾步思考、每一步寫多少字。
OpenAI 的建議恰好相反： 先描述結果，過程只有在確實影響成品時才需要指定 。
指南里有一個很簡單的例子：把會議記錄整理成發給項目團隊的簡短更新，把決定和下一步放在前面。
短短兩句，已經交代了交付物、讀者和信息順序。至於 AI 要先提取決定，還是先識別行動項，用戶通常無需操心。把這些步驟全部寫死，反倒可能限制它搜索、比較和調整方法的空間。
這種變化和模型能力有關。
早期模型容易跑偏，人們纔會發明複雜模板，用密密麻麻的步驟把它框住。如今的模型可以讀取文件、搜索資料、調用工具、寫代碼，甚至連續工作一段時間。
人繼續逐步遙控，多少有點像請來一位同事，卻堅持替他規定每次點擊鼠標的順序。
2. 背景越多，結果未必越好
提示詞教程常讓人「儘可能提供上下文」，結果是一股腦丟進幾十份文件，再附上一段比材料還長的說明。
某些 Skills 現在都快成了「沒用的上下文」
OpenAI 給出的標準更剋制： 只提供會改變結果的信息。
一份項目週報需要最新計劃，也需要 Slack 裏已經達成的決定；但三個月前的頭腦風暴記錄，大概只會製造噪音。讓 AI 根據截圖判斷界面問題，也要指出需要看的區域，別期待它自動猜中你在意哪個按鈕。
這個原則看起來簡單，實際很考驗人。 我們自己得知道哪些資料具有決定性，哪些只屬於背景知識；哪份文檔代表當前版本，哪份已經過期；多個來源發生衝突時，AI 應該聽誰的。
因此，連接 Google Drive、Gmail、Slack 或 GitHub 之後，最有用的提示也很少是「搜索所有內容」。更好的說法是：去哪裏找，找什麼，拿這些信息做什麼。
比如，指南里提到常用的說法是「使用 Drive 裏的最新項目計劃，以及 Slack 頻道里與當前進度有關的決定和更新，準備一份狀態簡報」。
資料入口、時間有效性和交付用途都清楚了。AI 才能從「看過很多」走到「找對了東西」。
3. 真正值錢的提示詞，常寫在邊界裏
目標決定 AI 往哪裏走，邊界決定它闖多大的禍。
官方指南里給出的邊界都很明確：保留已經批准的日期和預算數字；只使用給定來源，缺信息就標出來；先起草郵件，別直接發送；建議控制在預算內。
這些句子缺少花哨技巧，大多數時候卻一定比「你是一位擁有 20 年經驗的專家」實用得多。
AI 進入真實工作後，最麻煩的情況往往並非文筆差一點，而是改錯數據、猜測缺失信息、越過審批流程，或者把本該審閱的草稿直接發給別人。
OpenAI 也提醒用戶，邊界只要抓住一兩個真正會製造額外工作的風險。但如果每個細節都規定，任務會重新退化成人工遙控；完全不設邊界，又像把公司賬號交給一個剛入職、行動力很強的實習生。
這也是 OpenAI 要把 Chat 與 Work，還有 Codex 的分界逐漸變清楚的原因。
4. 好提示在收尾一行，應該寫驗收
一份任務簡報寫得再漂亮，成品沒人檢查，仍可能在交付前翻車。
OpenAI 在多個示例里加入了最終檢查。項目更新要確認每項行動都有負責人和截止日期；季度報告生成簡報與演示文稿後，要覈對兩份文件的數據一致；Codex 修完 Bug，要重新執行復現步驟，再跑最小範圍的相關測試。
這些要求有一個共同點：它們都能被驗證。「寫得專業一點」很難驗收，「控制在一頁內，先寫三個待決事項，每個數字標明來源」就能檢查。
過去談提示詞，人們關注輸入寫得夠不夠聰明。AI 開始交付文件、修改代碼和操作工具之後，輸出能否被審查，變得更重要。我們甚至可以把提示詞理解成一份小合同：前半段定義要交什麼，後半段定義怎樣算完成。
Codex 的官方示例尤其能看出這種變化。
修復一個設置頁 Bug，用戶要提供復現步驟、可能相關的文件和不能改變的約束，然後要求 Codex 先在本地復現，提出補丁，修復後再次復現，並運行驗證和最小測試集等工作。
模型能力越強，這種驗收意識越重要。能持續工作的 AI，當然能做更多事，但也會沿着錯誤方向走得更遠。
5. 第一條提示，完全可以寫得沒那麼好
官方指南還殺死了另一個焦慮：第一條提示無需一次到位。
先看結果，再告訴它具體改哪裏。因爲大多數的任務，都可以通過後續消息完成，無需清空對話重來。
這和人類合作的方式更接近。我們很少能在第一次交代任務時預見所有細節，往往要看到草稿，才知道真正介意的是結構、語氣還是證據。
OpenAI 也把這種「邊做邊改」寫進了 Codex 的交互方式。
Codex 工作期間，用戶可以用 引導 功能把新信息送進當前任務，直接改變方向；也可以用 排隊 把消息排到下一輪，等當前工作結束再處理。
語音輸入也被放進這份提示詞指南，在 ChatGPT 桌面端按住 Ctrl+M，直接把想法說出來，檢查轉寫後發送。
OpenAI 大概是想說我們的自然語言已經夠用，真正影響結果的，還是我們有沒有想清楚想要什麼，以及看到偏差後能不能準確指出來。
Chat、Work 和 Codex，分的是任務重量
這份指南把三種使用場景放在一起，該怎麼選擇，這裏有一個很實用的判斷方法。
Chat 適合快速問題、短改寫、頭腦風暴和輕量草稿。它像一次即時協助，幾輪對話就能收尾。
Work 面向需要多種資料或工具、包含一串步驟、會產生修改，或者需要交付較大成果的任務。它可以研究產品、整理報告、製作演示文稿，也可以協調一次發佈，把時間線、負責人、依賴、風險、公告和 FAQ 放進同一套交付物。
Codex 則處理代碼、代碼庫和開發工具。解釋請求怎樣穿過多個模塊，復現並修復 Bug，爲函數補測試，根據截圖製作原型，或把重構任務交給雲端繼續執行。
選擇哪一個，關鍵在任務有多重。
一個問題，用 Chat。一個需要資料、過程和文件的工作，用 Work。一個要進入代碼庫、調用開發工具並跑驗證的工作，用 Codex。
把簡單問題塞進 Work，只會浪費時間和額度；讓 Chat 扛一項跨來源、帶審批和文件交付的複雜任務，也容易在中途散架。
工具選對之後，提示詞反倒可以更短。因爲產品已經替用戶提供了一部分環境、上下文和執行能力。
AI 越會幹活，人越要會定義「幹完」
無論是 Skills 還是提示詞，過去很長一段時間都像一種互聯網祕術。
有人收集萬能開場白，有人研究標點與措辭，還有人把幾百字模板裝進收藏夾，期待複製之後立刻得到高質量答案。
OpenAI 的官方指南，其實是把使用 AI 的常識再強調了一遍：說清結果，給對材料，標出風險，約定驗收；第一版有偏差，就繼續改。
模型的升級會不斷淘汰具體技巧，某個關鍵詞、Skills 今天有效，下個版本可能已經多餘。
以後真正稀缺的能力，大概也不會是把提示寫得多複雜，而是知道什麼值得交給 AI，什麼結果可以直接使用，什麼動作必須由人拍板。
當 AI 能力進化到已經學會聽懂人話，現在輪到我們把工作講明白了。


我們正在招募夥伴
📮 簡歷投遞郵箱 [email protected]
✉️ 郵件標題 「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關鏈接）
更多崗位信息請點擊這裏🔗

閱讀原文