Ich nutze GPT-5 für komplexere, länger laufende Aufgaben. Zum Beispiel zusammen mit Background Agents für unabhängige Aufgaben und mit parallelen Vordergrund-Agenten, wenn ich zwischen verschiedenen Aufgaben wechsle und ihre Ergebnisse prüfe.

GPT-5 ist eines der am besten steuerbaren Modelle, die ich bisher genutzt habe. Bei einigen Aufgaben musste ich klarer formulieren, was ich erreichen wollte. Wenn ich zu vage war, schlug das Modell am Ende eine andere Richtung ein, als ich erwartet hatte. Wenn ich spezifischer war, hat mich überrascht, wie intelligent das Modell war.

In der letzten Woche gab es beim Programmieren ein paar Stellen, an denen ich nicht weiterkam und GPT-5 einen komplexen Bug gelöst hat, den andere Modelle nicht knacken konnten. Ich habe es für Aufgaben genutzt wie das Durchgehen unserer Stripe-Abfragen und das Finden der besten Optimierungen, um Latenz zu reduzieren.

Der Standardschreibstil von GPT-5 war ausführlicher, als ich wollte, deshalb konnte ich eine Regel erstellen, damit die Antworten knapper ausfallen. Ich bevorzuge außerdem stärker agentenbasiertes Verhalten, daher konnte ich das Modell dazu bringen, nach dem Prompten weniger Rückfragen zu stellen. Ich habe es für schwierigere Programmierprobleme genutzt.

Am liebsten teste ich, indem ich denselben Prompt für viele verschiedene Modelle nutze und schaue, ob eines das Erwartete direkt im ersten Versuch schafft. Unser Frontend und Backend nutzen Protobufs, was Modelle manchmal aus dem Tritt bringt. Ich habe GPT-5 gebeten, einen Backend-API-Endpunkt sowie die passende Frontend-React-Komponente zu erstellen, die in zwei separaten Submodulen in unserem Monorepo liegen. Es hat diesen Code korrekt erzeugt und die Protobufs neu generiert, um Typfehler in einem Durchgang zu beheben.