Ich habe GPT-5 für länger laufende, komplexere Aufgaben verwendet. Zum Beispiel nutze ich es mit Background Agents für unabhängige Aufgaben und parallele Agents im Vordergrund, wenn ich zwischen verschiedenen Aufgaben wechsle und ihre Ergebnisse überprüfe.

GPT-5 ist eines der am besten steuerbaren Modelle, die ich je verwendet habe. Bei einigen Aufgaben musste ich expliziter formulieren, was ich erreichen wollte. Wenn ich Dinge vage gelassen habe, ist das Modell in eine andere Richtung gegangen, als ich erwartet hatte. Wenn ich genauer wurde, war ich überrascht, wie intelligent das Modell war.

In der vergangenen Woche gab es beim Programmieren ein paar Situationen, in denen ich nicht weiterkam, bei denen GPT-5 jedoch einen komplexen Bug gelöst hat, den andere Modelle nicht finden konnten. Ich habe es für Aufgaben wie das Durchsehen unserer Stripe-Abfragen und das Finden der besten Optimierungen zur Reduzierung von Latenz verwendet.

Der Standardschreibstil von GPT-5 war ausführlicher, als ich wollte, daher konnte ich eine Regel festlegen, damit Antworten knapper ausfallen. Ich bevorzuge außerdem ein stärker eigenständig agierendes, proaktiveres Verhalten, also konnte ich das Modell dahin steuern, nach einem Prompt weniger Rückfragen zu stellen. Ich habe es für schwierigere Programmieraufgaben genutzt.

Meine liebste Art zu testen ist es, denselben Prompt für viele verschiedene Modelle zu verwenden und zu sehen, ob eines davon in einem Durchgang genau das liefert, was ich erwarte. Unser Frontend und Backend verwenden Protobufs, die Modelle manchmal aus dem Konzept bringen. Ich habe GPT-5 gebeten, einen Backend-API-Endpoint sowie die entsprechende React-Komponente fürs Frontend zu bauen, die sich in zwei separaten Submodulen in unserem Monorepo befinden. Es konnte diesen Code korrekt erstellen und die Protobufs neu generieren, um Typfehler in einem Durchgang zu beheben.