J'utilise GPT-5 pour des tâches plus longues et plus complexes. Par exemple, en l'utilisant avec des Background Agents pour des tâches indépendantes et des agents au premier plan en parallèle lorsque je passe d'une tâche à l'autre et que j'examine leurs résultats.

GPT-5 est l'un des modèles les plus faciles à piloter que j'ai utilisés. J'ai dû être plus explicite sur ce que j'essayais d'accomplir pour certaines tâches. Laisser des éléments vagues faisait que le modèle prenait une direction différente de celle à laquelle je m'attendais. Quand j'étais plus précis, j'ai été surpris par l'intelligence du modèle.

Il y a eu quelques situations où je suis resté bloqué la semaine dernière en codant et où GPT-5 a résolu un bug complexe que d'autres modèles n'arrivaient pas à comprendre. Je l'ai utilisé pour des tâches comme passer en revue nos requêtes Stripe et déterminer les meilleures optimisations pour réduire la latence.

Le style d'écriture par défaut de GPT-5 était plus verbeux que je ne le souhaitais, donc j'ai pu définir une règle pour que les réponses soient plus concises. Je préfère aussi un comportement plus autonome, donc j'ai pu orienter le modèle pour qu'il pose moins de questions de suivi après un prompt. Je l'utilise pour des problèmes de code plus difficiles.

Ma façon préférée de tester un modèle est d'utiliser le même prompt pour de nombreux modèles différents et de voir si l'un d'eux peut produire du premier coup exactement ce que j'attendais. Notre frontend et notre backend utilisent des protobufs, qui déroutent parfois les modèles. J'ai demandé à GPT-5 de créer un endpoint d'API backend ainsi que le composant React frontend correspondant, qui se trouvent dans deux sous-modules distincts de notre monorepo. Il a réussi à produire ce code correctement et à régénérer les protobufs pour corriger les erreurs de type en une seule fois.