我把今天（截至 2025-08-08）公开的关键信息、技术要点、API 使用与实践建议都整理成一份结构化又实用的“速读 + 深入”说明，便于你马上上手或给团队讲解。下面内容基于 OpenAI 的官方资料与技术文档整理。
简介（快速概览）
GPT-5 是 OpenAI 在 2025 年发布的最新旗舰模型系列，面向更强的推理、编程、agent（可主动调用工具/执行任务）与多模态输入能力（文本 + 视觉）。它同时以不同体量（gpt-5、gpt-5-mini、gpt-5-nano）在 ChatGPT 与 API 上提供，以便在性能、延迟与成本之间做权衡。
主要能力亮点
更强的推理能力与“思考层次”：设计上包含专门的深度推理子模型，用于复杂问题和长链推理。
Agentic / 工具调用能力：可以更主动地调用外部工具、执行多步骤任务，且新增了对开发者自定义工具（plain-text 调用）的支持。
大上下文与多模态：支持极大上下文窗口（OpenAI 公布的文档中以 ~400K tokens 等级别表述），接收文本与图片输入，生成文本输出，适合长文档分析、代码库理解等场景。
模块化家族：提供
gpt-5（高能力）、gpt-5-mini（速度/成本优先）、gpt-5-nano（最低延迟/最低成本）等变体，便于按场景选择。
技术与系统架构要点（高层）
GPT-5 在产品中是以**“统一系统”出现：有一个路由器（router）**，会在“快模型”与“深度推理模型”间选择最合适的执行路径（根据任务复杂度、是否要调用工具等）。这使得响应既快又在必要时能用更深的推理资源。
在 API 层面，OpenAI 把“推理强度”与“输出详尽度”做成显式参数（见下），让开发者能以更可控的方式在速度、token 成本与答案深度之间取舍。
API / 使用要点（你需要知道的具体东西）
可用模型：
gpt-5、gpt-5-mini、gpt-5-nano（ChatGPT 中还有基于系统集成的gpt-5-chat-latest等变体）。新参数（示例）：
verbosity：low|medium|high，控制回答长度/详尽度。reasoning_effort：minimal|low|medium|high，控制内部推理投入（tradeoff 速度 vs 深度）。自定义工具（custom tools）：新增工具类型，能以更灵活的 plaintext 方式调用。
上下文与输出限制：公开文档显示高容量版本支持 约 400K tokens 的上下文窗口，并且有较大的最大输出 token 限制（官方文档里给出详细数值）。实际调用时请参照你所在账号/层级的限额与速率限制。
计费 / 成本：OpenAI 在发布文档中列出了不同型号的价格层（按输入/输出 tokens 计价），mini/nano 明显更便宜、延迟更低；生产用时建议先在 mini 上做原型，再在 gpt-5 上做关键路径验证以控制成本。
提示工程（prompting）与最佳实践
默认行为：GPT-5 在 agentic 场景下会比较“积极”地收集上下文、询问澄清并考虑调用工具。如果不想要这种主动行为，可把
reasoning_effort设为minimal，或把verbosity设为low。长上下文技巧：对于超长文档，先做分块并让模型生成索引/摘要；或用模型的“检索+上下文补充”流程来降低 token 成本并改善一致性。
代码与工程化使用：GPT-5 在代码任务上表现优异（官方 benchmark 与早期反馈显示改进明显），适合自动化 PR 生成、BUG 定位、端到端脚本生成与 agent 驱动的多步骤构建。调试时建议开启更高的
reasoning_effort并在输出中要求“验证步骤与假设”。
安全性、局限与合规（重要）
幻觉（hallucination）问题有所改进，但仍可能存在——OpenAI 把安全性与模型自我承认不确定性的能力列为重点工作方向（system card 有具体实验与评估章节），因此在高风险领域（医疗、法律、合约）仍应把模型答案作为参考，并做人工/规则性二次验证。
高风险领域的使用建议：在医疗或财务等专业用途上，使用 GPT-5 时应：1) 绑定可信数据源与 tools；2) 加入断言/来源要求（要求模型引用来源）；3) 构建人工审核流程。OpenAI 在介绍中也特别强调了对医疗类问答的改进（但并不等于可以完全替代专业医生判断）。
实战示例（简短）
短 Prompt（快速回答）
system: 你是一个简洁的助手，回答不超过 3 行。
user: 用一句话总结这个产品的核心价值：<产品描述>
复杂任务（agentic, 需要工具）
请求参数: model=gpt-5, reasoning_effort=high, verbosity=high
user: 我有一个 120k 行的 CSV，要求：提取前三个销售异常的城市，给出可能原因和三条可执行建议，并生成用于验证的 SQL 查询。请分步骤列出你会做的操作并在步骤 3 调用外部分析工具（模拟）。
（实际 API 调用请参照 OpenAI 平台示例并把 reasoning_effort / verbosity 作为你传给 Responses API 的参数。）