GPT-6 사용 가이드

소개

GPT-5.4는 API와 Codex에서 전문 업무를 수행할 수 있도록 출시된 프런티어 모델입니다. 개발자가 복잡한 정보를 분석하고, 프로덕션용 소프트웨어를 개발하고, 여러 단계로 구성된 워크플로우를 자동화하는 데 도움이 됩니다.

GPT-5.4 세대에서 gpt-5.4는 소프트웨어 엔지니어링, 추론, 글쓰기, 도구 사용을 오가며 작업하는 워크플로우에 적합한 범용 모델입니다.

이 가이드에서는 GPT-5 모델 제품군의 주요 기능과 GPT-5.4를 효과적으로 활용하는 방법을 설명합니다.

새로운 기능

GPT-5.4는 이전 모델인 GPT-5.2에 비해 다음 영역에서 개선되었습니다.

• 코딩, 문서 이해, 도구 사용, 지시 이행
• 이미지 인식과 멀티모달 작업
• 장시간 작업 실행과 다단계 에이전트 워크플로우
• 도구를 많이 사용하는 워크로드의 토큰 효율과 전체 실행 성능
• 찾기 어려운 정보를 웹에서 검색하고 여러 출처의 내용을 종합하는 능력
• 고객 서비스, 분석, 금융 분야에서 문서와 스프레드시트를 많이 다루는 업무 워크플로우

GPT-5.4는 OpenAI의 플래그십 프런티어 모델에 GPT-5.3-Codex의 코딩 능력을 결합했습니다. 개발자는 프로덕션 수준의 코드를 생성하고, 완성도 높은 프런트엔드 UI를 만들고, 리포지터리별 패턴을 따르고, 더 적은 재시도로 여러 파일에 걸친 변경을 처리할 수 있습니다. 기본 설정에서도 코딩에 적합한 작업 스타일을 보여 주므로 팀이 프롬프트 조정에 들이는 시간도 줄어듭니다.

에이전트 워크로드에서는 GPT-5.4가 여러 단계의 작업을 처음부터 끝까지 수행하는 시간을 줄이고, 더 적은 토큰과 도구 호출로 작업을 마치는 경우가 많습니다. 따라서 에이전트가 더 빠르게 응답하고, API와 Codex에서 복잡한 워크플로우를 대규모로 운영하는 비용도 낮아집니다.

GPT-5.4에 추가된 기능

이전 GPT-5 모델과 마찬가지로 GPT-5.4는 사용자 정의 도구, 응답 상세도와 추론을 조절하는 매개변수, 허용 도구 목록을 지원합니다. 여기에 강력한 에이전트 시스템을 구축하고, 더 많은 정보를 다루고, 자동화된 워크플로우를 안정적으로 실행하는 데 도움이 되는 기능이 추가되었습니다.

• API의 tool_search: GPT-5.4는 도구 로딩을 지연시켜 대규모 도구 환경에서 검색 성능을 개선합니다. 모델은 도구를 검색한 뒤 관련 정의만 로드하므로 실제 배포 환경에서 토큰 사용량이 줄고 도구 선택 정확도가 높아집니다. 자세한 내용은 도구 검색 가이드를 참조하세요.
• 100만 토큰 컨텍스트 윈도우: GPT-5.4는 최대 100만 토큰의 컨텍스트 윈도우를 지원합니다. 한 번의 요청으로 전체 코드베이스, 방대한 문서 모음, 장시간에 걸친 에이전트 실행 과정을 더 쉽게 분석할 수 있습니다. 자세한 내용은 100만 토큰 컨텍스트 윈도우 섹션을 참조하세요.
• 컴퓨터 사용 기능 내장: GPT-5.4는 컴퓨터 사용 기능을 내장한 최초의 주력 모델입니다. 에이전트가 소프트웨어와 직접 상호작용하며 빌드, 실행, 검증, 수정을 반복해 작업을 완료하고 결과를 확인하고 문제를 해결할 수 있습니다. 자세한 내용은 컴퓨터 사용 가이드를 참조하세요.
• 컨텍스트 압축 기본 지원: GPT-5.4는 컨텍스트 압축을 지원하도록 학습된 최초의 주력 모델입니다. 에이전트는 핵심 컨텍스트를 유지하면서 더 긴 작업을 수행할 수 있습니다.

모델, API 및 기능 변경 사항

이 세대에서 gpt-5.4는 다양한 일반 작업과 코딩에 모두 적합한 범용 모델입니다. 더 어려운 문제에는 gpt-5.4-pro가 더 많은 연산 자원을 사용해 더 오래 추론하고 일관성 높은 답을 제공합니다.

더 작고 빠른 베리언트가 필요하면 gpt-5.4-mini 또는 gpt-5.4-nano부터 사용해 보세요.

사용 사례에 맞는 모델을 선택할 때는 다음 특성을 고려하세요.

낮은 추론 강도

reasoning.effort 매개변수는 모델이 응답을 작성하기 전에 생성하는 추론 토큰의 양을 조절합니다. o3 같은 이전 추론 모델은 low, medium, high만 지원했습니다. low는 속도를 우선해 토큰을 적게 사용하고, high는 더 철저한 추론을 우선합니다.

GPT-5.2와 GPT-5.4는 지연 시간이 짧아야 하는 상호작용을 위해 가장 낮은 추론 강도로 none을 지원합니다. 두 모델 모두 이 값이 기본값입니다. 더 많은 추론이 필요하면 medium까지 점진적으로 높이며 결과를 비교하세요.

추론 강도를 none으로 설정하면 프롬프트 작성 방식이 중요합니다. 기본 설정에서도 추론 품질을 높이려면 답변하기 전에 “생각해 보세요”라고 하거나 어떤 단계를 거칠지 간략히 정리하도록 지시하세요.

1
2
3
4
5
6
7
8
9
10
11
12
13import OpenAI from "openai";
const openai = new OpenAI();

const response = await openai.responses.create({
  model: "gpt-5.4",
  input:
    "Think carefully and outline your steps before answering. How much gold would it take to coat the Statue of Liberty in a 1mm layer?",
  reasoning: {
    effort: "none",
  },
});

console.log(response);

1
2
3
4
5
6
7
8
9
10
11from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.4",
    input="Think carefully and outline your steps before answering. How much gold would it take to coat the Statue of Liberty in a 1mm layer?",
    reasoning={"effort": "none"},
)

print(response)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23package main

import (
	"context"
	"fmt"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/responses"
	"github.com/openai/openai-go/v3/shared"
)

func main() {
	client := openai.NewClient()
	response, err := client.Responses.New(context.Background(), responses.ResponseNewParams{
		Model:     "gpt-5.4",
		Input:     responses.ResponseNewParamsInputUnion{OfString: openai.String("Think carefully and outline your steps before answering. How much gold would it take to coat the Statue of Liberty in a 1mm layer?")},
		Reasoning: shared.ReasoningParam{Effort: shared.ReasoningEffortNone},
	})
	if err != nil {
		panic(err)
	}
	fmt.Println(response)
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.Reasoning;
import com.openai.models.ReasoningEffort;
import com.openai.models.responses.ResponseCreateParams;

ResponseCreateParams params =
    ResponseCreateParams.builder()
        .model("gpt-5.4")
        .input("Explain the bug and propose a fix.")
        .reasoning(Reasoning.builder().effort(ReasoningEffort.NONE).build())
        .build();

client.responses().create(params).output().stream()
    .flatMap(item -> item.message().stream())
    .flatMap(message -> message.content().stream())
    .flatMap(content -> content.outputText().stream())
    .forEach(text -> System.out.println(text.text()));

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22using OpenAI.Responses;
#pragma warning disable OPENAI001

string key = Environment.GetEnvironmentVariable("OPENAI_API_KEY")!;
ResponsesClient client = new(key);

CreateResponseOptions options = new()
{
    Model = "gpt-5.4",
    ReasoningOptions = new ResponseReasoningOptions
    {
        ReasoningEffortLevel = ResponseReasoningEffortLevel.None,
    },
};
options.InputItems.Add(
    ResponseItem.CreateUserMessageItem(
        "Think carefully and outline your steps before answering. How much gold would it take to coat the Statue of Liberty in a 1mm layer?"
    )
);

ResponseResult response = await client.CreateResponseAsync(options);
Console.WriteLine(response.GetOutputText());

1
2
3
4
5
6
7
8
9require "openai"

client = OpenAI::Client.new
response = client.responses.create(
  model: "gpt-5.4",
  reasoning: { effort: :none },
  input: "Explain the bug and propose a fix."
)
puts(response.output_text)

1
2
3
4
5
6
7
8
9
10
11curl --request POST \
  --url https://api.openai.com/v1/responses \
  --header "Authorization: Bearer $OPENAI_API_KEY" \
  --header 'Content-type: application/json' \
  --data '{
        "model": "gpt-5.4",
        "input": "Think carefully and outline your steps before answering. How much gold would it take to coat the Statue of Liberty in a 1mm layer?",
        "reasoning": {
                "effort": "none"
        }
}'

응답 상세도

응답 상세도는 모델이 생성하는 출력 토큰의 양을 결정합니다. 토큰 수를 줄이면 전체 지연 시간이 짧아집니다. 모델의 추론 방식은 대체로 그대로지만 답변을 더 간결하게 작성합니다. 사용 사례에 따라 답변 품질이 좋아질 수도, 떨어질 수도 있습니다. 높은 상세도와 낮은 상세도는 각각 다음 상황에 적합합니다.

• 높은 상세도: 문서를 상세히 설명하거나 코드를 광범위하게 리팩터링해야 할 때 사용하세요.
• 낮은 상세도: 간결한 답변이나 SQL 쿼리처럼 특정 목적에 맞는 코드가 필요할 때 적합합니다.

GPT-5부터 이 옵션을 high, medium, low 중 하나로 설정할 수 있습니다. GPT-5.4에서도 응답 상세도를 설정할 수 있으며 기본값은 medium입니다.

GPT-5.4로 코드를 생성할 때 상세도를 medium 또는 high로 설정하면 코드 안에 설명이 포함되고 더 길고 체계적인 코드가 생성됩니다. low로 설정하면 설명을 최소화한 짧고 간결한 코드가 생성됩니다.

1
2
3
4
5
6
7
8
9
10
11
12
13import OpenAI from "openai";
const openai = new OpenAI();

const response = await openai.responses.create({
  model: "gpt-5.4",
  input:
    "What is the answer to the ultimate question of life, the universe, and everything?",
  text: {
    verbosity: "low",
  },
});

console.log(response);

1
2
3
4
5
6
7
8
9
10
11from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.4",
    input="What is the answer to the ultimate question of life, the universe, and everything?",
    text={"verbosity": "low"},
)

print(response)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22package main

import (
	"context"
	"fmt"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/responses"
)

func main() {
	client := openai.NewClient()
	response, err := client.Responses.New(context.Background(), responses.ResponseNewParams{
		Model: "gpt-5.4",
		Input: responses.ResponseNewParamsInputUnion{OfString: openai.String("What is the answer to the ultimate question of life, the universe, and everything?")},
		Text:  responses.ResponseTextConfigParam{Verbosity: responses.ResponseTextConfigVerbosityLow},
	})
	if err != nil {
		panic(err)
	}
	fmt.Println(response)
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.responses.ResponseCreateParams;
import com.openai.models.responses.ResponseTextConfig;

ResponseCreateParams params =
    ResponseCreateParams.builder()
        .model("gpt-5.4")
        .input("Explain the bug and propose a fix.")
        .text(ResponseTextConfig.builder().verbosity(ResponseTextConfig.Verbosity.LOW).build())
        .build();

client.responses().create(params).output().stream()
    .flatMap(item -> item.message().stream())
    .flatMap(message -> message.content().stream())
    .flatMap(content -> content.outputText().stream())
    .forEach(text -> System.out.println(text.text()));

1
2
3
4
5
6
7
8
9require "openai"

client = OpenAI::Client.new
response = client.responses.create(
  model: "gpt-5.4",
  text: { verbosity: :low },
  input: "Explain the bug and propose a fix."
)
puts(response.output_text)

1
2
3
4
5
6
7
8
9
10
11curl --request POST \
  --url https://api.openai.com/v1/responses \
  --header "Authorization: Bearer $OPENAI_API_KEY" \
  --header 'Content-type: application/json' \
  --data '{
  "model": "gpt-5.4",
  "input": "What is the answer to the ultimate question of life, the universe, and everything?",
  "text": {
    "verbosity": "low"
  }
}'

API에서 상세도를 low로 설정한 뒤에도 프롬프트로 상세도를 조절할 수 있습니다. 상세도 매개변수는 시스템 프롬프트 수준에서 대략적인 토큰 범위를 정하며, 실제 출력은 그 범위 안에서 개발자 프롬프트와 사용자 프롬프트에 맞춰 달라집니다.

100만 토큰 컨텍스트 윈도우

GPT-5.4부터 100만 토큰 컨텍스트 윈도우를 지원하므로 한 번의 요청으로 전체 코드베이스, 방대한 문서 모음, 장시간에 걸친 에이전트 실행 과정을 더 쉽게 분석할 수 있습니다.

27만 2천 토큰 미만인 요청과 이를 초과하는 요청에는 서로 다른 표준 요금이 적용됩니다. 요금은 요금 문서에서 확인하세요. 패스트 모드를 사용해도 27만 2천 토큰을 초과하는 프롬프트에는 자동으로 표준 요금이 적용됩니다.

긴 컨텍스트 요금은 데이터 레지던시나 배치 처리 등 다른 요금 조정 항목과 함께 적용됩니다.

27만 2천 토큰 미만인 요청과 이를 초과하는 요청에는 서로 다른 요청 한도가 적용됩니다. 한도는 GPT-5.4 모델 페이지에서 확인하세요.

GPT-5.4에서 도구 사용하기

GPT-5.4는 특정 도구를 사용하도록 사후 학습된 모델입니다. 도구별 사용 방법은 도구 문서를 참조하세요.

컴퓨터 사용 도구

컴퓨터 사용 기능을 이용하면 GPT-5.4가 스크린샷을 살펴보고 하네스가 실행할 동작을 구조화된 형식으로 반환하여 사용자 인터페이스를 통해 소프트웨어를 조작할 수 있습니다. 사이트 탐색, 양식 작성, 변경 사항이 실제로 작동하는지 확인하는 작업처럼 사람이 UI로 수행할 수 있는 브라우저 또는 데스크톱 워크플로우에 적합합니다.

격리된 브라우저나 가상 머신에서 사용하고 영향이 큰 작업에는 사람이 관여하도록 하세요. 전체 가이드에서는 Responses API의 기본 실행 루프, 사용자 정의 하네스 패턴, 코드 실행 기반 구성을 설명합니다.

도구 검색 도구

도구 검색을 사용하면 GPT-5.4가 많은 도구의 정의를 미리 로드하지 않고 런타임에 필요한 정의만 로드합니다. 함수, namespaces 또는 MCP 도구가 많고, 모든 스키마를 처음부터 노출하지 않으면서 토큰 사용량을 줄이고 캐시 성능을 유지하고 지연 시간을 단축하려는 경우에 특히 유용합니다.

요청 시점에 후보 도구를 이미 알고 있다면 호스팅형 도구 검색을 사용하세요. 애플리케이션에서 로드할 도구를 동적으로 결정해야 한다면 클라이언트에서 실행하는 도구 검색을 사용하세요. 전체 가이드에서는 namespaces, MCP 서버, 지연 로딩에 대한 권장 사항도 설명합니다.

사용자 정의 도구

GPT-5 모델 제품군과 함께 도입된 사용자 정의 도구를 사용하면 모델이 임의의 원문 텍스트를 도구 호출의 입력으로 보낼 수 있으며, 필요하면 출력에 제약을 둘 수도 있습니다. GPT-5.4에서도 동일하게 동작합니다.

자유 형식 입력

도구를 type: custom으로 정의하면 모델이 구조화된 JSON에 국한되지 않고 일반 텍스트 입력을 도구에 직접 보낼 수 있습니다. 코드, SQL 쿼리, 셸 명령어, 구성 파일, 긴 글 등 어떤 원문 텍스트든 도구에 직접 전달할 수 있습니다.

12345{
  "type": "custom",
  "name": "code_exec",
  "description": "Executes arbitrary python code"
}

출력 제한

GPT-5.4는 사용자 정의 도구에 문맥 자유 문법(CFGs)을 지원합니다. Lark 문법을 제공하면 출력을 특정 구문이나 도메인 특화 언어(DSL)로 제한할 수 있습니다. 예를 들어 SQL이나 DSL 문법을 CFG로 지정하면 어시스턴트가 생성한 텍스트가 해당 문법을 따르게 됩니다.

이렇게 하면 정확한 제약 조건에 맞춰 도구를 호출하거나 구조화된 응답을 생성할 수 있습니다. GPT-5.4의 함수 호출에 엄격한 구문이나 도메인별 형식을 직접 적용할 수 있어 복잡하거나 제약이 많은 분야에서 제어력과 신뢰성이 향상됩니다.

사용자 정의 도구 권장 사항

• 도구 설명은 간결하고 명확하게 작성하세요. 모델은 설명을 바탕으로 무엇을 보낼지 결정합니다. 항상 해당 도구를 호출해야 한다면 설명에 명시하세요.
• 서버 측에서 출력을 검증하세요. 자유 형식 문자열은 활용도가 높지만 인젝션이나 안전하지 않은 명령어를 막을 보호 장치가 필요합니다.

허용 도구

allowed_tools는 tool_choice에 속하는 매개변수로, N개의 도구 정의를 전달하면서 모델이 사용할 수 있는 도구를 그중 M개(< N)로 제한합니다. tools에 전체 도구 목록을 나열한 다음, allowed_tools 블록에서 허용할 도구를 지정하고 모드를 선택하세요. auto에서는 모델이 허용된 도구 중 어느 것이든 선택할 수 있고, required에서는 반드시 하나를 호출해야 합니다.

사용 가능한 전체 도구와 현재 사용할 수 있는 도구를 구분하면 안전성과 예측 가능성이 높아지고 프롬프트 캐싱도 개선됩니다. 호출 순서를 하드코딩하는 등 변경에 취약한 프롬프트 엔지니어링도 피할 수 있습니다. GPT-5.4에서는 대화 도중 특정 함수를 동적으로 호출하거나 호출을 필수로 지정할 수 있어, 긴 컨텍스트에서 의도하지 않은 도구를 사용할 위험이 줄어듭니다.

12345678910{
  "tool_choice": {
    "type": "allowed_tools",
    "mode": "auto",
    "tools": [
      { "type": "function", "name": "get_weather" },
      { "type": "function", "name": "search_docs" }
    ]
  }
}

이러한 새 기능에 대한 자세한 설명은 GPT-5.4 프롬프트 작성 지침을 참조하세요.

사전 설명

사전 설명은 GPT-5.4가 도구나 함수를 호출하기 전에 사용자에게 의도나 계획을 짧게 알려 주는 메시지입니다. 예를 들어 “이 도구를 호출하는 이유”를 설명할 수 있습니다. 추론 과정이 끝난 뒤 실제 도구 호출 전에 표시되므로 모델의 추론을 이해하고 디버깅하기 쉬워지며 동작을 정밀하게 조정할 수 있습니다.

사전 설명을 사용하면 GPT-5.4가 도구를 호출할 때마다 “생각을 말로 표현”하므로 추론 부담을 크게 늘리지 않고도 도구 호출의 정확도와 전체 작업 성공률을 높일 수 있습니다. 사전 설명을 활성화하려면 시스템 또는 개발자 지침에 “도구를 호출하기 전에 호출하는 이유를 설명하세요.”와 같은 문구를 추가하세요. GPT-5.4는 지정된 각 도구 호출에 짧은 근거를 덧붙입니다. 도구 호출 사이에 여러 메시지를 출력할 수도 있어, 특히 추론을 최소화하거나 지연 시간에 민감한 사용 사례에서 상호작용 경험을 개선할 수 있습니다.

사전 설명 사용법은 GPT-5 프롬프트 작성 쿡북을 참조하세요.

마이그레이션 빠른 시작

GPT-5.4는 Responses API와 함께 사용할 때 가장 좋은 성능을 냅니다. 이 API는 대화 턴 사이에 추론 컨텍스트를 유지해 성능을 높입니다. 현재 사용 중인 모델이나 API에서 마이그레이션하려면 아래 내용을 참조하세요.

다른 모델에서 GPT-5.4로 마이그레이션하기

GPT-5.4는 대부분의 경우 GPT-5.2를 거의 그대로 대체할 수 있지만 몇 가지 주요 변경 사항이 있습니다. 프롬프트에서 구체적으로 무엇을 수정할지는 GPT-5.4 프롬프트 작성 지침을 참조하세요.

Responses API는 이전 턴의 추론 과정(CoT)을 모델에 전달할 수 있도록 설계되어 GPT-5 모델의 문제 해결 능력을 높입니다. 그 결과 생성되는 추론 토큰은 줄고, 캐시 적중률은 높아지며, 지연 시간은 짧아집니다. Responses API의 이점은 심층 가이드에서 자세히 알아보세요.

이전 OpenAI 모델에서 GPT-5.4로 마이그레이션할 때는 먼저 추론 강도와 프롬프트 작성 전략을 바꿔 가며 실험하세요. 프롬프트 최적화 도구로 최신 권장 사항에 맞춰 GPT-5.4용 프롬프트를 업데이트한 다음, 기존 모델에 따라 아래 지침을 따르세요.

• gpt-5.2: 기본 설정의 gpt-5.4로 바로 대체할 수 있도록 설계되었습니다.
• o3: gpt-5.4에서 추론 강도를 medium 또는 high로 설정하세요. 먼저 medium에서 프롬프트를 조정하고, 원하는 결과를 얻지 못하면 high로 높이세요.
• gpt-4.1: gpt-5.4에서 추론 강도를 none으로 설정하세요. 먼저 none에서 프롬프트를 조정하고, 더 높은 성능이 필요하면 추론 강도를 높이세요.
• o4-mini 또는 gpt-4.1-mini: gpt-5.4-mini로 전환하고 프롬프트를 조정하면 효과적으로 대체할 수 있습니다.
• gpt-4.1-nano: gpt-5.4-nano로 전환하고 프롬프트를 조정하면 효과적으로 대체할 수 있습니다.

새로운 phase 매개변수

Responses API에서 장시간 실행되거나 도구를 많이 사용하는 GPT-5.4 플로우에는 어시스턴트 메시지의 phase 필드를 사용하세요. 작업이 일찍 종료되거나 예상과 다르게 동작하는 문제를 방지할 수 있습니다.

phase는 API에서 선택 사항이지만 사용을 적극 권장합니다. 도구 호출 전 사전 설명과 같은 어시스턴트의 중간 업데이트에는 phase: "commentary"를, 완성된 답변에는 phase: "final_answer"를 사용하세요. 사용자 메시지에는 phase를 추가하지 마세요.

이러한 워크플로우에서 phase가 없거나 전달 과정에서 누락되면 사전 설명이 최종 답변으로 처리될 수 있습니다. 추가 지침과 예시는 GPT-5.4 프롬프트 작성 가이드를 참조하세요.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25import OpenAI from "openai";
const client = new OpenAI();

const response = await client.responses.create({
  model: "gpt-5.4",
  input: [
    {
      role: "assistant",
      phase: "commentary",
      content:
        "I’ll inspect the logs and then summarize root cause and remediation.",
    },
    {
      role: "assistant",
      phase: "final_answer",
      content: "Root cause: cache invalidation race.",
    },
    {
      role: "user",
      content: "Great—now give me a rollout-safe fix plan.",
    },
  ],
});

console.log(response.output_text);

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.4",
    input=[
        {
            "role": "assistant",
            "phase": "commentary",
            "content": "I’ll inspect the logs and then summarize root cause and remediation.",
        },
        {
            "role": "assistant",
            "phase": "final_answer",
            "content": "Root cause: cache invalidation race.",
        },
        {
            "role": "user",
            "content": "Great—now give me a rollout-safe fix plan.",
        },
    ],
)

print(response.output_text)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36package main

import (
	"context"
	"fmt"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/responses"
)

func main() {
	client := openai.NewClient()
	commentary := responses.ResponseInputItemParamOfMessage(
		"I’ll inspect the logs and then summarize root cause and remediation.",
		responses.EasyInputMessageRoleAssistant,
	)
	commentary.OfMessage.Phase = responses.EasyInputMessagePhaseCommentary
	finalAnswer := responses.ResponseInputItemParamOfMessage(
		"Root cause: cache invalidation race.",
		responses.EasyInputMessageRoleAssistant,
	)
	finalAnswer.OfMessage.Phase = responses.EasyInputMessagePhaseFinalAnswer

	response, err := client.Responses.New(context.Background(), responses.ResponseNewParams{
		Model: "gpt-5.4",
		Input: responses.ResponseNewParamsInputUnion{OfInputItemList: responses.ResponseInputParam{
			commentary,
			finalAnswer,
			responses.ResponseInputItemParamOfMessage("Great—now give me a rollout-safe fix plan.", responses.EasyInputMessageRoleUser),
		}},
	})
	if err != nil {
		panic(err)
	}
	fmt.Println(response.OutputText())
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.Reasoning;
import com.openai.models.ReasoningEffort;
import com.openai.models.responses.ResponseCreateParams;

ResponseCreateParams params =
    ResponseCreateParams.builder()
        .model("gpt-5.4")
        .input("Explain the bug and propose a fix.")
        .reasoning(Reasoning.builder().effort(ReasoningEffort.MEDIUM).build())
        .build();

client.responses().create(params).output().stream()
    .flatMap(item -> item.message().stream())
    .flatMap(message -> message.content().stream())
    .flatMap(content -> content.outputText().stream())
    .forEach(text -> System.out.println(text.text()));

1
2
3
4
5
6
7
8
9require "openai"

client = OpenAI::Client.new
response = client.responses.create(
  model: "gpt-5.4",
  reasoning: { effort: :medium },
  input: "Explain the bug and propose a fix."
)
puts(response.output_text)

GPT-5.4 매개변수 호환성

GPT-5.4는 다음 매개변수를 특정 조건에서만 지원합니다. 추론 강도를 none으로 설정해야 합니다.

• temperature
• top_p
• logprobs

GPT-5.4 또는 GPT-5.2에서 다른 추론 강도를 사용하거나 gpt-5, gpt-5-mini, gpt-5-nano 등 이전 GPT-5 모델을 사용하는 경우, 요청에 이러한 필드를 포함하면 오류가 발생합니다.

추론 강도를 높이거나 다른 GPT-5 제품군 모델을 사용할 때 비슷한 결과를 얻으려면 다음 매개변수를 사용해 보세요.

• 추론 깊이: reasoning: { effort: "none" | "low" | "medium" | "high" | "xhigh" }
• 응답 상세도: text: { verbosity: "low" | "medium" | "high" }
• 출력 길이: max_output_tokens

Chat Completions에서 Responses API로 마이그레이션하기

GPT-5.4에서 두 API의 가장 큰 차이점이자 Chat Completions에서 Responses API로 마이그레이션하는 주된 이유는 턴 사이에 추론 과정(CoT)을 전달할 수 있다는 점입니다. 전체 API 비교를 참조하세요.

CoT 전달은 Responses API에서만 지원합니다. 이를 사용하면 모델의 문제 해결 능력이 높아지고, 생성되는 추론 토큰이 줄고, 캐시 적중률이 높아지며, 지연 시간이 짧아지는 것으로 나타났습니다. 그 밖의 매개변수는 대부분 형식만 다르고 기능은 같습니다. 다음 예시에서 Chat Completions와 Responses API가 새 매개변수를 처리하는 방식의 차이를 확인하세요.

추론 강도

1
2
3
4
5
6
7
8
9
10
11curl --request POST \
  --url https://api.openai.com/v1/responses \
  --header "Authorization: Bearer $OPENAI_API_KEY" \
  --header "Content-type: application/json" \
  --data '{
  "model": "gpt-5.4",
  "input": "How much gold would it take to coat the Statue of Liberty in a 1mm layer?",
  "reasoning": {
    "effort": "none"
  }
}'

1
2
3
4
5
6
7
8
9
10
11
12
13
14curl --request POST \
  --url https://api.openai.com/v1/chat/completions \
  --header "Authorization: Bearer $OPENAI_API_KEY" \
  --header "Content-type: application/json" \
  --data '{
  "model": "gpt-5.4",
  "messages": [
    {
      "role": "user",
      "content": "How much gold would it take to coat the Statue of Liberty in a 1mm layer?"
    }
  ],
  "reasoning_effort": "none"
}'

응답 상세도

1
2
3
4
5
6
7
8
9
10
11curl --request POST \
  --url https://api.openai.com/v1/responses \
  --header "Authorization: Bearer $OPENAI_API_KEY" \
  --header "Content-type: application/json" \
  --data '{
  "model": "gpt-5.4",
  "input": "What is the answer to the ultimate question of life, the universe, and everything?",
  "text": {
    "verbosity": "low"
  }
}'

1
2
3
4
5
6
7
8
9
10
11
12
13
14curl --request POST \
  --url https://api.openai.com/v1/chat/completions \
  --header "Authorization: Bearer $OPENAI_API_KEY" \
  --header "Content-type: application/json" \
  --data '{
  "model": "gpt-5.4",
  "messages": [
    {
      "role": "user",
      "content": "What is the answer to the ultimate question of life, the universe, and everything?"
    }
  ],
  "verbosity": "low"
}'

사용자 정의 도구

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15curl --request POST \
  --url https://api.openai.com/v1/responses \
  --header "Authorization: Bearer $OPENAI_API_KEY" \
  --header "Content-type: application/json" \
  --data '{
  "model": "gpt-5.4",
  "input": "Use the code_exec tool to calculate the area of a circle with radius equal to the number of r letters in blueberry",
  "tools": [
    {
      "type": "custom",
      "name": "code_exec",
      "description": "Executes arbitrary Python code"
    }
  ]
}'

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22curl --request POST \
  --url https://api.openai.com/v1/chat/completions \
  --header "Authorization: Bearer $OPENAI_API_KEY" \
  --header "Content-type: application/json" \
  --data '{
  "model": "gpt-5.4",
  "messages": [
    {
      "role": "user",
      "content": "Use the code_exec tool to calculate the area of a circle with radius equal to the number of r letters in blueberry"
    }
  ],
  "tools": [
    {
      "type": "custom",
      "custom": {
        "name": "code_exec",
        "description": "Executes arbitrary Python code"
      }
    }
  ]
}'

프롬프트 작성 권장 사항

GPT-5.4의 동작 이해하기

GPT-5.4가 특히 강한 영역

GPT-5.4는 다음 영역에서 특히 좋은 성능을 보이는 경향이 있습니다.

• 긴 답변에서도 지정한 성격과 어조를 일관되게 유지
• 여러 단계의 작업을 지속하고, 필요하면 재시도하고, 에이전트 루프를 끝까지 완료하는 안정적인 워크플로우 실행
• 특히 긴 컨텍스트나 여러 도구를 사용하는 워크플로우에서 풍부한 근거를 종합
• 요구 사항이 명확한 모듈형, 스킬 기반, 블록 구조의 프롬프트에서 지시를 충실히 이행
• 방대하거나 정리가 덜 된 입력 또는 여러 문서에 걸친 긴 컨텍스트 분석
• 도구 호출 정확도를 유지하면서 배치 또는 병렬 호출 수행
• 지시 이행, 정확한 서식 유지, 철저한 자체 검증이 필요한 스프레드시트, 금융, Excel 워크플로우 수행

명시적인 프롬프트가 여전히 유용한 경우

이러한 강점에도 불구하고 다음과 같은 상황에서는 GPT-5.4에 더 구체적인 지침을 주는 것이 좋습니다.

• 세션 초기에 컨텍스트가 부족해 적절한 도구를 선택하는 정확도가 떨어질 수 있는 경우
• 단계 간 종속성이 있어 선행 조건과 후속 단계를 명시적으로 확인해야 하는 워크플로우
• 추론 강도를 선택할 때 더 높은 강도가 항상 유리하지 않아 직감보다 작업 특성을 기준으로 판단해야 하는 경우
• 체계적으로 출처를 수집하고 일관된 방식으로 인용해야 하는 조사 작업
• 되돌릴 수 없거나 영향이 커서 실행 전에 검증해야 하는 작업
• 각 도구의 역할과 사용 범위를 명확히 구분해야 하는 터미널 또는 코딩 에이전트 환경

이는 관찰된 일반적인 경향이며 모든 경우에 보장되는 동작은 아닙니다. 평가를 통과하는 가장 간단한 프롬프트로 시작하고, 평가에서 확인된 실패를 해결할 때만 블록을 추가하세요.

기본 프롬프트 패턴 활용하기

출력을 간결하고 체계적으로 구성하기

GPT-5.4의 토큰 효율을 높이려면 출력 요구 사항을 명확히 지정해 응답 상세도를 제한하고 정해진 구조를 따르도록 하세요. 이 지침은 Responses API의 verbosity 매개변수와 함께 작동하므로 모델이 얼마나 많이 작성할지와 출력을 어떻게 구성할지 모두 조절할 수 있습니다.

12345678910111213<output_contract>
- 요청한 섹션만 요청한 순서대로 반환하세요.
- 프롬프트에서 사전 설명, 분석 블록 또는 작업 과정을 담을 섹션을 지정했다면 이를 불필요한 추가 출력으로 취급하지 마세요.
- 길이 제한은 해당 제한이 지정된 섹션에만 적용하세요.
- 필요한 형식(JSON, Markdown, SQL, XML)이 지정되어 있으면 그 형식만 출력하세요.
</output_contract>

<verbosity_controls>
- 간결하게 쓰되 필요한 정보를 충실하게 담으세요.
- 사용자의 요청을 반복하지 마세요.
- 진행 상황은 짧게 알리세요.
- 답변을 줄이느라 필요한 근거, 추론 또는 완료 여부 확인을 빠뜨리지 마세요.
</verbosity_controls>

작업을 계속 진행할 기준 정하기

사용자는 대화 도중 작업이나 형식, 어조를 바꾸기도 합니다. 어시스턴트가 사용자의 의도에 맞춰 작업하도록 언제 진행하고 언제 질문할지, 새 지침이 기존 기본값에 어떻게 우선하는지 명확히 정의하세요.

다음과 같이 작업 진행에 관한 기본 원칙을 지정하세요.

12345678<default_follow_through_policy>
- 사용자의 의도가 분명하고 다음 단계를 되돌릴 수 있으며 위험이 낮으면 묻지 말고 진행하세요.
- 다음 단계가 아래 조건 중 하나에 해당할 때만 허락을 구하세요.
  (a) 되돌릴 수 없는 경우
  (b) 외부에 사이드 이펙트가 있는 경우(예: 전송, 구매, 삭제, 프로덕션 환경에 쓰기)
  (c) 아직 제공되지 않은 민감한 정보가 필요하거나, 어떤 선택을 하느냐에 따라 결과가 크게 달라지는 경우
- 진행했다면 무엇을 했고 어떤 사항이 선택 사항으로 남았는지 짧게 설명하세요.
</default_follow_through_policy>

지침의 우선순위도 명시하세요.

123456<instruction_priority>
- 사용자의 지침은 문체, 어조, 서식, 자율적인 작업 진행에 관한 기본 선호도보다 우선합니다.
- 안전, 정직성, 개인정보 보호, 권한에 관한 제약은 항상 지키세요.
- 새 사용자 지침이 이전 사용자 지침과 충돌하면 새 지침을 따르세요.
- 충돌하지 않는 기존 지침은 유지하세요.
</instruction_priority>

우선순위가 더 높은 개발자 지침과 시스템 지침은 계속 적용됩니다.

작성 지침: 대화 도중 지침을 바꿀 때는 변경 내용과 적용 범위를 명확히 하고 필요한 부분만 수정하세요. 무엇이 바뀌었는지, 어떤 지침이 계속 적용되는지, 변경 사항이 다음 턴에만 적용되는지 이후 대화 전체에 적용되는지 알려 주세요.

대화 도중 지침 변경하기

대화 도중 지침을 변경할 때는 다음 내용을 명확히 담아 적용 범위가 분명한 메시지를 작성하세요.

1. 적용 범위
2. 대체할 기존 지침
3. 계속 적용할 지침

<task_update>
다음 응답에만 적용하세요.
- 작업을 완료하지 마세요.
- 계획만 작성하세요.
- 글머리 기호 5개로 작성하세요.

이번 변경과 충돌하지 않는 기존 지침은 모두 계속 적용됩니다.
</task_update>

작업 자체가 바뀌었다면 그 사실을 직접 명시하세요.

<task_update>
작업이 변경되었습니다.
이전 작업: 워크플로우를 완료하세요.
현재 작업: 워크플로우를 검토하고 위험 요인을 파악하는 데까지만 진행하세요.

이번 턴의 규칙:
- 어떤 동작도 실행하지 마세요.
- 파괴적인 동작을 수행하는 도구를 호출하지 마세요.
- 다음 항목만 정확히 이 순서로 반환하세요.
  1. 주요 위험
  2. 누락된 정보
  3. 권장하는 다음 단계
</task_update>

정확성을 확보하는 데 필요한 만큼 도구 사용하기

특히 후속 작업이 앞선 정보 검색이나 검증 결과에 의존하는 워크플로우에서는 도구를 충분히 사용하고 단계 간 종속성과 실행 시점을 고려하도록 규칙을 명시하세요. 최종적으로 무엇을 해야 할지 명백해 보인다는 이유로 선행 단계를 생략하는 경우가 흔합니다.

세션 초기에 컨텍스트가 아직 부족하면 GPT-5.4가 적절한 도구를 선택하는 정확도가 떨어질 수 있습니다. 선행 조건, 종속성 확인, 각 도구의 정확한 사용 목적을 프롬프트에 명시하세요.

12345678<tool_persistence_rules>
- 도구가 정확성, 완전성 또는 그라운딩을 실질적으로 개선할 때마다 사용하세요.
- 도구를 한 번 더 호출하면 정확성이나 완전성이 실질적으로 개선될 가능성이 있는 동안은 작업을 끝내지 마세요.
- 다음 두 조건을 모두 충족할 때까지 도구를 계속 호출하세요.
  (1) 작업을 완료했습니다.
  (2) 검증을 통과했습니다(<verification_loop> 참조).
- 도구가 빈 결과나 일부 결과만 반환하면 다른 전략으로 재시도하세요.
</tool_persistence_rules>

최종 동작이 앞선 조회나 검색 단계에 의존하는 워크플로우에서는 특히 중요합니다. 의도한 최종 상태가 분명해 보인다는 이유로 선행 단계를 생략하는 것이 가장 흔한 실패 원인 중 하나입니다.

12345<dependency_checks>
- 동작을 실행하기 전에 먼저 필요한 정보를 탐색하거나 조회하거나 메모리에서 가져와야 하는지 확인하세요.
- 의도한 최종 동작이 분명해 보인다는 이유로 선행 단계를 생략하지 마세요.
- 작업에 이전 단계의 출력이 필요하면 그 결과부터 확보하세요.
</dependency_checks>

서로 독립적인 작업에서 실제 소요 시간이 중요하면 병렬 실행을 지시하세요. 속도보다 종속성, 불확실성 해소, 되돌릴 수 없는 작업의 처리가 중요하면 순차 실행을 지시하세요.

123456<parallel_tool_calling>
- 여러 검색이나 조회가 서로 독립적이면 도구를 병렬로 호출해 실제 소요 시간을 줄이세요.
- 선행 단계에 의존하거나 한 단계의 결과가 다음 동작을 결정하면 병렬로 실행하지 마세요.
- 병렬 검색 후에는 결과를 종합한 다음 추가로 도구를 호출하세요.
- 서로 독립적인 근거 수집에만 병렬 실행을 활용하세요. 추측에 따른 호출이나 중복 호출을 병렬로 실행하지 마세요.
</parallel_tool_calling>

장기 작업의 완료 조건 명시하기

다단계 워크플로우에서는 실행이 불완전하게 끝나는 문제가 흔합니다. 모델이 일부만 처리하고 종료하거나, 배치에서 항목을 빠뜨리거나, 비어 있거나 범위가 좁은 검색 결과를 최종 결과로 간주할 수 있습니다. 프롬프트에서 완료 규칙과 실패 시 복구 방법을 명시하면 GPT-5.4의 신뢰성이 높아집니다.

필요한 범위는 순차 검색이나 병렬 검색으로 모두 조사할 수 있습니다. 어느 방식을 사용하든 완료 규칙은 명확해야 합니다.

123456789<completeness_contract>
- 요청한 모든 항목을 처리하거나 [blocked]로 명시할 때까지 작업을 미완료 상태로 간주하세요.
- 필요한 결과물의 체크리스트를 내부적으로 관리하세요.
- 목록, 배치 또는 페이지로 나뉜 결과를 처리할 때는 다음을 따르세요.
  - 가능하면 예상 처리 범위를 파악하세요.
  - 처리한 항목이나 페이지를 추적하세요.
  - 작업을 마치기 전에 전체 범위를 처리했는지 확인하세요.
- 데이터가 없어 처리할 수 없는 항목은 [blocked]로 표시하고 정확히 무엇이 부족한지 명시하세요.
</completeness_contract>

검색 결과가 비어 있거나 일부만 반환되거나 관련 없는 정보가 자주 섞이는 워크플로우에서는 다음 패턴을 사용하세요.

1234567891011<empty_result_recovery>
조회 결과가 비어 있거나 일부만 반환되거나 범위가 의심스러울 정도로 좁으면 다음과 같이 처리하세요.
- 결과가 없다고 바로 결론 내리지 마세요.
- 적어도 한두 가지 대안을 시도하세요.
  예를 들어 다음 방법을 사용할 수 있습니다.
  - 검색어 바꾸기
  - 필터 범위 넓히기
  - 선행 정보 조회하기
  - 다른 출처나 도구 사용하기
- 그런 다음에도 결과를 찾지 못한 경우에만 시도한 방법과 함께 그 사실을 보고하세요.
</empty_result_recovery>

영향이 큰 작업 전에 검증 루프 추가하기

워크플로우가 완료된 것으로 보이면 답변을 반환하거나 되돌릴 수 없는 작업을 수행하기 전에 간단한 검증 단계를 추가하세요. 결과를 확정하기 전에 누락된 요구 사항, 그라운딩 문제, 형식 오류를 발견하는 데 도움이 됩니다.

1234567<verification_loop>
작업을 마치기 전에 다음 사항을 확인하세요.
- 정확성: 출력이 모든 요구 사항을 충족하나요?
- 그라운딩: 제공된 컨텍스트나 도구 출력이 사실에 관한 주장을 뒷받침하나요?
- 서식: 출력이 요청한 스키마나 스타일과 일치하나요?
- 안전성과 되돌릴 수 있는지 여부: 다음 단계가 외부에 사이드 이펙트를 일으키면 먼저 허락을 구하세요.
</verification_loop>

12345<missing_context_gating>
- 필요한 컨텍스트가 빠졌다면 절대로 추측하지 마세요.
- 누락된 컨텍스트를 조회할 수 있다면 적절한 조회 도구를 우선 사용하세요. 조회할 수 없을 때만 꼭 필요한 내용을 짧게 질문하세요.
- 그래도 진행해야 한다면 가정을 명시하고 되돌릴 수 있는 동작을 선택하세요.
</missing_context_gating>

직접 작업을 실행하는 에이전트에는 다음과 같은 짧은 실행 절차를 추가하세요.

12345<action_safety>
- 실행 전: 수행할 동작과 매개변수를 1~2줄로 요약하세요.
- 도구로 실행하세요.
- 실행 후: 결과와 실제로 수행한 검증 내용을 확인하세요.
</action_safety>

특수 워크플로우 처리하기

이미지 분석과 컴퓨터 사용에 필요한 상세 수준 지정하기

시각적 정확도가 중요한 워크플로우에서는 이미지의 detail 수준을 프롬프트나 통합 코드에 지정하고 auto에만 의존하지 마세요. 일반적인 고정밀 이미지 이해에는 high를 사용하세요. 크기가 크거나 정보가 밀집해 있거나 위치를 정밀하게 파악해야 하는 이미지에는 original을 사용하세요. 특히 컴퓨터 사용, 위치 식별, OCR, 클릭 정확도가 중요한 작업을 gpt-5.4 및 후속 모델에서 수행할 때 적합합니다. 세부 정보보다 속도와 비용이 중요할 때만 low를 사용하세요. 이미지 상세 수준에 대한 자세한 내용은 이미지 및 비전 가이드를 참조하세요.

조사와 인용을 검색한 근거로 제한하기

인용 품질이 중요하다면 사용할 수 있는 출처의 범위와 인용 형식을 모두 명시하세요. 그러면 존재하지 않는 참고 문헌, 근거 없는 주장, 일관되지 않은 인용 형식을 줄일 수 있습니다.

123456<citation_rules>
- 현재 워크플로우에서 검색한 출처만 인용하세요.
- 인용 정보, URL, ID 또는 인용 구절을 지어내지 마세요.
- 호스트 애플리케이션에서 요구하는 인용 형식을 정확히 따르세요.
- 인용을 끝에만 모으지 말고 각 인용이 뒷받침하는 구체적인 주장에 붙이세요.
</citation_rules>

123456<grounding_rules>
- 제공된 컨텍스트나 도구 출력에만 근거해 주장하세요.
- 출처 간에 내용이 충돌하면 충돌하는 내용을 명시하고 각 주장의 출처를 밝히세요.
- 컨텍스트가 부족하거나 관련이 없으면 답변 범위를 좁히거나 해당 주장을 뒷받침할 수 없다고 밝히세요.
- 직접적인 근거가 있는 사실이 아니라 추론한 내용이라면 추론이라고 표시하세요.
</grounding_rules>

애플리케이션에 본문 내 인용이 필요하면 본문 내 인용을, 각주가 필요하면 각주를 사용하도록 지시하세요. 형식을 고정하고 모델이 근거 없는 참고 문헌을 임의로 만들어 내지 않도록 하는 것이 중요합니다.

리서치 모드

GPT-5.4가 체계적인 절차에 따라 조사하도록 하세요. 이 패턴은 조사, 검토, 종합 작업에 사용하세요. 짧은 실행 작업이나 결과가 정해져 있는 단순 변환에는 일률적으로 적용하지 마세요.

1234567<research_mode>
- 다음 3단계로 조사하세요.
  1) 계획: 답해야 할 하위 질문 3~6개를 나열하세요.
  2) 검색: 각 질문을 검색하고 그 결과에서 발견한 후속 단서 1~2개를 더 조사하세요.
  3) 종합: 상충하는 내용을 정리하고 출처를 인용해 최종 답변을 작성하세요.
- 더 검색해도 결론이 달라질 가능성이 낮아졌을 때만 조사를 마치세요.
</research_mode>

호스트 환경에서 특정 조사 도구를 사용하거나 별도의 제출 단계가 필요하다면 이 패턴을 호스트의 완료 요건과 결합하세요.

엄격한 출력 형식 적용하기

SQL, JSON 등 파싱 오류에 민감한 출력을 생성할 때는 GPT-5.4에 지정된 형식만 출력하고 완료 전에 형식을 확인하도록 지시하세요.

<structured_output_contract>
- 요청한 형식만 출력하세요.
- 요청받지 않은 설명이나 Markdown 코드 펜스를 추가하지 마세요.
- 소괄호와 대괄호의 짝이 맞는지 확인하세요.
- 테이블이나 필드를 지어내지 마세요.
- 필수 스키마 정보가 빠졌다면 해당 정보를 요청하거나 오류를 명시하는 객체를 반환하세요.
</structured_output_contract>

문서 영역이나 OCR 경계 상자를 추출한다면 좌표계를 정의하고 위치가 어긋나지 않았는지 확인하는 단계를 추가하세요.

<bbox_extraction_spec>
- 0..1로 정규화한 [x1,y1,x2,y2] 등 지정된 좌표 형식을 정확히 사용하세요.
- 각 상자에 페이지, 레이블, 해당 텍스트 일부, 신뢰도를 포함하세요.
- 상자가 해당 텍스트 줄에 맞도록 세로 위치가 어긋났는지 확인하는 단계를 추가하세요.
- 레이아웃이 조밀하면 페이지별로 처리한 뒤 한 번 더 검토해 빠진 항목을 찾으세요.
</bbox_extraction_spec>

코딩 및 터미널 에이전트에서 도구의 사용 범위 명시하기

코딩 에이전트에서는 셸 접근과 파일 편집 규칙이 명확할수록 GPT-5.4가 더 잘 작동합니다. 특히 셸이나 패치 적용 같은 도구를 제공할 때 중요합니다.

사용자에게 진행 상황 알리기

GPT-5.4는 결과를 중심으로 짧게 진행 상황을 전달하는 데 능숙합니다. 5.2 가이드의 사용자 업데이트 패턴을 재사용하되, 완료 및 검증 요건도 함께 명시하세요.

권장 업데이트 지침은 다음과 같습니다.

123456<user_updates_spec>
- 새로운 주요 단계를 시작하거나 계획이 바뀔 때만 사용자에게 진행 상황을 알리세요.
- 업데이트마다 결과를 한 문장으로, 다음 단계를 한 문장으로 설명하세요.
- 일상적인 도구 호출을 일일이 설명하지 마세요.
- 사용자에게는 짧게 알리되 작업 자체는 빠짐없이 수행하세요.
</user_updates_spec>

코딩 에이전트에 대한 구체적인 지침은 아래의 코딩 작업용 프롬프트 패턴 섹션을 참조하세요.

코딩 작업용 프롬프트 패턴

자율성과 지속성

GPT-5.4는 일반적으로 이전 주력 모델보다 코딩 및 도구 사용 작업을 처음부터 끝까지 꼼꼼하게 수행하므로 “모든 것을 검증하세요”와 같은 지시를 덜 강조해도 됩니다. 다만 프로덕션 변경, 마이그레이션, 보안 작업처럼 영향이 큰 변경에는 간단한 검증 지침을 유지하세요.

12345<autonomy_and_persistence>
가능하면 현재 턴 안에 작업을 처음부터 끝까지 처리하세요. 사용자가 명시적으로 일시 중지하거나 방향을 바꾸라고 하지 않는 한, 분석이나 일부 수정에서 멈추지 말고 변경을 구현하고 검증한 뒤 결과를 명확히 설명하세요.

사용자가 명시적으로 계획을 요청하거나, 코드에 관해 질문하거나, 가능한 해결책을 함께 구상하는 등 코드를 작성할 의도가 아님이 분명한 경우를 제외하면, 사용자가 문제 해결을 위해 코드를 변경하거나 도구를 실행하기를 원한다고 간주하세요. 이 경우 해결책을 메시지로 제안하는 데 그치지 말고 실제로 변경 사항을 구현하세요. 어려움이 생기거나 진행이 막히면 먼저 직접 해결해 보세요.
</autonomy_and_persistence>

중간 업데이트

업데이트는 횟수를 줄이고 중요한 정보 위주로 전달하세요. 코딩 작업에서는 주요 시점에 진행 상황을 알리는 것이 좋습니다.

1234567891011121314<user_updates_spec>
- 중간 업데이트는 `commentary` 채널로 보내세요.
- 사용자 업데이트는 작업 중에 보내는 짧은 진행 상황 보고입니다. 최종 답변과 구분하세요.
- 작업 중 진행 상황과 새로 알게 된 내용을 1~2문장으로 전달하세요.
- 대화체 감탄사나 응답 자체에 대한 설명으로 시작하지 마세요. “완료했습니다 -”, “알겠습니다”, “좋은 질문입니다” 같은 인사성 표현이나 비슷한 도입부를 피하세요.
- 탐색이나 본격적인 작업을 시작하기 전에 요청을 어떻게 이해했고 무엇부터 할지 사용자에게 알리세요. 요청을 평가하거나 “알겠습니다”, “이해했습니다” 같은 표현으로 시작하지 마세요.
- 작업 중에는 약 30초마다 진행 상황을 알리세요.
- 탐색 중에는 어떤 컨텍스트를 수집하고 있고 무엇을 알아냈는지 설명하세요. 업데이트가 반복적으로 들리지 않도록 문장 구성을 바꾸세요.
- 작업이 길어지면 간결함을 유지하면서 매번 유용하고 새로운 정보를 전달하세요.
- 작업량이 많으면 충분한 컨텍스트를 확보한 뒤 더 자세한 계획을 제시하세요. 이 업데이트에 한해서만 2문장을 초과하거나 서식을 사용할 수 있습니다.
- 파일을 편집하기 전에 무엇을 바꿀지 설명하세요.
- 생각하는 동안에도 모든 도구 호출을 일일이 설명하지 말고 진행 상황을 알리세요. 실행 중인 동작이 없더라도, 특히 생각하는 시간이 길어지면 침묵하지 말고 자주 진행 상황을 전하세요.
- 진행 상황을 전하는 어조는 어시스턴트의 전반적인 성격과 일관되게 유지하세요.
</user_updates_spec>

서식

GPT-5.4는 기본적으로 구조화된 서식을 선호하며 글머리 기호 목록을 지나치게 많이 사용할 수 있습니다. 깔끔한 최종 응답이 필요하다면 허용할 목록 형식을 명시하세요.

중첩된 글머리 기호를 사용하지 마세요. 목록은 한 단계로 유지하세요. 계층 구분이 필요하면 별도의 목록이나 섹션으로 나누세요. 콜론(:)을 사용한다면 보통 하위 항목으로 표시할 내용을 바로 다음 줄에 배치하세요. 번호 목록에는 마침표가 붙은 `1. 2. 3.` 형식만 사용하고 `1)` 형식은 사용하지 마세요.

프런트엔드 작업

프런트엔드에 대한 추가 지침이 도움이 될 때만 다음 패턴을 사용하세요.

123456789101112131415161718<frontend_tasks>
프런트엔드를 디자인할 때는 개성이 없거나 불필요하게 복잡한 레이아웃을 피하세요.

다음 규칙을 반드시 지키세요.
- 하나의 구성: 실제 대시보드를 만드는 경우가 아니라면 첫 화면이 대시보드처럼 보이지 않고 하나의 구성으로 읽혀야 합니다.
- 브랜드 우선: 브랜드 페이지에서는 브랜드나 제품 이름이 히어로 영역의 핵심 요소로 보여야 합니다. 탐색 메뉴나 제목 위 작은 문구에만 넣지 마세요. 어떤 헤드라인도 브랜드보다 두드러져서는 안 됩니다.
- 브랜드 확인: 탐색 메뉴를 제거했을 때 다른 브랜드의 첫 화면처럼 보일 수 있다면 브랜드의 개성이 부족한 것입니다.
- 화면 너비를 채우는 히어로: 랜딩 페이지와 홍보 페이지에서는 일반적으로 히어로 이미지가 화면 양 끝까지 이어지는 주된 시각 요소나 배경이 되어야 합니다. 기존 디자인 시스템이 명확히 요구하는 경우가 아니라면 여백 안에 넣은 히어로 이미지, 측면 패널 이미지, 둥근 미디어 카드, 타일형 콜라주, 떠 있는 이미지 블록을 기본으로 사용하지 마세요.
- 히어로의 요소 수: 첫 화면에는 보통 브랜드, 헤드라인 하나, 짧은 보조 문장 하나, 행동 유도 버튼 그룹 하나, 주 이미지 하나만 배치하세요. 통계, 일정, 행사 목록, 주소 블록, 홍보 문구, ‘이번 주’ 강조 표시, 메타데이터 행, 부차적인 마케팅 콘텐츠를 넣지 마세요.
- 히어로 위에 요소 겹치지 않기: 히어로 이미지나 영상 위에 분리된 레이블, 떠 있는 배지, 홍보 스티커, 정보 칩, 강조 상자를 배치하지 마세요.
- 카드: 기본적으로 카드를 사용하지 마세요. 사용자 상호작용을 담는 컨테이너인 경우에만 히어로에 카드를 사용하세요. 테두리, 그림자, 배경 또는 둥근 모서리를 없애도 조작이나 이해에 지장이 없다면 카드로 만들지 마세요.
- 섹션별 역할: 각 섹션은 목적 하나와 헤드라인 하나를 갖도록 하고, 보통 짧은 보조 문장 하나를 덧붙이세요.
- 주제와 연결되는 이미지: 제품, 장소, 분위기 또는 사용 맥락을 보여 주는 이미지를 사용하세요.
- 불필요한 요소 줄이기: 알약 모양 레이블 모음, 통계 띠, 아이콘 행, 상자형 홍보 문구, 일정 일부, 서로 주목을 끄는 텍스트 블록을 피하세요.
- 움직임으로 시선을 분산시키지 말고 요소의 존재감과 위계를 드러내세요. 시각 요소가 중심인 작업에는 목적이 분명한 모션 2~3개를 구현하고, 사용할 수 있으면 Framer Motion을 우선하세요.

예외: 기존 웹사이트나 디자인 시스템에서 작업한다면 이미 정해진 패턴, 구조, 시각 언어를 유지하세요.
</frontend_tasks>

123456<terminal_tool_hygiene>
- 셸 명령어는 터미널 도구로만 실행하세요.
- 도구 이름을 셸 명령어처럼 ‘실행’하지 마세요.
- 패치 또는 편집 도구가 있으면 해당 도구를 직접 사용하세요. bash에서 대신 처리하려고 하지 마세요.
- 변경 후에는 ls, 테스트 또는 빌드 등 간단한 검증을 수행한 뒤 작업 완료를 알리세요.
</terminal_tool_hygiene>

문서 내 위치 식별과 OCR 경계 상자

경계 상자를 다루는 작업에서는 좌표 표기 규칙을 명시하고 위치가 어긋나는지 검사하는 테스트를 추가하세요.

1234567<bbox_extraction_spec>
- 지정된 좌표 형식을 정확히 따르세요(예: 0..1로 정규화한 [x1,y1,x2,y2]).
- 각 경계 상자에 페이지, 레이블, 해당 텍스트 일부, 신뢰도를 포함하세요.
- 세로 위치가 어긋났는지 확인하는 단계를 추가하세요.
  - 경계 상자가 위나 아래로 밀리지 않고 해당 텍스트 줄에 맞는지 확인하세요.
- 레이아웃이 조밀하면 페이지별로 처리한 뒤 한 번 더 검토해 빠진 항목을 찾으세요.
</bbox_extraction_spec>

런타임 및 API 통합 시 고려 사항

장시간 실행되거나 도구를 많이 사용하는 에이전트에서는 런타임의 동작 규칙이 프롬프트의 요구 사항만큼 중요합니다.

phase 매개변수

GPT-5.4, gpt-5.3-codex 및 이후 Responses 모델에서는 장시간 실행되거나 도구를 많이 사용하는 일부 플로우에서 사전 설명이나 다른 중간 업데이트가 최종 답변으로 잘못 처리될 수 있습니다. 이때 phase 필드가 도움이 됩니다.

• phase는 API에서 선택 사항이지만 사용을 적극 권장합니다. 서버 측에서 값을 추정하는 경우도 있지만, phase를 명시적으로 보존해 다시 전달하는 편이 확실히 좋습니다.
• 장시간 실행되거나 도구를 많이 사용하는 에이전트가 도구 호출이나 최종 답변 전에 중간 설명을 출력할 수 있다면 phase를 사용하세요.
• 이전 어시스턴트 항목을 다시 전달할 때는 모델이 작업 중 설명과 완성된 답변을 구분할 수 있도록 phase를 보존하세요. 사전 설명이나 도구 관련 업데이트가 있거나 한 턴에 여러 어시스턴트 메시지가 포함된 다단계 플로우에서 특히 중요합니다.
• 사용자 메시지에는 phase를 추가하지 마세요.
• previous_response_id를 사용하면 어시스턴트 항목을 직접 다시 전달하지 않아도 OpenAI가 이전 상태를 복원할 수 있는 경우가 많아 대개 이 방법이 가장 간단합니다.
• 어시스턴트의 메시지 기록을 직접 다시 전달한다면 원래 phase 값을 보존하세요.
• phase가 없거나 전달 과정에서 누락되면 사전 설명이 최종 답변으로 해석되어 이러한 다단계 작업이 제대로 수행되지 않을 수 있습니다.

긴 세션에서 일관된 동작 유지하기

컨텍스트 압축을 사용하면 실질적으로 활용할 수 있는 컨텍스트 윈도우가 크게 늘어납니다. 컨텍스트 한도에 도달하거나 긴 컨텍스트로 인해 성능이 저하되는 일 없이 여러 턴에 걸쳐 대화를 이어갈 수 있습니다. 에이전트도 장시간 실행되는 복잡한 작업에서 일반적인 컨텍스트 윈도우를 넘어서는 긴 실행 과정을 수행할 수 있습니다.

Responses API에서 컨텍스트 압축을 사용한다면 주요 단계를 완료한 뒤 압축하세요. 압축된 항목은 내부 내용을 해석하지 않고 상태 값으로 취급하고, 압축 후에도 프롬프트의 기능을 동일하게 유지하세요. 이 엔드포인트는 ZDR과 호환되며 이후 요청에 전달할 수 있는 encrypted_content 항목을 반환합니다. GPT-5.4는 여러 턴에 걸친 긴 대화에서도 일관성과 신뢰성을 잘 유지하며, 세션이 길어져도 작업이 흐트러지는 경우가 적습니다.

자세한 지침은 /responses/compact API 레퍼런스를 참조하세요.

고객 대상 워크플로우에서 성격 설정하기

세션 전체에 유지할 성격과 응답별 글쓰기 지침을 분리하면 GPT-5.4의 동작을 더 효과적으로 조정할 수 있습니다. 이메일, 고객 지원 답변, 공지, 블로그 형식의 글 등 고객에게 전달할 콘텐츠를 작성하는 워크플로우에서 특히 유용합니다.

• 성격(세션 전체): 세션에서 기본으로 사용할 어조, 응답 상세도, 의사 결정 방식을 설정합니다.
• 글쓰기 지침(응답별): 개별 결과물의 채널, 문체, 서식, 길이를 정의합니다.
• 유의 사항: 성격 설정은 작업별 출력 요구 사항보다 우선하지 않습니다. 사용자가 JSON을 요청하면 JSON을 반환하세요.

자연스럽고 완성도 높은 글을 얻으려면 다음 지침이 특히 효과적입니다.

• 모델에 명확한 페르소나를 부여하세요.
• 전달 채널과 정서적 어조를 지정하세요.
• 줄글이 필요하면 사용하지 말아야 할 서식을 명시하세요.
• 엄격한 길이 제한을 설정하세요.

12345678<personality_and_writing_controls>
- 페르소나: <one sentence>
- 채널: <Slack | email | memo | PRD | blog>
- 정서적 어조: <direct/calm/energized/etc.> + “<overdo this>은 피하세요”
- 서식: <ban bullets/headers/markdown if you want prose>
- 길이: <hard limit, e.g. <=150 words or 3-5 sentences>
- 기본 진행 원칙: 요청이 명확하고 위험이 낮으면 허락을 묻지 말고 진행하세요.
</personality_and_writing_controls>

바로 활용할 수 있는 다른 성격 설정 패턴은 프롬프트 페르소나 쿡북을 참조하세요.

업무 메모 모드

메모, 검토 의견 등 전문적인 글을 작성할 때는 일반적인 글쓰기 지침만으로 충분하지 않은 경우가 많습니다. 이런 워크플로우에서는 얼마나 구체적으로 쓸지, 해당 분야의 관례를 어떻게 따를지, 정보를 어떻게 종합할지, 근거의 확실성을 어떻게 표현할지 명확히 안내하는 것이 좋습니다.

12345678<memo_mode>
- 정돈된 전문 업무 메모 문체로 작성하세요.
- 기록으로 확인할 수 있으면 정확한 명칭, 날짜, 관련 주체, 권한 기관이나 권위 있는 근거를 명시하세요.
- 해당 분야 고유의 문서 구조를 요청받으면 그 구조를 따르세요.
- 막연하게 단서를 붙이기보다 정확한 결론을 제시하세요.
- 실제로 불확실한 부분이 있다면 어떤 사실이 빠졌거나 어떤 출처가 충돌하는지 정확히 밝히세요.
- 문서를 각각 요약하는 데 그치지 말고 여러 문서의 내용을 종합하세요.
</memo_mode>

이 모드는 자연스러운 문장뿐 아니라 체계적인 정보 종합과 명확한 결론이 필요한 법률, 정책, 연구, 경영진 대상 문서에 특히 유용합니다.

추론 조정과 마이그레이션

추론 강도는 마지막에 조정하기

모든 작업에 적합한 추론 강도는 없습니다. 추론 강도는 품질 개선의 주된 수단으로 삼기보다 마지막에 미세 조정하세요. 많은 경우 프롬프트를 개선하고, 출력 요구 사항을 명확히 하고, 간단한 검증 루프를 추가하는 것만으로도 추론 강도를 높여 얻으려던 성능 향상의 상당 부분을 얻을 수 있습니다.

권장 기본 설정은 다음과 같습니다.

• none: 모델의 추론이 필요하지 않고 속도, 비용, 지연 시간이 중요한 작업에 가장 적합합니다.
• low: 지연 시간에 민감하지만 약간의 추론으로 정확도를 의미 있게 높일 수 있는 작업에 적합합니다. 특히 지시가 복잡할 때 유용합니다.
• medium 또는 high: 높은 추론 성능이 실제로 필요하고 추가 지연 시간과 비용을 감수할 수 있는 작업에 사용하세요. 추론을 늘렸을 때 해당 작업의 성능이 얼마나 향상되는지에 따라 선택하세요.
• xhigh: 평가에서 명확한 이점이 확인되지 않으면 기본값으로 사용하지 마세요. 추론 비중이 높은 장기 에이전트 작업에서 속도나 비용보다 모델의 문제 해결 능력을 최대한 활용하는 것이 중요할 때 가장 적합합니다.

실무에서는 대부분의 팀에 none, low, medium 범위의 기본값이 적합합니다.

워크플로우 단계 실행, 필드 추출, 지원 요청 분류, 짧은 구조화 변환 등 실행 중심 워크로드에서는 none부터 시작하세요.

긴 컨텍스트 종합, 여러 문서 검토, 상충하는 정보 조정, 전략 문서 작성 등 조사 중심 워크로드에서는 medium 이상부터 시작하세요. medium에서도 프롬프트를 잘 설계하면 높은 성능을 끌어낼 수 있습니다.

GPT-5.4는 동작을 선택하고 도구 사용 규칙을 지키는 작업에서 none만으로도 좋은 성능을 낼 수 있습니다. 암묵적 요구 사항 해석, 모호성 처리, 취소된 도구 호출 복구처럼 세밀한 판단이 필요한 워크로드에서는 low 또는 medium부터 시작하세요.

추론 강도를 높이기 전에 다음 블록부터 추가하세요.

• <completeness_contract>
• <verification_loop>
• <tool_persistence_rules>

그래도 모델이 지시를 지나치게 문자 그대로 해석하거나 처음 발견한 그럴듯한 답에서 멈춘다면 추론 강도를 높이기 전에 스스로 더 조사하도록 유도하는 지침을 추가하세요.

12345<dig_deeper_nudge>
- 처음 발견한 그럴듯한 답에서 멈추지 마세요.
- 그 답에서 파생될 문제, 예외 상황, 빠진 제약 조건을 찾아보세요.
- 안전이나 정확성이 중요한 작업이라면 적어도 한 번은 검증하세요.
</dig_deeper_nudge>

한 번에 하나씩 변경하며 GPT-5.4로 프롬프트 마이그레이션하기

5.2 가이드와 마찬가지로 한 번에 하나씩 변경하세요. 먼저 모델을 바꾸고, reasoning_effort를 고정하고, 평가를 실행한 다음 결과에 따라 조정하세요.

대부분의 마이그레이션에서는 다음 설정으로 시작하면 좋습니다.

소형 모델 gpt-5.4-mini와 gpt-5.4-nano 사용 지침

gpt-5.4-mini와 gpt-5.4-nano는 지침을 통해 동작을 조정하기 쉽습니다. 다만 대형 모델에 비해 명시적인 지시 없이 빠진 단계를 추론하거나, 모호성을 스스로 해소하거나, 의도한 형태로 결과물을 구성하는 경우가 적습니다. 따라서 소형 모델용 프롬프트는 대개 조금 더 길고 구체적입니다.

gpt-5.4-mini의 특징

• gpt-5.4-mini는 지시를 더 문자 그대로 따르고 가정을 덜 합니다.
• 작업 구조가 명확할 때 강점을 보이지만, 절차가 암묵적이거나 모호성을 처리해야 할 때는 성능이 떨어집니다.
• 명시적으로 제한하지 않으면 기본적으로 후속 질문을 통해 대화를 이어 가려 할 수 있습니다.

gpt-5.4-mini 프롬프트 작성하기

• 핵심 규칙을 먼저 제시하세요.
• 도구 사용이나 사이드 이펙트가 중요하다면 전체 실행 순서를 지정하세요.
• “반드시 해야 합니다”라는 강조에만 의존하지 마세요. 번호를 매긴 단계, 판단 규칙, 명확한 동작 정의로 지침을 구조화하세요.
• “작업 실행”과 “실행 결과 보고”를 구분하세요.
• 최종 형식과 함께 올바른 진행 절차도 보여 주세요.
• 모호한 상황에서 언제 질문하고, 보류하고, 진행할지 명시하세요.
• 답변 길이, 후속 질문 여부, 인용 방식, 섹션 순서 등 결과물의 구성 방식을 직접 지정하세요.
• 그 밖에는 아무것도 출력하지 마세요라는 지침을 사용할 때는 주의하세요. 최종 JSON 뒤에는 아무것도 출력하지 마세요처럼 적용 범위가 분명한 지침을 권장합니다.

gpt-5.4-nano 프롬프트 작성하기

• gpt-5.4-nano는 범위가 좁고 경계가 명확한 작업에만 사용하세요.
• 레이블, 열거형, 짧은 JSON, 고정 템플릿처럼 가능한 출력이 제한된 형식을 우선하세요.
• 플로우가 매우 엄격하게 제한된 경우를 제외하고 다단계 오케스트레이션은 피하세요.
• 작업이 모호하거나 계획 수립의 비중이 높으면 gpt-5.4-nano의 프롬프트에 과도하게 지시를 추가하기보다 더 강력한 모델에 맡기세요.

권장 기본 구성

1. 작업
2. 핵심 규칙
3. 정확한 실행 순서
4. 예외 상황이나 추가 확인이 필요할 때의 동작
5. 출력 형식
6. 올바른 예시 한 가지

피해야 할 사항

• 다음 단계를 암시만 하는 지침
• 예외 상황을 정의하지 않은 지침
• 도구 워크플로우에 스키마만 제공하는 프롬프트
• 구조 없이 일반적인 지시만 나열한 프롬프트

웹 검색과 심층 리서치

특히 조사 에이전트를 마이그레이션하는 경우에는 추론 강도를 높이기 전에 프롬프트를 다음과 같이 수정하세요.

• <research_mode>를 추가하세요.
• <citation_rules>를 추가하세요.
• <empty_result_recovery>를 추가하세요.
• 프롬프트를 수정한 뒤에만 reasoning_effort를 한 단계 높이세요.

5.2의 조사 블록으로 시작한 다음 필요에 따라 인용 조건과 완료 요건을 추가할 수 있습니다.

GPT-5.4는 여러 단계에 걸쳐 근거를 수집하고 긴 컨텍스트를 종합해야 하며 프롬프트의 요구 사항이 명확한 작업에서 특히 좋은 성능을 냅니다. 실무에서 효과가 큰 개선 방법은 작업 특성에 맞는 추론 강도 선택, 정확한 출력 및 인용 형식 지정, 종속성을 고려한 도구 사용 규칙 추가, 완료 기준 명시입니다. 기본 설정만으로도 성능이 좋은 경우가 많지만, 검색 방법과 검증 방법, 작업을 완료한 것으로 판단할 조건을 프롬프트에 명확히 지정할 때 가장 안정적으로 작동합니다.

다음 단계

• 모델 기능, 매개변수, API 호환성에 대한 자세한 내용은 모델, API 및 기능 변경 사항을 확인하세요.
• 여러 모델 제품군에 적용할 수 있는 전반적인 프롬프트 작성 전략은 프롬프트 엔지니어링을 참조하세요.
• Responses API에서 장시간 실행되는 GPT-5.4 세션을 구축한다면 컨텍스트 압축을 참조하세요.

참고 자료

GPT-5.3-Codex 프롬프트 작성 가이드

GPT-5.4 블로그 게시물

GPT-5 프런트엔드 가이드

GPT-5 모델 제품군의 새 기능 가이드

추론 모델 쿡북

Responses API와 Chat Completions 비교