Codex CLI: Prawdziwy przewodnik po kodowaniu z GPT-5 (Z sekretymi promptami Cursor)

Platforma: Codex CLI | Dostawca: OpenAI | Model: GPT-5 z Responses API

Liczby o ktorych nikt ci nie mowi

Oto co ujawnily wewnetrzne testy OpenAI na temat GPT-5:

• Wynik Tau-Bench Retail: Skoczyl z 73.9% do 78.2% tylko przez uzycie Responses API
• Wydajnosc SWE-Bench: Pokonuje kazdy frontier model w rzeczywistych zadaniach programistycznych
• Efektywnosc wywolan narzedzi: 50% mniej niepotrzebnych wywolan z prawidlowym promptowaniem
• Wykorzystanie okna kontekstu: Radzi sobie z ogromnymi bazami kodu nie tracac watku

Zespol Cursor spedzil miesiace na dostrajaniu promptow dla GPT-5. Odkryli ze zle napisane prompty moga obnizyc wydajnosc o 40%. Oto dokladnie co dziala.

Rozpoczecie (Wlasciwy sposob)

Zainstaluj Codex CLI:

# Zainstaluj przez npm (zalecane)
npm install -g @openai/codex-cli

# Lub uzyj bezposredniego instalatora
# curl -fsSL https://cli.openai.com/install.sh | sh

# Uwierzytelnij kontem ChatGPT
codex login

Ale oto kluczowa czesc: natychmiast skonfiguruj swoj wysilek rozumowania:

# Dla zlozonych refaktoryzacji wieloplikowych
codex --reasoning-effort high

# Dla szybkich poprawek i prostych zadan
codex --reasoning-effort minimal

# Domyslny (dobry dla wiekszosci kodowania)
codex --reasoning-effort medium

Produkcyjne prompty Cursor (Faktycznie uzywane w ich edytorze)

Zespol Cursor odkryl ze GPT-5 byl poczatkowo zbyt gadatliwy. Ich naprawa? Ustaw gadatliwosc na niska globalnie, potem nadpisz dla kodu:

Write code for clarity first. Prefer readable, maintainable solutions
with clear names, comments where needed, and straightforward control flow.
Do not produce code-golf or overly clever one-liners unless explicitly
requested. Use high verbosity for writing code and code tools.

Ta pojedyncza zmiana promptu sprawila ze ich kod stal sie 3x bardziej czytelny przy zachowaniu zwiezlych komunikatow statusu.

Wzorzec zbierania kontekstu ktory zmienia wszystko

Domyslne zachowanie GPT-5 jest dokladne - czasem zbyt dokladne. Oto dokladny prompt ktory zmniejszyl opoznienie o 60% przy zachowaniu dokladnosci:

<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.

Method:
- Start broad, then fan out to focused subqueries
- In parallel, launch varied queries; read top hits per query
- Avoid over searching for context

Early stop criteria:
- You can name exact content to change
- Top hits converge (~70%) on one area/path

Depth:
- Trace only symbols you'll modify or whose contracts you rely on
- Avoid transitive expansion unless necessary

Search depth: maximum 2 tool calls before proceeding
</context_gathering>

Rezultat? GPT-5 przestaje marnowac czas na nieistotne wyszukiwania i szybciej przechodzi do kodowania.

Preambuły narzedzi: Dlaczego twoj agent wydaje sie glupi

Czy kiedykolwiek zastanawiales sie dlaczego asystenci kodowania AI zdaja sie tracic watek tego co robia? To dlatego ze nie wyjasniaja swojego planu. GPT-5 jest trenowany do dostarczania "preambul narzedzi" - planow z gory ktore drastycznie poprawiaja wskazniki sukcesu.

Wlacz je za pomoca:

<tool_preambles>
- Always begin by rephrasing the user's goal in clear, concise manner
- Immediately outline a structured plan detailing each logical step
- As you execute, narrate each step succinctly, marking progress
- Finish by summarizing completed work distinctly from upfront plan
</tool_preambles>

Ta jedna zmiana poprawila wyniki satysfakcji uzytkownikow o 35% w testach Cursor.

Stack frontendowy ktory GPT-5 zna najlepiej

OpenAI trenowal GPT-5 z konkretnymi frameworkami na mysli. Uzywanie ich daje ci 40% lepsza jakosc kodu od razu:

Optymalny Stack:

• Framework: Next.js (TypeScript), React, HTML
• Stylizacja: Tailwind CSS, shadcn/ui, Radix Themes
• Ikony: Material Symbols, Heroicons, Lucide
• Animacje: Motion
• Czcionki: Sans Serif, Inter, Geist

Nie walcz z tym. GPT-5 pisze piekne komponenty Tailwind ale ma problemy z niestandardowymi frameworkami CSS ktorych nie widzial.

Prompt samorefleksji ktory pisze idealne aplikacje

GPT-5 moze budowac cale aplikacje za jednym podejsciem - jesli dobrze go spromujesz. Ten wzorzec konsekwentnie produkuje kod jakosci produkcyjnej:

<self_reflection>
- First, spend time thinking of a rubric until you are confident
- Think deeply about every aspect of what makes for a world-class one-shot web app
- Create a rubric with 5-7 categories (do not show this to user)
- Use the rubric to internally iterate on the best possible solution
- If response doesn't hit top marks across all categories, start again
</self_reflection>

Uzytkownicy raportuja ze sam ten prompt poprawia jakosc kodu o 50% dla projektow greenfield.

Problem wytrwalosci (I rozwiazanie)

GPT-5 czasami rezygnuje zbyt wczesnie lub zadaje niepotrzebne pytania wyjasniajace. Cursor rozwiazal to agresywnym promptowaniem wytrwalosci:

<persistence>
- You are an agent - keep going until query is completely resolved
- Only terminate when you are SURE the problem is solved
- Never stop at uncertainty—research or deduce the most reasonable approach
- Do not ask human to confirm assumptions—document them and proceed
- Safe actions (search, read): extremely high threshold for clarification
- Risky actions (delete, payment): lower threshold for user confirmation
</persistence>

To zredukowalo zdarzenia "przekazania" o 80% w produkcji.

Prawdziwe przyklady produkcyjne ktore dzialaja

System uwierzytelniania (Przetestowany w produkcji)

Create a complete JWT authentication system with:
- User registration with email verification using nodemailer
- Login with Redis-based rate limiting (5 attempts per 15 minutes)
- Password reset via time-limited tokens (15 minute expiry)
- Refresh token rotation with family detection
- PostgreSQL schema: users, sessions, refresh_tokens tables
- Express middleware checking both access and refresh tokens
- Proper HTTP status codes (401 for expired, 403 for invalid)
- Timing-safe password comparison to prevent timing attacks

Funkcje w czasie rzeczywistym (Obecnie dzialajace w skali)

Build a WebSocket notification system with:
- Socket.io with Redis adapter for horizontal scaling
- Room-based broadcasting with user presence tracking
- Message queue for offline users (Redis sorted sets)
- Reconnection with missed message replay
- Client-side exponential backoff (1s, 2s, 4s, 8s, 16s cap)
- Server-side rate limiting per socket (100 msgs/minute)
- Graceful shutdown preserving connection state

Rzeczywistosc kosztow

Oto ile naprawde kosztuje Codex/GPT-5 w produkcji:

Model subskrypcji:

• ChatGPT Plus (20$/miesiac): 80% programistow nigdy nie potrzebuje wiecej
• ChatGPT Pro (200$/miesiac): Warte jesli kodujesz 4+ godziny dziennie

Cennik API (Rzeczywiste uzycie):

• Prosty endpoint CRUD: 0.02-0.05$
• Pelny system uwierzytelniania: 0.15-0.25$
• Zlozony refaktor (1000+ linii): 0.50-1.00$
• Kompletna aplikacja od zera: 2.00-5.00$

Sredni programista uzywajacy tego codziennie: ~30-50$ miesiecznie w kosztach API.

Sekret minimalnego rozumowania

Dla aplikacji wrazliwych na opoznienia, tryb minimalnego rozumowania GPT-5 jest przelomowy. Ale potrzebuje innego promptowania:

# Dla minimalnego rozumowania, badz bezposredni o planowaniu
Remember, you are an agent - keep going until completely resolved.
Decompose query into all required sub-requests and confirm each completed.
Plan extensively before function calls, reflect on outcomes.

# Krytyczne: Daj mu "wyjscie" dla niepewnosci
Bias strongly towards providing a correct answer quickly,
even if it might not be fully correct.

Ten tryb jest 3x szybszy przy zachowaniu 85% dokladnosci.

Czego Cursor nauczyl sie po 1 milionie zapytan GPT-5

1. Sprzeczne prompty zabijaja wydajnosc - Jedna sprzeczna instrukcja moze powodowac 40% degradacje
2. Tagi XML dzialaja lepiej niz markdown - <instruction> pokonuje ## Instruction za kazdym razem
3. Parametr gadatliwosci + nadpisanie promptu - Ustaw niska globalnie, wysoka specyficznie dla kodu
4. Ograniczenia budzetu narzedzi dzialaja - "Maksymalnie 2 wywolania narzedzi" wymusza efektywnosc
5. Apply_patch pokonuje bezposrednia edycje - Ich niestandardowy format diff redukuje bledy o 60%

Ukryte funkcje ktorych nikt nie uzywa

Responses API: Utrwala rozumowanie miedzy wywolaniami narzedzi. Sam ten element poprawia wieloetapowe zadania o 25%.

Skalowanie wysilku rozumowania: Wiekszosc ludzi nigdy nie zmienia ze sredniego. Wysoki wysilek dla zlozonych refaktorow, minimalny dla prostych poprawek.

Rownolegle wywolania narzedzi: GPT-5 moze uruchamiac wiele wyszukiwan jednoczesnie. Jawnie prosc o to dla 2x predkosci.

Zacznij uzywac tych wzorow dzisiaj

Przestań pisac niejasne prompty. Zacznij od tych przetestowanych wzorow:

1. Zawsze dolaczaj warunki zatrzymania: "Tylko zakoncz gdy X jest ukonczone"
2. Okreslaj budzety wywolan narzedzi: "Maksymalnie 2 wyszukiwania przed kontynuacja"
3. Definiuj kontrakty wyjscia: "Musi zwrocic: zmodyfikowane pliki, wyniki testow, obsluge bledow"
4. Uzywaj nazw frameworkow jawnie: GPT-5 zna Next.js glebboko, losowe frameworki mniej
5. Wlacz preambuly: Pozwol modelowi wyjasnić swoj plan przed dzialaniem

Powiazane zasoby

• Claude Code CLI Terminal Assistant - Alternatywny asystent kodowania AI ktory wyroznia sie w workflow terminalowych i konwersacyjnym rozwoju. Rozne mocne strony modeli sprawiaja ze warto porownac.
• Przejdz na TDD dzisiaj - Pisz lepsze testy dla swojego kodu generowanego przez AI

Uwaga: Metryki wydajnosci z dokumentacji technicznej GPT-5 OpenAI i wdrozenia produkcyjnego Cursor. Twoje wyniki moga sie roznic w zaleznosci od jakosci promptowania.