GPT-6 模型系列实用指南

# GPT-6 系列模型指南 来源：https://openai.com/index/practical-guide-building-gpt-6/ GPT-6 是我们迄今为止最先进的模型系列（https://openai.com/index/introducing-gpt-6-1-sol/），为不同类型的作业提供多种模型选择。 无论你是把想法做成可运行的原型，开发并测试某个功能，还是在代码仓库、数据库和外部 API 之间编排多步骤工作流，本指南都会说明如何选择 GPT-6 模型、给出有效的指令、管理长时任务，并为生产环境做好准备。 ## 快速要点 - **在生产环境中高效运行。** 使用缓存（https://developers.openai.com/api/docs/guides/prompt-caching）和上下文压缩（https://developers.openai.com/api/docs/guides/compaction）来管理上下文与成本。测量任务成功率和延迟，并提前规划监控与数据控制措施。 - **让模型匹配你的负载。** 通过选择合适的模型、推理强度（https://developers.openai.com/api/docs/guides/reasoning）和速度，在能力、成本与延迟之间取得平衡。 - **调整提示词与技能。** 保证提示词、技能和仓库指令在以下方面保持一致：模型应交付什么、能独立完成什么、以及什么算作完成。 - **让长时任务保持正轨。** 使用引导（https://developers.openai.com/api/docs/guides/steering）、异步工具（https://developers.openai.com/api/docs/guides/async-tool-calling）和委派（https://developers.openai.com/api/docs/guides/responses-multi-agent#overview）来处理更新与独立工作。明确划定模型何时应当征求你的输入。 ## 1. 在生产环境中高效运行 ### 为生产环境准备你的工作流 在部署之前，有几个检查项和最佳实践需要落实。 - **时刻关注效率。** 裁掉任务不需要的上下文（https://developers.openai.com/api/docs/guides/cost-optimization#cost-and-latency），同时保留必要的证据。在应用支持的场景下，把独立任务并行执行（https://developers.openai.com/api/docs/guides/latency-optimization#parallelize），这样某个慢步骤就不会拖累不相关的工作。 - **通过提示词缓存（https://developers.openai.com/api/docs/guides/prompt-caching）复用共享上下文**，用于重复性工作。缓存输入 token 的成本比未缓存输入 token 最高可低 95%（https://developers.openai.com/api/docs/guides/prompt-caching#why-prompt-caching-matters），具体取决于模型。把稳定的指令和参考材料放在变化的任务详情之前，并保持工具定义的一致性。缓存面板（https://platform.openai.com/usage?usage_section=prompt-caching）和诊断指南（https://developers.openai.com/api/docs/guides/prompt-caching/diagnostics）可以帮助你找出复用在何处失效。在估算完整工作流的成本时，请把缓存写入以及任何长上下文费率计入。 - **对于更长的对话**，上下文压缩（https://developers.openai.com/api/docs/guides/compaction）可以在保留继续所需状态的同时减小上下文体积。 - **决定如何监控行为**（https://developers.openai.com/api/docs/guides/safety-checks/misalignment-monitoring），并查看应用适用的数据控制措施（https://developers.openai.com/api/docs/guides/your-data）。 - **部署前测试**：运行有代表性的任务，测量任务成功率、延迟以及每个成功任务的成本。请参考我们的 API 部署检查清单（https://developers.openai.com/api/docs/guides/deployment-checklist#choose-a-model-for-the-workload）。 ### 让模型匹配负载 可以把模型选择与推理强度理解为「智能/价格」的权衡。 - **模型：** - GPT-6 Astra（https://developers.openai.com/api/docs/models/gpt-6-astra）用于需要最强推理能力的高难度工作。 - GPT-6.1 Sol（https://developers.openai.com/api/docs/models/gpt-6.1-sol）用于复杂的编码、研究和计算机使用任务。 - GPT-6 Luna（https://developers.openai.com/api/docs/models/gpt-6-luna）用于大规模的聚焦型任务，以及目标明确的日常重复性工作，例如提取发票字段、分类请求或生成结构化摘要。 在评估任务最适合的模型时，请逐一比较各模型的定价（https://developers.openai.com/api/docs/models/compare）。 - **推理强度：** 在 API 中，你可以选择模型在任务上投入多少努力。 - 低：例行任务，例如提取事实或做小幅修改。 - 中：需要判断的工作，例如规划一个功能或比较方案。 - 高：困难的调试、更深入的分析或细致的审查。 - 超高 / Max：在「高」不够用且平台支持的情况下测试，只有当提升效果值得额外的时间和成本时才保留。 在 Codex 中，先从该模型的默认推理强度开始，然后为更简单的任务降低它，或为更深入的分析提高它。 - **速度：** - 在 API 中，当响应时间很重要时（例如聊天应用或编码工具），使用 Fast 模式（https://developers.openai.com/api/docs/guides/fast-mode）。它以高于 Standard 处理的单 token 成本，提供更快、更稳定的响应时间。 - 在 Codex 和 API 中，当更快的响应值得为此付出溢价时（例如快速的编码迭代），使用 Ultrafast（https://developers.openai.com/api/docs/guides/ultrafast-mode）。它独立于推理强度来加速 token 生成。GPT-6 Astra 可用（https://x.com/OpenAIDevs/status/2104996045482778973）。 ## 2. 调整你的提示词与技能 ### 给模型一个清晰的任务说明 —— Eric Provencher，OpenAI 开发者体验团队 从一个清晰的任务说明开始：你想要的结果、受众是谁、相关的上下文与约束，以及什么算作完成。然后参考《为 GPT-6 Astra 重新思考技能与提示词》（https://developers.openai.com/blog/rethinking-skills-and-prompts-for-gpt-6-astra#better-skills）中的四个要点，对你的指令做更深入的更新： - **打造更好的技能：** 描述保持简短并明确说明每个技能应在何时运行，只在需要时加载支持性细节，并用适合团队所用模型的指引取代僵化的操作流程。 - **更新你的 AGENTS.md：** 说明哪些文档和测试在什么情况下是相关的，并显式授权安全的例行工作流，例如使用一次性数据运行本地测试且不访问生产环境。 - **设定决策边界：** 说明哪些操作可以独立推进、哪些需要审批，用清晰的边界取代一刀切的「凡事都要问」规则。 - **明确规定持久化要求：** 定义「完成」包含什么——实现变更、运行它、检查结果并修复失败——并指出哪些决策需要你审核。 ### 明确你需要的输出 无论你是在 Codex 中工作还是用 API 构建，请说明模型可以做出哪些决策、何时应该征求输入，以及什么样的响应才算有用。 给模型足够的指引，让它能持续推进工作，而不会在重要的决策上靠猜。告诉它你可以选择哪些项、何时该询问你的输入（https://developers.openai.com/api/docs/guides/latest-model#initiative-and-follow-through），例如它可以决定如何组织摘要，但在改变项目范围前应当先和你确认。描述什么样的响应是有用的（https://developers.openai.com/api/docs/guides/latest-model#personality-and-writing-style），例如使用通俗的语言、采用适合受众的技术细节，以及一份简短的交接说明，涵盖改了什么、检查了什么、以及还有什么需要关注。 ## 3. 优化长时任务 ### 让复杂工作持续推进 借助 GPT-6 系列模型，你现在可以承接跨越数小时甚至数天的任务。使用以下功能来更好地管理长时运行的智能体。 #### API 在 API 中，使用引导、异步工具和并行工作，让长时任务持续推进。 - **在运行过程中更新指令：** 回合中途引导（https://developers.openai.com/api/docs/guides/steering#send-a-steering-message）让你可以在模型工作时，通过 Responses WebSocket API（https://developers.openai.com/api/docs/guides/websocket-mode）发送修正。更新会排队处理；它们不会取消正在运行的工具，也不会撤销已完成的操作。 - **工具运行时继续工作：** 异步工具调用（https://developers.openai.com/api/docs/guides/async-tool-calling#how-async-tools-work）让模型在你的应用运行较慢的任务（例如测试）时继续独立工作。你的应用准备好后返回结果。在开始依赖该结果的工作之前，请等待结果返回。 - **委派独立的子任务：** GPT-6.1 Sol 在 Responses API 中支持多智能体工作流（https://developers.openai.com/api/docs/guides/responses-multi-agent#overview）。它可以将独立工作分配给子智能体（例如调查代码库的不同部分），并把它们的发现汇总成最终响应。多智能体目前处于 beta 阶段。 #### Codex 长时任务可能会暴露出你在初始提示词中未必预料到的决策。使用澄清和引导来让工作保持正轨。 - **在工作推进过程中回答问题：** 借助 GPT-6 Astra，Codex 可以在工作时提出澄清问题（https://developers.openai.com/api/docs/guides/latest-model#initiative-and-follow-through）。先解决影响下一步的问题，并说明在你思考期间哪些独立工作可以继续。如果你要离开一会儿，告诉 Codex 哪些任务可以继续、以及它何时应该停下来等待你的答复。 - **需求变化时重新定向工作：** 用新信息引导当前任务（https://developers.openai.com/blog/mastering-codex-remote-for-engineering#2-learn-the-difference-between-queue-and-steer），说明哪些应该改变、哪些应该保持不变。这有助于避免把时间花在一个已不再符合你需求的方案上。 ### 借助计算机使用完成更多工作 **计算机使用**（https://developers.openai.com/api/docs/guides/tools-computer-use）让 GPT-6 Astra、GPT-6.1 Sol 和 GPT-6 Luna 可以直接与网站和桌面应用交互，包括没有 API 的应用。例如，你可以让模型调查一个 bug、修复代码，并在浏览器中打开你的产品来验证修复是否有效。 为每个步骤选择最简单可靠的方式： - 当 API 或已接入的工具能直接完成工作时，就用它。 - 当模型需要替你读取屏幕、点击按钮或填写表单时，使用计算机使用。 如果你要在自己的应用中集成计算机使用，请给模型一个能运行代码以控制浏览器或桌面的工具。Playwright 适用于浏览器（https://developers.openai.com/api/docs/guides/tools-computer-use#code-execution-harness-examples）；PyAutoGUI 适用于桌面应用。 ### 从测试到生产：团队如何用 GPT-6 Astra 构建