GPT-6家族是OpenAI目前最先进的一组模型，官方指南的核心结论可以概括为四件事：按工作负载匹配模型、调整prompt与skills、让长任务保持可控、在生产环境里把上下文和成本管住。以下按工程落地顺序拆解。

一、模型选型：能力、成本、延迟的三角权衡

官方把模型选择与推理等级定义为一次「智能/价格」权衡。三档模型定位清晰：

  • GPT-6 Astra：面向最难的推理工作，需要最大智能时使用。
  • GPT-6.1 Sol：面向复杂编码、研究和computer use。
  • GPT-6 Luna：面向规模化聚焦任务和日常重复工作，例如提取发票字段、请求分类、生成结构化摘要。

选型时官方建议直接对比各模型定价。工程上更实用的做法是：先用代表性任务跑一遍，测任务成功率、延迟和「每成功任务成本」，而不是只看单token价格。

二、推理等级：从Low到Max的递进策略

API中可指定模型在任务上投入的推理力度：

  • Low：例行任务，如提取事实、小改动。
  • Medium：需要判断的工作，如规划功能、比较方案。
  • High：困难调试、深度分析、仔细审查。
  • Extra high / Max：在支持的情况下，当High不够时测试，只有提升能证明额外时间和成本合理时才保留。

在Codex中，官方建议从该模型的默认推理等级起步，简单任务下调、深度分析上调。

速度维度上，API的Fast mode适合聊天应用或编码工具等对响应时间敏感的场景，以更高单token成本换取更快、更一致的响应；Codex和API中的Ultrafast适合快速编码迭代，它独立于推理力度加速token生成，目前对GPT-6 Astra可用。

三、Prompt与Skills：把「完成」定义清楚

官方给出的起点是「清晰的委派」：想要的结果、给谁用、相关上下文与约束、什么算完成。具体落到四个可操作项：

  1. 创建更好的skills：描述保持简短，明确何时运行；只在需要时加载支撑细节；用适配团队所用模型的指导替代僵化配方。
  2. 更新AGENTS.md：说明哪些文档和测试在什么情况下相关，并显式授权安全的例行工作流，例如用一次性数据跑本地测试、不接触生产。
  3. 设定决策边界：明确哪些动作可独立执行、哪些需要审批，用清晰边界替代「总是询问」的一刀切规则。
  4. 对持久性做规定：定义「完成」包含什么——实现改动、运行、检查结果、修复失败，并标出需要人工复核的决策。

输出侧同样要明确：模型可以做哪些决定、何时应请求输入、什么样的响应算有用。例如它可以自行决定摘要的组织方式，但改变项目范围前应先确认；响应可以是面向受众的技术细节，加一段简短交接，说明改了什么、检查了什么、还有什么待处理。

四、长任务管理：steering、异步工具与委派

GPT-6家族可承担跨越数小时甚至数天的任务，官方给出三类机制。

API侧：

  • Mid-turn steering：通过Responses WebSocket API在模型工作时发送修正。更新会排队，不会取消正在运行的工具，也不会撤销已完成动作。
  • 异步工具调用：模型在应用执行慢任务（如测试）时继续独立工作，应用在结果就绪后返回；依赖该结果的工作必须等结果返回再启动。
  • 委派独立子任务：GPT-6.1 Sol支持Responses API中的多Agent工作流，可把独立工作分给子Agent（例如调查代码库的不同部分），再合并为最终响应。多Agent目前处于beta。

Codex侧：

  • 随进展回答问题：GPT-6 Astra下Codex可在工作时请求澄清。应解决影响下一步的问题，并说明哪些独立工作可在等待期间继续；若将离开，提前告知哪些任务可继续、何时应暂停等待回答。
  • 需求变化时重定向：用新信息steer当前任务，说明什么该变、什么该保持不变，避免在已不符合需求的方案上继续投入。

此外，computer use让Astra、Sol、Luna可直接与网站和桌面应用交互，包括没有API的应用。选择每步最简单可靠的方式：能用API或已连接工具直接完成就用；需要读屏、点按钮、填表单时再用computer use。自建时给模型一个能运行代码控制浏览器或桌面的工具，浏览器可用Playwright，桌面应用可用PyAutoGUI。

五、生产准备清单

部署前官方建议完成以下检查：

  • 效率：裁掉任务不需要的上下文，但保留其需要的证据；在应用支持时并行运行独立任务，避免一个慢步骤拖住无关工作。
  • Prompt caching：复用共享上下文，缓存输入token最高可比未缓存便宜95%（取决于模型）。把稳定指令和参考资料放在变化的任务细节之前，保持工具定义一致。用缓存仪表盘和诊断指南定位复用失效点。估算完整工作流成本时，要把缓存写入和长上下文费率算进去。
  • Compaction：较长对话用压缩减小上下文体积，同时保留继续所需的状态。
  • 监控与数据控制：确定如何监控行为，并审查应用的数据控制。
  • 部署前测试：跑代表性任务，测量任务成功率、延迟和每成功任务成本，参考API部署清单。

工程取舍建议

从迁移角度看，最容易被低估的是「每成功任务成本」而非单token价格：High推理加Fast mode的组合可能显著抬高成本，但若把失败重试算进去，未必比Low加标准处理更贵。建议先固定一组代表性任务，分别用Luna、Sol、Astra跑基线，再在各自默认推理等级上下调一档做对比，用数据决定是否值得升级。缓存方面，稳定前缀与工具定义的一致性直接决定命中率，改动prompt结构时应同步检查缓存诊断，避免无声的成本回退。