GPT‑6 是我们迄今最先进的模型系列，提供多款模型供你选择，以适应不同类型的工作。
无论你是将想法转化为可运行的原型、开发并测试功能，还是编排跨代码仓库、数据库和外部 API 的多步骤工作流，本指南都会介绍如何选择 GPT‑6 模型、为其提供有效指令、管理长时间运行的任务，以及为投入生产做好准备。
在生产环境中高效运行。使用缓存（在新窗口中打开）和压缩（在新窗口中打开）来管理上下文和成本。衡量任务成功率和延迟，并规划监控与数据控制措施。
根据工作负载选择模型。选择适合任务的模型、推理强度（在新窗口中打开）和速度，平衡能力、成本与延迟。
调整提示词和技能。在提示词、技能和代码仓库指令中，对模型应交付什么、可以独立执行哪些操作，以及什么算作完成，保持一致的要求。
让长时间运行的任务保持正轨。使用引导（在新窗口中打开）、异步工具（在新窗口中打开）和任务委派（在新窗口中打开），处理更新和可独立执行的工作。明确模型应在何时征求你的意见。
部署前，需要落实几项检查和最佳实践。
注重效率。 （在新窗口中打开）删减任务不需要的上下文（在新窗口中打开），同时保留必要的依据。如果应用支持，就并行运行彼此独立的任务（在新窗口中打开），避免某个缓慢的步骤拖累无关的工作。
对于重复性工作，通过提示词缓存（在新窗口中打开）复用共享上下文。缓存输入 Token 的费用比未缓存输入 Token 最多降低 95%（在新窗口中打开），具体取决于模型。将固定的指令和参考资料放在会变化的任务细节之前，并保持工具定义一致。缓存仪表板（在新窗口中打开）和诊断指南（在新窗口中打开）可帮助你找出缓存复用在哪些环节失效。估算完整工作流的成本时，要计入缓存写入费用，以及适用的长上下文费率。
对于较长的对话，压缩（在新窗口中打开）可以减小上下文体积，同时保留继续执行所需的状态。
确定如何监控行为（在新窗口中打开），并审查应用的数据控制措施（在新窗口中打开）。
部署前先测试：运行有代表性的任务，衡量任务成功率、延迟，以及每次成功完成任务的成本。查看我们的 API 部署检查清单（在新窗口中打开）。
选择模型和推理级别，本质上是在智能水平与价格之间做权衡。
模型：
GPT‑6 Astra（在新窗口中打开） 适合需要最高智能水平、难度最大的推理工作。
GPT‑6.1 Sol（在新窗口中打开） 适合复杂编程、研究和计算机使用任务。
GPT‑6 Luna（在新窗口中打开） 适合大规模处理特定任务，以及目标明确的日常重复性工作，例如提取发票字段、对请求进行分类，或生成结构化摘要。
评估哪款模型最适合任务时，请比较各款模型的价格（在新窗口中打开）。
推理级别：在 API 中，选择模型为任务投入多少推理资源。
低：常规任务，例如提取事实或进行小幅修改。
中：需要判断的工作，例如规划功能或比较方案。
高：高难度调试、深入分析或细致审查。
极高 / Max：如果“高”仍无法满足需求，可在支持的情况下测试这些级别；只有效果提升足以抵偿额外的时间和成本时，才保留使用。
在 API 中，你可以在对话中途调整推理强度（在新窗口中打开），而不会使缓存失效。
在 Codex 中，先使用该模型的默认推理级别，再针对简单任务调低级别，或为深入分析调高级别。
速度：
在 API 中，对于聊天应用或编程工具等对响应时间要求较高的场景，可使用快速模式（在新窗口中打开）。与标准处理相比，它的响应速度更快、更稳定，但每个 Token 的费用也更高。
在 Codex 和 API 中，如果更快的响应值得额外付费，例如需要快速迭代代码时，可使用超高速模式（在新窗口中打开）。它可以加快 Token 生成速度，而不改变推理强度。适用于 GPT‑6 Astra（在新窗口中打开）。
—Eric Provencher，OpenAI 开发者体验团队
首先明确任务：你想要什么结果、面向谁、有哪些相关上下文和限制，以及什么算作完成。接下来，从以下四个方面深入了解如何更新指令。这些要点摘自《重新思考 GPT‑6 Astra 的技能与提示词》（在新窗口中打开）：
打造更好的技能：用简短描述明确每项技能的运行时机，仅在需要时加载补充细节，并用适合团队所用模型的指导原则代替僵化的操作步骤。
更新 AGENTS.md：说明特定文档和测试适用于哪些情况，并明确授权安全的常规工作流，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进行、哪些需要批准，用清晰的边界代替一概要求“始终先询问”的规则。
明确要求任务执行到底：定义“完成”包含哪些环节——实施改动、运行、检查结果并修复问题——同时指出哪些决策需要你来审查。
更多指导请参阅推理最佳实践（在新窗口中打开）。
无论是在 Codex 中工作，还是使用 API 开发，都要说明模型可以做哪些决策、何时应征求意见，以及怎样的回复才有用。
给模型足够的指导，让它能够持续推进工作，而不必猜测重要决策该如何做。 （在新窗口中打开）告诉它可以自行做哪些选择，以及何时需要征求你的意见（在新窗口中打开）。例如，它可以决定如何组织摘要，但在更改项目范围之前应先与你确认。 （在新窗口中打开）描述怎样的回复才有用（在新窗口中打开）。例如，使用通俗语言、提供适合受众的技术细节，并给出简短的交接说明，交代修改了什么、检查了什么，以及还有哪些事项需要关注。
借助 GPT‑6 系列模型，你现在可以处理持续数小时甚至数天的任务。使用以下功能，更好地管理执行长时间任务的智能体。
在 API 中，使用引导、异步工具和并行工作，让长时间运行的任务持续推进。
在运行过程中更新指令：轮次中途引导（在新窗口中打开）让你可以在模型工作时，通过 Responses WebSocket API（在新窗口中打开） 发送纠正信息。更新会进入队列，不会取消正在运行的工具，也不会撤销已完成的操作。
工具运行期间继续工作：异步工具调用（在新窗口中打开）让模型可以在应用执行测试等较慢任务时，继续处理其他独立工作。结果就绪后，应用会将其返回。依赖该结果的工作，应等结果返回后再开始。
委派独立子任务：GPT‑6.1 Sol 支持通过 Responses API 运行多智能体工作流（在新窗口中打开）。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），并将它们的发现汇总为最终回复。多智能体功能目前处于测试阶段。
长时间运行的任务可能会遇到需要决策的事项，而这些未必能在编写初始提示词时预见。通过澄清和引导，让工作保持正确方向。
随着工作推进回答问题：借助 GPT‑6 Astra，Codex 可以在工作过程中请求澄清（在新窗口中打开）。解决影响下一步的问题，并说明在你做决定期间，哪些独立工作可以继续进行。如果你要暂时离开，请告诉 Codex 哪些任务可以继续，以及何时应暂停并等待你的答复。
需求变化时调整工作方向：用新信息引导当前任务（在新窗口中打开），说明哪些内容需要改变、哪些应保持不变。这样可以避免在已不符合需求的方案上继续耗费时间。
计算机使用（在新窗口中打开）功能让 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，即使应用没有 API 也可以。例如，你可以让模型调查缺陷、修复代码，并在浏览器中打开你的产品，检查修复是否生效。
为每个步骤选择最简单可靠的完成方式：
如果 API 或已连接的工具可以直接完成工作，就使用它们。
当模型需要替你读取屏幕、点击按钮或填写表单时，使用计算机使用功能。
如果要将计算机使用功能集成到自己的应用中，请为模型提供一个能通过运行代码来控制浏览器或桌面的工具。Playwright 可用于操作浏览器（在新窗口中打开）；PyAutoGUI 可用于操作桌面应用。
