OpenAI 的 GPT-6 实战指南：先定义任务，再选择模型
一份面向开发者的指南，真正值得带走的不是“哪个模型最强”，而是如何让模型选择、执行边界、上下文和验证指标服务于同一个任务。
做 AI 应用时，最容易发生的错位是：先选一个能力最强的模型，再想办法给它找工作。OpenAI 这篇指南把顺序倒了过来：先明确要交付什么、什么算完成，再决定模型、推理强度、工具和运行方式。这样做的意义，是把“回答看起来不错”推进到“任务确实完成”。
一、模型选择从工作负载出发
指南将 GPT-6 系列分成不同定位。它没有给出一张适用于所有产品的“最优模型”清单，而是让开发者同时衡量任务难度、速度和费用。
| 模型 | 官方定位 | 适合先试的任务 |
|---|---|---|
| GPT-6 Astra | 最高难度的推理工作 | 复杂分析和高要求判断 |
| GPT-6.1 Sol | 复杂编程、研究、计算机使用 | 跨工具的工程任务 |
| GPT-6 Luna | 大规模、目标明确的重复工作 | 字段提取、分类、结构化摘要 |
推理强度也该跟着任务走：提取事实或小改动可以从低级别开始；规划、比较方案再提高；复杂调试和深入审查才值得试高或更高。指南建议在 Codex 中先用模型默认级别，再按任务调整。更高的推理预算不自动等于更好的产品结果，延迟和费用同样要测。
二、提示词要说明“做到哪里算完成”
OpenAI 建议把结果、受众、背景、限制和完成标准写进指令，同时说明模型能自行决定什么、何时必须请人决定。提示词、技能文件与代码仓库指令应保持一致；否则模型会在互相冲突的规则之间猜测。
例如，一个“修复登录错误”的任务，完成标准可以是：复现问题、提交局部修改、运行相关测试，并在浏览器里验证登录流程。改动产品范围或触碰生产配置，则应明确交给人审查。这样的说明比一句“谨慎操作”更有用。
三、长任务需要状态，也需要中途纠偏
当任务持续很久，单靠一条初始指令很难覆盖后来出现的情况。OpenAI 提到三类能力：运行中的引导、等待慢工具时继续做独立工作，以及将独立子任务委派出去。其 Responses API 多智能体功能在原文中仍标注为测试阶段。
这些能力的前提是依赖关系清楚：测试结果没回来之前，不能假定测试通过；用户补充了需求后，也不能继续执行已经过时的方案。对于长对话，压缩可保留继续工作所需的状态；对于重复输入，提示词缓存则能复用稳定的上下文。缓存的实际收益依模型与工作流而异，还要把缓存写入和长上下文费用算进去。
四、上线前验证完整工作流
指南最后落到很具体的生产问题：减少无关上下文，监控行为，检查数据控制措施，并用有代表性的任务测试。值得追踪的三个数字是任务成功率、延迟，以及每次成功完成任务的成本。
- 选 10 到 20 个真实任务。覆盖常见情况和最容易失败的边界，不用演示样例代替真实输入。
- 给每个任务写验收标准。输出正确、工具执行成功、必要时有人确认，才算一次完成。
- 记录整条链路。模型和推理设置、工具耗时、缓存命中、总费用与失败原因都要能对应到同一次任务。
- 先修最大的失败点。如果主要问题来自上下文丢失或工具不稳定，单纯升级模型可能不会解决。
这份指南的价值，是把 GPT-6 看成一套可配置的工作流能力，而不是一个只需替换名称的接口。选型、指令、状态管理和验证彼此相连。真正适合你产品的配置，要由实际任务来决定。