企业官网建设流程全解析

1. DevDay 2026 在讲什么：当发布会开始聊“系统”而不是“模型”

我今年没去成现场，但全程盯着直播，中间还拉着几个一直在一线做 LLM 应用的朋友在群里实时讨论。说实话，看完主题演讲之后最大的感受是：OpenAI 明显把重心从一个“模型公司”往“模型系统公司”转。整场发布会里被反复提及的三个关键词分别是GPT-6.1 Sol、dots和ChatGPT Spaces，它们不是三件各自独立的事，而是一套组合拳：模型负责推理，agent 负责干活，空间负责把上下文和协作关系沉淀下来。

这次 DevDay 的发布量确实不小，我粗略数了一下，能被归为“新产品、新能力、新接口、新平台”的至少有 20 项。如果你只关心“模型分数又涨了多少”，那这次发布会可能会让你失望；但如果你关心的是“怎么让模型在一个真实项目里连续干几小时活而不掉链子”，那这次内容密度非常高。以下我就按自己实际试用和迁移的经验，把几个重点拆开讲，顺便把踩过的坑也一块儿说了。

1.1 一眼看完 20+ 项发布

先把发布清单按类别过一遍，方便你建立全局印象。我根据自己的关注点做了一个简化分类：

这 20 多项里，最容易被忽略但又很重要的是Evaluation 套件和调试可视化。以前大家评估 agent 效果基本靠“多试几次感觉还行”，这次给了一套相对正式的测评工作流，可以直接在平台里跑回归。对一个要上生产的团队来说，这个更新比模型涨几分更实在。

1.2 三个主角如何串成一条主线

如果你只记住三件事，那应该是：GPT-6.1 Sol 是大脑，dots 是手，ChatGPT Spaces 是桌面和档案室。

GPT-6.1 Sol 解决的问题从“回答一个问题”变成了“对一个目标负责到底”。它能在很长的上下文里维持任务状态，能自动决定调用哪些工具，能把一个大任务拆成多个小步骤，还能在中间自我检查。dots 是建立在这个模型能力上的编码智能体，跑在命令行和 IDE 里，直接在代码仓库上执行任务。ChatGPT Spaces 则提供了一块持久化的协作区域，把文件、对话、任务状态、成员权限、审批规则全部放在一起，dots 在干活时会把过程和结果写回 Spaces，团队成员不用守在终端前面也能看到进展。

这三者的关系有点像“员工、工位和办公室”。模型是员工的能力，agent 是员工的手，空间是员工的工作现场和记忆库。只换模型不换工具，效率提升有限；只上 agent 不做上下文管理，任务一复杂就乱；只搭 Spaces 没有模型执行能力，那也就是个网盘加聊天室。三个一起用，才能真正做出一个可持续运转的 AI 开发闭环。

2. GPT-6.1 Sol：更快、更稳，也更能“扛事”的旗舰模型

2.1 Sol 到底是什么

如果你用过 GPT-5.1，可以先把它理解成“下一任旗舰”，但“下一任”这三个字其实不够准确。GPT-6.1 Sol 在定位上更像是为 agent 场景重新设计的模型，而不是单纯地在旧模型上堆参数。

发布会上的演示里最让我震惊的不是它写代码有多快，而是它处理一个跨 50 多个文件的重构任务时，能清楚地记得自己改到哪一步了，哪些测试还没跑，哪些模块之间存在循环依赖。这种能力靠的是几个底层变化：一是上下文窗口大幅扩展，发布会提到 Sol 支持最高 2M token 级别的输入，虽然实际使用中不可能每次都喂满，但至少给了长任务足够的“记忆空间”；二是输出长度提升到更高的上限，对于生成完整文档、整仓重构、批量生成测试这类需求非常关键；三是推理过程更可控，你可以自己选择思考深度。

Sol 的另一个特点是工具调用和结构化输出不再是“附加功能”，而是默认能力。开发者在用 Responses API 的时候，可以把函数定义、结构化输出约束、上下文缓存直接当成一等公民来用，而不是像以前那样需要额外包一层解析逻辑。

2.2 调用方式和几个关键参数

我测试时用的是官方 Python SDK，整体 API 风格延续了之前 Responses API 的设计，核心是client.responses.create。下面这个示例可以跑通最基础的“带工具调用”的请求：

from openai import OpenAI client = OpenAI() response = client.responses.create( model="gpt-6.1-sol", input="检查 src/main.py 里的错误处理逻辑，并给出重构建议", reasoning={ "effort": "medium" }, tools=[ { "type": "function", "name": "read_file", "parameters": { "type": "object", "properties": { "path": {"type": "string"} }, "required": ["path"] } } ], tool_choice="auto" )

这个接口第一眼看上去和之前差别不大，但有几个细节需要注意。

第一个是reasoning.effort参数。Sol 支持low、medium、high三档思考强度，也可以针对某些任务单独关掉。实际测试下来，简单问答用low就够，延迟能低不少；涉及多文件修改、架构设计、测试修复这类任务，我建议至少开到medium；真正让人不放心的高风险重构，才需要用high。并不是所有请求都盲目调到high，那样只会增加成本和延迟，并不一定提升效果。

第二个是tool_choice。如果你想让模型必须调用某个工具才能继续，可以写成tool_choice={"type": "function", "name": "search_repo"}；如果希望模型先自主判断，就用"auto"。在编写 agent 时，我习惯对“读取类工具”用auto，对“写入类工具”用更强的约束，避免模型自由发挥乱改代码。

第三个是上下文缓存。Sol 对 prompt caching 的支持又往前走了一步，同一个前缀在短时间内重复请求可以显著降低成本。如果你做的是多轮对话应用，请务必把固定指令、系统提示、文档片段放在 prompt 最前面，因为缓存命中的部分基本都是按前缀计算的。

2.3 成本和缓存：用 API 的人最关心的事

官方在发布材料里没有给出一个绝对意义上的“降价多少”，但把定价变动的逻辑说得很清楚：名义单价和上一代旗舰基本持平，但在同等预算下，Sol 因为输出更高、失败重试更少、缓存命中更友好，实际花销反而有明显下降。

我自己的实测结论是：成本控制的三个杠杆分别是上下文缓存、模型路由和批处理。

上下文缓存方面，我把一份 20 万 token 的项目文档放进固定前缀后，连续做 30 次迭代问答，缓存命中率基本稳定在 85% 以上。假设没有缓存，这 30 次请求光是输入 token 就是一笔不小的开销；有缓存之后，命中部分只要付一个很低的缓存读取价格，整体成本直接差出一个数量级。

模型路由方面，不要所有请求都只打 Sol。简单翻译、标题生成、格式整理这类任务，完全可以用 Sol Mini 来扛。Mini 的能力虽然不及旗舰，但日常琐事绰绰有余，价格和速度都友好很多。

批处理方面，官方明确说 Batch API 的价格仍然是异步任务的大幅折扣。如果你的应用对实时性要求不高，比如夜间数据清洗、批量摘要、日志分类，强烈建议走 batch，省下来的钱能让你多跑几轮评测。

2.4 哪些场景值得立刻迁过去

结合我最近两周的观察，这几个场景是值得立刻尝试迁移到 Sol 的：

第一，超长文档的问答和抽取。以前用 128K 上下文的模型，处理几百页 PDF 需要分块再拼装，麻烦而且容易丢信息。Sol 的大上下文让整篇塞进去成为可能，虽然并发和成本还是要控制，但至少省掉了大量切片逻辑。

第二，多步骤代码重构。让 agent 一次性搞定“改接口、改调用点、改测试、跑测试、修复回归”这种流程，Sol 的稳定性明显比上一代好。它不是一次就能完美跑通，但错得更有逻辑，修正起来也更快。

第三，复杂工具调用的 agent 链路。比如“先查数据库 schema，再写 SQL，再执行，再看结果，再生成报告”这种多步操作，Sol 在中间步骤的选择上更稳，不会动不动就瞎猜工具参数。

第四，批量生成结构化数据。配合结构化输出，把一段非结构化文本转成 JSON 时，字段遗漏和格式漂移的概率低了很多。这块我后面会单独讲。

3. dots：挂在仓库里干活的命令行智能体

3.1 从一次性问答到可持续任务

我在 DevDay 直播里看到 dots 的第一反应是：这不就是一个优化过的命令行编码工具吗？后来仔细玩了测试版，才意识到它的核心价值不在“能写代码”，而在把一次性的问答变成了一个可持续推进的任务系统。

如果你用过 OpenAI 之前的 Codex CLI，会发现 dots 基本上延续了那条产品线的思路，但在任务管理、权限控制、并行执行和 Spaces 集成上做了很大的升级。登录方式也延续了“Sign in with ChatGPT”的体验，终端里跑一句初始化命令，浏览器弹窗授权，ChatGPT 账号身份就绑定了。

dots 的名字很有意思，官方解释是“deep operation task system”的缩写，但我觉得把它理解成“一个个小圆点”更形象：每个任务就是一个点，多个点可以并行，点与点之间可以依赖，最后连成一条完整的开发流水线。

3.2 dots 的核心工作流程

围绕 dots 的工作流，我建议按下面这条链路来走：

1. 初始化项目配置，明确模型、工作目录和权限边界。
2. 用自然语言描述一个任务，最好带验收标准。
3. dots 先生成一个执行计划，列出要读哪些文件、改哪些文件、跑什么命令。
4. 确认计划后，dots 开始自主执行：读取代码、分析、修改、运行测试。
5. 执行结束后生成一份 diff 和总结，等待你 review。
6. 你同意后，dots 提交代码或在 Spaces 里记录任务完成。

这个流程最大的变化是：你不是在跟模型一句一句对话，而是在下一个“工单”。模型拿到工单后自己安排工序，最后交付一个经过验证的结果。

3.3 配置一个真实项目

我拿一个内部后端服务做了测试，项目根目录下放了一个dots.toml配置，内容大致如下：

model = "gpt-6.1-sol" cwd = "." [tools] enabled = ["read", "edit", "run", "git", "test_runner"] [permissions] auto_approve = ["run:test", "git:status", "git:diff"] ask = ["edit:all", "git:commit", "run:install_dependencies"] [spaces] default = "core-service"

这里最关键的是permissions部分。我一开始把edit:all也放进了auto_approve，结果 dots 在重构一个小函数时顺带把我注释里的过期链接给改了。虽然没什么大影响，但那次之后我就学乖了：凡是可能改变代码内容的操作，一律要走 ask 确认；只有查状态、跑测试这类只读或安全命令，才适合自动放行。

配置好之后，实际执行任务用下面的命令：

dots run "修复用户登录接口偶发 500 错误，要求补充至少 3 个回归测试，并在测试全部通过后给出 diff"

dots 会先输出计划。我第一次跑的时候，它计划分四步：定位错误日志、分析 session 处理逻辑、修改异常捕获、补测试。看起来合理，但它在定位阶段其实多读了很多无关文件，浪费了一点上下文。后来我在任务描述里加了限制条件，比如“先搜索 error log，再缩小范围”，执行效率明显更好。

任务跑完后，用dots review看 diff，确认没问题后dots approve提交，或者dots amend "不要改动配置文件的缩进"让它继续调整。这套“下工单-检查-收货”的循环，比我自己打开编辑器一处处改高效很多。

3.4 多智能体和 Spaces 的配合

dots 最有想象力的部分不是单任务执行，而是并行多任务和后台执行。在演示中，一个团队同时跑了三个任务：一个在修登录 bug，一个在整理 API 文档，一个在跑完整的测试矩阵。每个任务都挂在同一个 Spaces 下面，状态透明、结果集中。

我在测试环境里也试着同时开了两个 dots 任务，一个改前端组件，一个改后端接口。因为它们操作的文件不重叠，所以没有产生明显冲突；但如果你硬让两个任务同时改同一个模块，那是会出问题的。官网文档里也强调，并行任务建议按模块拆分，而不是按功能交叉拆分。

dots 和 Spaces 绑定的价值在于：只要你在配置里写了[spaces] default = "core-service"，dots 执行过程中的计划、改动、测试结果都会同步到对应的 ChatGPT Space 里。不写代码的同事也能在网页端看到进度，甚至直接在 Spaces 里评论某一步处理得不对。这个协作体验，比我之前“把终端输出复制到群里”的土办法强太多了。

3.5 常用命令速查

日常用 dots 的话，这几个命令基本覆盖 80% 的操作：

小技巧：普通的--help能看到更细的参数，比如dots run --model gpt-6.1-sol-mini可以用轻量模型跑一些简单任务，省 token 也省时间。

4. ChatGPT Spaces：让团队和模型共享同一个“项目现场”

4.1 为什么聊天窗口不够用了

我相信每个用 ChatGPT 做正经项目的人都有过这种经历：一个话题聊了几十轮，上下文越来越长，模型开始忘记前面讨论过的结论；团队同事加入协作时，又看不到之前那些关键决策；代码片段、配置文件、测试结果散落在不同对话里，根本找不到。问题不是模型能力不够，而是上下文没有一个稳定的载体。

ChatGPT Spaces 想解决的就是这件事。它把人工智能的交互单位从“对话”升级成“空间”，一个空间里可以有多个会话、多个文件、多个 agent 任务、多个成员。空间本身是持久的，你关掉浏览器再打开，它还在那里；你在空间里记录过的结论，下次对话可以直接引用。简单理解，它就是把聊天的临时记忆变成了项目组的长期档案。

4.2 Spaces 的权限、文件和工具绑定

Spaces 在权限上做了比较完整的模型，我整理了一下：

文件方面，Spaces 支持直接把代码仓库、PDF、表格、图片挂进去。挂在空间里的文件会成为所有会话共享的上下文，dots 任务也可以读取。和普通网盘不一样的地方在于，文件与对话是关联的：你在某个会话里讨论过一份设计文档，这个讨论记录会留下标记，之后任何成员打开这份文档都能看到相关讨论。

工具绑定是 Spaces 的另一个特色。你可以在空间级别统一配置工具，比如网页搜索、代码解释器、图片生成、dots agent。配置之后，空间里所有会话都能调用这些工具，不需要每个会话重新开权限。企业版还支持审批工作流，比如“dots 要执行 git commit 时必须由指定成员批准”，这对合规要求高的团队很友好。

4.3 一个团队空间是怎么搭起来的

我按自己的实际流程告诉你一个最简单的搭法。

第一步，在 ChatGPT 界面里点“New Space”，填项目名。比如我们的后端服务项目叫core-service，我直接用了这个名称。

第二步，选模板。官方提供了不少模板，比如“软件开发”、“内容协作”、“数据分析”、“项目管理”等。选“软件开发”之后，空间会自动预置一些代码相关的工具绑定和提示词模板，比如代码评审列表、Bug 复现模板，省得自己从零写。

第三步，添加成员。把团队成员的邮箱填进去，分配角色。我一般把核心开发设成 Editor，产品和测试设成 Commenter，外部顾问设成 Viewer。

第四步，挂文件。把代码仓库的只读路径、需求文档、架构图传到空间。如果你用的是企业版，可以直接配置仓库同步，不需要手动上传快照。

第五步，绑定 dots。在空间设置里添加 dots agent，允许它在空间里创建任务并写回状态。之后团队成员可以直接在空间里输入“帮我看看订单模块最近的改动有没有问题”，dots 就会在后台跑起来。

这套配置两个小时搞定。真正用起来之后，最大的感受是“上下文终于不再断了”。昨天讨论的结论，今天新加入的同事能直接看到；dots 跑出来的测试报告，所有人能第一时间确认。这个体验，比之前在聊天记录里翻半天不知道谁说了什么，舒服太多。

5. 另外几个值得放进雷达的更新

5.1 API、Realtime 与推理服务

这次发布里，API 的更新占了很大比例。Responses API 扩展成了更完整的统一接口，函数调用、结构化输出、上下文缓存、截断策略都整合在里面，用一个 endpoint 就能覆盖绝大多数场景。

Realtime API 2.0 也是重点之一。新版支持更低延迟的语音到语音交互，并且能把工具调用和实时音频流放在同一条链路里。对语音客服、同声传译、会议纪要这类应用来说，是一条直接可用的通路。我还没在生产环境接进去，但看了演示，语音打断、语气识别、边听边写摘要这些能力确实比上一代自然很多。

另一个容易被忽视的是批处理和评估。Batch API 的价格优势依然在，适合异步数据处理。Evaluation 套件则能把你的人工测评用例沉淀下来，每次模型更新后自动跑一遍回归，防止“这版分数高但实际项目表现倒退”的情况。

5.2 模型家族的扩展：不是只有一颗“Sol”

如果你以为 Open AI 这次只发布了一个模型，那就理解窄了。GPT-6.1 Sol 是一个家族，最低有Sol Mini，中间是标准Sol，最高还有Sol Think。Sol Mini 主打低延迟、低成本；Sol Think 主打超长推理和复杂数学、代码推导；标准 Sol 则是默认选择，在质量、速度、成本之间取平衡。

这种分层对实际项目很重要。你可以让 Sol Mini 处理日常客服、摘要、分类，让标准 Sol 处理代码开发和数据分析，让 Sol Think 去解那种需要几十分钟深度思考的科研问题。我在自己的应用里已经切了一部分流量到 Mini，结论是“简单任务别杀鸡用牛刀”，成本立刻降了一块。

5.3 创意生成和开源动向

DevDay 上还有一个名字跟 dots 一起频繁出现，叫Muse。它被定位成面向创意工作流的生成模型，覆盖音频、图像和多媒体内容的生成与编辑。和 dots 并列出现是有意的：写代码的是 agent，做内容创作的也可以是 agent。对内容团队来说，Muse 加上 Spaces，可以直接搭一条“选题、生成、审阅、发布”的流水线。

另外，OpenAI 这次还在开发者体验上做了不少开源和工具链层面的投入。新版 SDK、CLI 工具、调试可视化器都开放下载，社区的 sample 和模板也更多了。虽然这些不是“炸场级”发布，但对真正在工程化的人来讲，能明显感觉到“为开发者服务”这部分的投入正在变大。

6. 从试用走向生产：几个真实踩坑记录

6.1 迁移 GPT-6.1 Sol 时的兼容性问题

第一次把生产流量从旧模型切到 Sol 时，我遇到的最直接问题是模型名称和接口参数的差异。旧代码里写死的模型名要批量替换，某些老参数在 Sol 里已经被标记为弃用，继续传虽然不报错，但会影响响应格式。

我的建议是先用一个影子环境跑一周，把所有调用记录下来，比较新旧模型在相同输入下的输出是否符合预期。不要指望一次切换就全量放量，稳妥的方式是：5% 流量切过去，观察错误率和用户反馈，确认没问题后再逐渐加到 50%、100%。

另一个坑是输出格式。Sol 的最终回答更擅长走结构化输出，但如果你还在用老式system prompt + JSON 解析的方式，很容易出现字段格式漂移。尽量改成官方结构化输出接口，把 JSON Schema 直接传进去，让模型在约束下生成，能省掉很多解析层的纠错代码。

6.2 被 429 教育之后：限流与重试

新版模型上线后，大家第一反应就是疯狂压测，结果我的账号在高峰期被 429 限流教育了一顿。限流机制本身不分新旧模型，但 Sol 的上下文窗口大了，每次请求的 token 消耗也大，配额消耗速度肉眼可见地加快。

经验总结下来有三条：

第一，必须做指数退避重试。429 或者 5xx 的时候，不要立刻重试，先等一下，退避时间从 1 秒开始，按倍数增长，最多不要超过 30 秒。

第二，不要把高并发请求全部打到旗舰模型上。能走 Mini 的走 Mini，能走 batch 的走 batch，把实时交互通道尽量留给真正的用户请求。

第三，设置预算警报。平台支持按项目和 API key 设置预算上限，超过阈值自动告警。我建议在生产环境上线前就配好，不然后面账单出来会很难受。

6.3 安全基线：别把密钥放进对话和任务描述里

这一点属于听起来老生常谈、但很容易踩的坑。因为 dots 和 Spaces 大大提高了协作效率，团队成员可能顺手就把带访问令牌的配置文件、内部文档直接传到了空间里，或者在任务描述里让 agent “读取某个云的密钥文件并输出”。

我的安全基线很简单：

• 不要在 ChatGPT、dots 或 Spaces 里粘贴任何有实际权限的访问密钥。即使空间是私密的，也尽量用临时令牌，或者走平台提供的密钥托管能力。
• 给 dots 配置权限时遵循最小权限原则。只给它读需要的目录，只放行必要的命令，auto_approve的清单越短越好。
• 定期检查 Spaces 里的文件和任务日志，及时删除不再需要的敏感文档。团队协作越便利，越需要有人专门盯权限。

这次 DevDay 官方也在安全发布里强调了日志脱敏、密钥托管和零保留模式，但我始终觉得：工具提供再多防护，也比不上使用者自己想清楚“什么东西不该放进上下文”。

6.4 上下文越滚越大，怎么控制成本

Sol 支持大上下文，但大上下文是有代价的。如果你把一个 Spaces 里没完没了的内容全部塞进每次请求，成本会很难看。我用的办法是分三层：

第一层，全局系统提示放最精简的团队规范，不超过 50 行。第二层，项目级上下文放架构说明、接口文档、代码风格规范，这部分固定前缀走缓存。第三层，任务级上下文只在当次请求里带上，任务结束就清掉。

实际跑下来，这个三层结构让每次请求的输入 token 少了很多，缓存命中率也更高。别以为模型能读 2M token 就什么都往里扔，上下文越大，推理延迟和账单增长是双重的。控制上下文，既是成本问题，也是性能问题。

7. 我用下来最想留住的几个“土办法”

最后分享几个我这两周高强度使用下来，特别想留下来的习惯。

第一个是给任务描述加验收清单。不管是给 dots 下命令，还是建 Space 时写模板，我都要求写清楚“什么算完成”。比如“修复登录报错，必须补 3 个测试，并且原有 100 个测试不能失败”。模型在有明确验收标准时，执行质量会高很多，因为它的自我检查有依据。

第二个是把 dots 的执行日志当成团队资产。以前我们都关注代码提交记录，很少关注“代码是怎么被改出来的”。dots 留下的日志里包含任务计划、读取过的文件、尝试过的方案、中途踩到的坑，这些信息对后来接手项目的人非常有价值。我现在要求团队成员在 code review 时顺带瞄一眼 dots 日志，很多“为什么这么改”的问题在里面能找到答案。

第三个是先跑一个很小的试点。别看完发布会就立刻把全公司所有项目迁到新模型、新 agent、新空间上。选一个内部小项目，让一两个熟悉的人用两周，记录问题，形成一套自己的使用规范，再逐步扩大范围。我这次就是从一个小模块开始的，遇到的问题也都还能控制，不会影响到核心业务。

DevDay 2026 的发布内容看起来很多很散，但落到实际项目里其实就是一件事：能不能让模型在一个有上下文、有工具、有协作关系的环境里持续产出价值。GPT-6.1 Sol 提供了更强的执行底座，dots 把手伸到了代码仓库，ChatGPT Spaces 把人和 agent 的协作关系沉淀了下来。下一步要做的，就是挑一个小项目，把这套组合真正跑起来。