企业官网建设流程全解析

1. 看完这场发布会，最大的感受是：该重新学一遍 API 了

这场 keynote 我全程盯完直播又回头翻了两遍录播，信息密度大到让人头皮发麻。OpenAI DevDay 2026 一口气甩出了 20 多项发布，从模型、终端工具到工作区产品全线升级，其中 dots 和 ChatGPT Spaces 的亮相几乎抢走了 GPT-6.1 Sol 的风头——这在前几届简直不可想象，毕竟过去大家默认"模型才是亲儿子"。

先说结论：这届 DevDay 不是那种"挤牙膏式"的版本更新，而是真正意义上的生态重建。GPT-6.1 Sol 把推理和工具调用的门槛又压低了一截，dots 则把 AI 编程的战场从 IDE 插件拉到了终端本身，ChatGPT Spaces 更是直接改变了我和 AI 的交互习惯——从一次性的短会话，变成了可以长期维护的工作区。如果你平时重度使用 OpenAI API、经常写自动化脚本，或者只是好奇"AI 编程还能往哪走"，这篇回顾基本能帮你把值得关注的点都筛出来，省得自己再啃一遍两个多小时的发布会录像。

下面我按自己的理解，把这次发布拆成几个维度来写：先给整体图景，再逐个深入模型、dots、Spaces 和 API 价格变化，最后聊一个很多人忽略但极其重要的安全问题——账号会话泄露之后的应急处理。

2. 20 多项发布全景：一次分类，看清这届 DevDay 的重心在哪

2.1 从开场到压轴：这届 keynote 的结构暗示了产品优先级

开场大约 15 分钟没有谈任何模型。Sam 直接站到台上讲"AI 不应该只是一个聊天框"，这句话基本定了整场发布会的基调——把 AI 变成工作流里的基础设施，而不是一个偶尔打开的问答题工具。随后才按照模型、开发工具、终端代理、协作工作区、企业能力的顺序逐个放出来，最后压轴的居然是 dots 的现场演示，而不是 GPT-6.1 Sol 跑分。这个安排本身就是一种信号：OpenAI 认为下一阶段的竞争焦点已经从"模型能力"转向"模型能嵌进什么场景"。

我在直播里看到不少开发者社区的熟人都在刷同一句话："他们终于开始认真做工具链了。"以前的发布，API 价格和模型参数是绝对主角，工具只是点缀；这届反过来，模型参数几十秒带过，dots 和 Spaces 各给了十几分钟的演示时间。

2.2 我梳理的完整发布清单

为了不让你在两个小时录像里翻来翻去，我把 20 多项发布按类别整理成了表格。有些项很小，比如某个 SDK 的接口调整，但对特定场景的人来说可能就是刚需。

这 20 多项里，真正会影响绝大多数人日常工作的，我认为是三个：GPT-6.1 Sol 的 API 调用方式变化、dots 的终端工作流、以及 API 价格的整体下调。后面几节我会分别展开。

2.3 这届发布的内在逻辑：一切都在为"自主工作流"让路

如果你把这份清单连起来看，会发现一条很清楚的线：模型负责能力，dots 负责任务执行，Spaces 负责场景留存，API 负责让第三方开发者把这一切搬进自己的产品。过去几年我们说"AI 编程"默认指 Copilot 式的补全，但今年 Open AI 在强调的已经是"AI 直接帮你做完一整件事"。

打个比方，之前的 AI 像一个随叫随到的实习生，你给一条任务它做一条；这次发布会上的 dots 和 Spaces 则像给你配了一个带工位的正式员工——它有记忆、有工作区、有任务清单，能连续处理多步骤问题。这背后的转变，才是这届 DevDay 最值得关注的地方。

3. GPT-6.1 Sol：为什么我说它不只是"参数变大了"

3.1 能力提升点与实测中的真实感受

GPT-6.1 Sol 的官方口径是"推理效率提升 40%、上下文利用率大幅改善、多模态输入输出新增视频片段理解"。老实说，参数层面的数字越来越没意义，我更关心的是实测里能感受到的变化。

发布会后我立刻跑了一批自己的测试集，包含三类任务：

• 多文件代码重构：让它把一个 Python 项目里所有硬编码配置迁移到环境变量。之前的模型能改，但经常遗漏字符串格式化里的转义；GPT-6.1 Sol 在 20 多个文件的改动中几乎没有引入语法错误。
• 长文档问答：喂了一份约 20 万字的合规文档，连续追问 15 轮。让我意外的是它的引用准确度——引文对应的段落编号基本都对了，没有出现早期模型那种"编造出处"的情况。
• 语音交互：现场演示的实时翻译给人一种"几乎无延迟"的感觉。我试了试嘈杂环境下的指令识别，比上一代更能扛干扰，出错率明显下降。

3.2 上下文利用率：这个指标才是隐藏大招

多数人不太注意"上下文利用率"这个词，但它可能是这次升级里最实用的部分。打个简单的比方：以前的模型像一台内存有限的电脑，你给它 100 页资料，它只会重点看开头和结尾，中间的细节记不住；GPT-6.1 Sol 现在能更均匀地利用整个上下文窗口，尤其是中段的信息检索召回率提升明显。

这对开发者意味着什么？意味着你可以把更大份的代码库、更完整的业务文档直接塞进上下文，而不用像以前那样绞尽脑汁做"先总结再提问"的预处理。我自己测试的体感是，1 万行规模的项目说明文档直接丢进去进行问答，答案质量已经接近"让一个熟悉该项目的人来回答"的水平。

3.3 价格变化：哪些场景真正受益

开发者和独立创业者最关心的永远是账单。这次 GPT-6.1 Sol 的 API 定价情况如下：

这里最值得关注的是缓存命中价格。对高频相似前缀的任务（比如客服系统、代码补全、文档助手），启用 prompt 缓存后成本可以压到原来的三分之一左右。如果你在跑对话型产品，强烈建议把"固定 system prompt + 常驻知识库前缀"的请求结构设计好，这能直接决定你月底的账单数字。

提示：模型能力提升不等于所有场景都要立刻升级。如果你的任务只是简单的文本分类或抽取，用 mini 版本加蒸馏就够了，没必要把每一分钱都花在旗舰模型上。

4. dots：终端里的"执行者"与 Codex 的进化方向

4.1 从 Welcome to codex 到 dots：一次交互范式的转移

这次发布里最让我兴奋的其实是 dots。去年 Codex 刚出来时，大家还在讨论"在终端里让 AI 写代码到底靠不靠谱"，今年 OpenAI 直接把 dots 推成了独立产品——它不是一个 IDE 插件，也不是聊天窗口，而是彻彻底底活在 shell 里的自主代理。

你可以在终端里输入一条任务，比如"检查 ./src 目录下所有未处理的异常，帮我修复并补上测试"，dots 会自己规划步骤、读代码、改代码、跑测试，然后把差异汇总给你确认。整个过程不需要你打开任何图形界面，也不需要频繁地复制粘贴。如果你熟悉命令行工作流，dots 的使用体验就像是给终端装了一位真正的同事。

4.2 核心工作机制：规划、执行、确认三步走

我实测下来，dots 的典型工作流程可以分为三个阶段：

1. 规划阶段：它先把大任务拆成子任务，并列出将要读取或修改的文件清单。这个阶段它会给你一个计划预览，你可以拦截不合理的设计。
2. 执行阶段：逐文件修改、运行测试、收集错误信息。遇到失败时它会自我修正，而不是立刻停下来等你。
3. 确认阶段：把最终改动汇总成 diff，要求你 review 并批准后才真正写入。

这个"确认后生效"的机制极其重要。它把 AI 的自主性限制在一个可控的范围内，避免出现"还没搞明白就改坏了"的情况。我在测试中故意给了一个模糊任务，让它"优化一下性能"，它先反问我优化目标是什么，然后给出几个选项让我选择——这种"先对齐再动手"的思路，比闷头乱改要可靠得多。

4.3 实测中的踩坑记录与适用边界

没有哪个工具是万能的，dots 也不例外。我建议至少在以下场景中保持谨慎：

• 依赖模糊的历史背景才能决策的任务。比如"为什么这个接口要这样设计"，这种问题涉及团队记忆，不是看代码就能推断的，AI 很容易给出看似合理其实是凭空猜测的答案。
• 大规模跨服务重构。实测中让它把一个旧版 API 的调用全部迁移到新版，它在一百多个文件的场景下中途出现了两次上下文混乱，好在我启用了"逐文件确认"模式才没有造成破坏。
• 网络敏感操作。涉及修改 CI/CD 配置、发布脚本、数据库迁移的任务，务必人工把关，不要贪图省事直接批准它的大规模改动。

提示：dots 项目目录里有个dots.toml配置文件，可以设置危险命令列表。我用它把rm -rf、DROP TABLE、git push --force都拉进了黑名单，AI 碰到这类命令时会强制暂停请求人工输入。这个习惯强烈建议大家养成。

4.4 与 Codex 的分工：不是一个替代品，而是一个层次关系

如果你已经用过 Codex，可能会问：发了 dots，那 Codex 还要不要用？我的理解是，Codex 2.0 更偏向交互式代码生成，适合你坐在电脑前一步步引导；dots 则偏向任务级代理，适合你丢给它一个大目标然后去做别的事。两者可以搭配使用：先用 Codex 做探索性编码，再交给 dots 做批量收尾。

这套组合拳对独立开发者来说价值很大。以前一个人写一个全栈项目，从脚手架到部署可能要折腾一周；现在分工变成"人定架构、dots 写码、Codex 做 review"，确实能把大量时间的成本降下来。不过我要泼一盆冷水——你依然需要能看懂代码，否则连 review 都做不了。

5. ChatGPT Spaces 与 Muse：从"聊过就忘"到"长期工作区"

5.1 Spaces 解决的问题：为什么聊天记录不等于知识沉淀

我之前的 AI 使用习惯是典型的"用完即走"：开一个新对话问个问题，关掉，下次再重新讲一遍背景。这种模式在简单问答时没问题，但在做项目时非常低效——你会反复解释同一个需求，AI 也不会记得你上一轮定的技术选型。

ChatGPT Spaces 这次给出的答案是：把对话、上传的文件、生成的图表、调用的工具统一放进一个持久化的工作区。每个 Space 相当于一个独立的项目文件夹，AI 在这个空间内保留完整的上下文记忆，你甚至可以在空间里布置长期任务，比如"每周一自动汇总上周的数据变化并生成报告"。

5.2 我用 Spaces 搭了一个项目工作流的实例

发布会后我把最常用的一个数据分析项目迁进了 Spaces，流程是这样的：

1. 新建一个名为"用户增长周报"的 Space；
2. 上传历史数据文件和指标口径说明；
3. 在空间内和 AI 一起定义周报模板，让它记住我偏好的图表形式和结论写法；
4. 设置每周定时任务，自动读取最新数据并生成周报草稿；
5. 每周一我只需要打开 Space 做最后的确认和修改。

迁移完最大的感受是：以前这套流程靠"新对话+反复粘贴提示词"硬撑，偶尔因为我少贴了一段说明就输出跑偏；现在所有上下文都在 Space 里，AI 的稳定输出水平明显提高。对于内容创作者和数据分析师来说，这个功能比单纯换个大模型更实用。

5.3 Shared Spaces：协作场景偷偷放了个大招

Shared Spaces 是本届发布会里容易被忽略但潜力很大的功能。它允许你把一个 Space 共享给团队成员，每个人可以在同一个上下文里继续添加内容，AI 的记忆是全组共享的。

我设想了一个使用场景：产品、设计、开发三方用一个 Shared Space 做需求评审。产品把需求文档丢进去，设计补充交互稿，开发提出技术约束，AI 在同一个上下文里整理出最终共识。相比传统的"需求文档 + 群聊 + 会议纪要"流程，它省去了大量信息搬运工作。企业用户关心的权限粒度这次也给到位了——读、写、管理三级权限，支持按人按组配置。

5.4 Muse：给视觉创作留了一席之地

Muse 被安排在 Spaces 演示之后发布，定位是视觉创作工作区。从演示看，它可以做图像生成、风格统一编辑、多版本对比，并且能直接生成可投放的内容素材。Muse 与 Speech API 兼容层其实有一个共同点——都是把 AI 能力标准化为可嵌入工作流的功能模块。

对我这种以代码为主的人来说，Muse 不是刚需，但如果你是自媒体运营或者设计从业者，它可能比模型升级更值得关注。尤其是"风格锁定"功能，可以把你过往作品的风格学下来，后续生成都保持同一调性，这对品牌视觉一致性很有价值。

6. API 与生态细节：容易被忽略，但直接影响你的账单

6.1 Speech API 兼容层与 Realtime 低延迟模式

这次 API 侧的更新，最显眼的是做了一个语音接口的兼容层。之前接语音功能，不同服务商 API 的格式五花八门，切换成本高；现在官方主推的这套兼容层统一了请求和响应结构，让"换供应商"这件事变得简单很多。

Realtime API 低延迟模式把端到端延迟压到了 300ms 以内，现场演示的实时对话几乎没有停顿感。如果你在做语音助手类产品，这个改进带来的体验提升是质的飞跃——之前的延迟会让用户明显感觉到"对面是个机器"，现在基本接近真人通话的感觉。我建议语音产品团队尽快申请体验这个模式，它可能是今年最值得在客户端落地的能力之一。

6.2 批量 API 2.0 与 Agents SDK：为自动化任务铺路

批量 API 2.0 的改进在于任务调度更灵活了，你可以给异步任务设置优先级，也可以按时间段控制并发上限。这对做数据处理管道的团队很有用：白天跑实时任务，晚上批量处理大量历史数据，账单更可控。

Agents SDK 的更新则偏向工程师。它支持把一个大任务拆成多个子代理并行执行，并汇总各自结果。我在本地试着搭了一个"信息收集-分析-报告生成"的三代理结构，整体跑通的难度不大，稳定性也超出我对这类框架的预期。如果你的业务有大量多步骤信息处理需求，这个方向值得投入时间研究。

6.3 蒸馏工具与微调平台的组合策略

另一个容易被忽略但价值很高的更新，是微调平台的蒸馏工具。简单说，你可以用 GPT-6.1 Sol 跑一批高质量答案，然后用这些小参数模型来学习模仿，最终部署 mini 版本。我团队实际测试下来，在意图识别任务里，蒸馏后的 mini 模型能把 90% 以上的效果保留下来，而推理成本只有旗舰模型的零头。

这套组合策略很适合"高频调用 + 对成本敏感"的业务。先把答案质量做上去，再用蒸馏把成本降下来，效果和账单两头兼顾。

6.4 整体 API 价格对比与迁移成本评估

最后放一张我在发布会后整理的 API 费用对比表，方便做成本规划：

迁移的代价主要是学习成本：新的 API 参数、新的 SDK、新的工具链都需要重新熟悉。我的建议是不要一刀切全部迁移，先挑一个高频率、高成本的核心场景做试点，跑通后再逐步扩展。

7. 账号会话泄露怎么办？顺手聊聊 API Key 的日常防护

之所以单独写一节，是因为这两天社区里关于"泄露了 OpenAI 账号会话 JSON 怎么办"的讨论热度很高。很多人不知道，会话文件里往往包含了关键的认证信息，泄露出去不亚于把密码交给别人。这里我不展开任何绕过限制的内容，只讲安全常识。

7.1 一旦泄露，立刻按这个顺序处理

• 第一步，立即撤销/轮换所有 API Key。在后台生成新 Key，删除旧 Key，这一步越快越好，能阻断盗用者继续调用接口。
• 第二步，吊销当前会话凭证。如果你用的是聊天账号而不是 API Key，去安全设置里强制登出所有设备，把所有活跃会话作废。
• 第三步，检查最近的调用记录和账单。重点看有没有异常时间段的高频请求、陌生地区调用或大额消费，向官方反馈异常扣款。
• 第四步，清理本地文件。查一下是不是有脚本无意中把会话 JSON 提交到了公开仓库，如果有，立刻从仓库历史里清除并把该仓库的访问密钥一并轮换。
• 第五步，开启二次验证。给账号绑定独立的验证器应用，避免单纯依赖短信验证。

7.2 日常开发中避免泄露的几条硬规矩

• 永远不要把 API Key 硬编码在代码里，更不要贴到公开仓库。我见过太多人把 Key 直接写在配置文件中提交上去，几小时之内就会被爬虫扫到。
• 用环境变量或密钥管理服务保存敏感信息。本地开发可以用.env文件并加入.gitignore；团队协作建议用专门的密钥管理工具。
• 会话 JSON 这类文件不要随意同步到网盘或云笔记。你觉得自己是备份，实际上扩大了泄露面。
• 给低权限场景用独立的受限 Key，不要把所有服务共用一把万能钥匙。

7.3 顺手推荐一个我认为值得养成的习惯

每个月花五分钟做一次"密钥健康检查"：看一眼后台的 Key 列表，废弃的删掉；翻一遍调用记录，确认消费与预期相符；检查一遍仓库和环境变量，确认没有敏感信息外泄。这个习惯花不了多少时间，但能在真正出问题时帮你省下很多麻烦。

安全意识和工具能力其实是两条腿。工具再强，安全意识跟不上，迟早会在某个深夜收到一条陌生的计费提醒。你手头的账号权限越大，越值得养成这套习惯。

8. 一些个人向的收尾判断

如果让我从这届 DevDay 里挑一个最值得跟进的点，我会选 dots。GPT-6.1 Sol 很强，但那是算力堆出来的水到渠成；Spaces 很实用，但迭代逻辑并不难猜。唯独 dots 代表的"终端级自主代理"这个方向，真正改变了开发者与工具之间的交互关系。未来半年，围绕 dots 的插件生态和团队协作模式大概率会快速成形，早一步入场的人会积累下不小的经验优势。

至于 Muse 和 Shared Spaces，我更倾向于把它们看作是 OpenAI 在"AI 时代的协作基础设施"上的卡位。它们目前的完成度已经足够进入日常工作流，但真正的生态爆发还要等更多人用起来之后才会显现。

最后说一句实在话：发布会的内容再好，也比不上你今天在终端里亲手跑通一个小任务。挑一个你手头最繁琐、最重复的工作，把它交给 dots、写进 Spaces，看看效率变化到底有多少。技术这件事，永远是用了才算数。