企业官网建设流程全解析

坐了一整天，把 OpenAI DevDay 2026 从头到尾看完了。说实话，今年最大的感受不是某个模型参数又翻了几倍，而是他们终于把"开发者"当成第一主角来对待。整场发布会节奏很快，20 多个发布排得满满当当，但真正让我反复回看的，是 dots、ChatGPT Spaces、GPT-6.1 Sol 这三样东西。这篇文章我就以自己的视角，把这次发布会的重点内容、我上手实测后的真实体验，以及一些容易踩的坑，一次性说清楚。

如果你是做 AI 应用开发的工程师、在团队里负责 AI 落地立项的产品经理，或者单纯对下一代模型能力好奇的爱好者，这篇文章应该能帮你快速判断：哪些东西值得现在就上手，哪些可以再观望一阵。

1. 发布会整体观感：20+ 项发布背后的三条主线

1.1 从"发模型"到"发工作流"

过去几届 DevDay，大家最关心的永远是"新模型有多强、跑分多少、上下文多长"。今年当然也发布了 GPT-6.1 Sol，但整场看下来，OpenAI 明显把重心从单点能力转向了"完整工作流"。以前是给你一把更好的锤子，现在是把钉子和锤子打包，甚至帮你画好了一条线，让你知道往哪儿敲。

这个转变在发布顺序上特别明显。上午开场放的是 ChatGPT Spaces 的产品演示，紧接着是 dots 与 Codex CLI 的联动，最后才轮到 GPT-6.1 Sol 压轴。这个编排是有意的：先告诉开发者"以后你会在什么环境里写代码、怎么和 AI 协作"，再告诉你"底层模型变成了什么样"。说白了，就是要让大家意识到，模型是地基，但真正决定产出效率的是上面那层工具链。

1.2 模型、工具、空间的三层联动

我把这次发布的逻辑拆成了三层：

• 模型层：GPT-6.1 Sol 作为新一代旗舰，强化了工具调用、长任务执行和跨模态理解。
• 工具层：dots 提供了一种全新的"代码内交互标记"方式，让开发者能在大段代码里精确指定 AI 的关注范围。
• 空间层：ChatGPT Spaces 把对话、文件、代码、运行环境封装成一个个独立工作区，让 AI 协作从"聊天"升级为"项目制"。

这三层不是割裂的，而是同一套思路的递进。过去我们在 ChatGPT 里开一个对话，聊着聊着就乱了，代码、文档、问题混杂在一起；现在用 Spaces 把项目隔离，再借助 dots 让 Codex 精准理解修改意图，最后交给 GPT-6.1 Sol 去执行，整个链路非常顺。这也是为什么我标题里强调"集中亮相"——这三样东西单独拎出来都挺能打，但合在一起才是这次发布会的真正杀伤力。

1.3 哪些发布是"为了让开发者赚钱"的

20 多项发布里，有一部分是 SDK、API 定价和评估工具层面的更新，明显是为了降低开发者把 AI 接入生产环境的成本。比如新的模型网关支持多供应商路由，又比如 Fine-tuning 的批次任务价格下调。这些东西不像新模型那么抢眼，但对实际落地 ROI 影响很大。我自己的判断是，OpenAI 正在从"卖 API 调用次数"转向"卖一套能让你持续迭代的开发者平台"，谁在这个平台上做出产品，谁就能赚到钱，而平台本身则靠生态黏性获利。

2. GPT-6.1 Sol：新旗舰模型的"工具原生"进化

2.1 架构与规模：不是简单的堆参数

GPT-6.1 Sol 在各路流出的跑分里确实很漂亮，但更值得关注的不是分数，而是它的设计哲学。按照发布会上的技术说明，Sol 采用了类似"多专家混合 + 动态路由"的架构，同时引入了一个细粒度的工具调用规划层。你可以把它理解成：模型本身不是对所有任务一视同仁地用一个巨大的前向传播来推理，而是先判断这个任务需要哪些子能力，再激活对应的专家模块。这个设计让它在执行包含多个步骤的任务时，不会因为参数规模太大而变得迟钝。

不过按我的经验，跑分只能参考。真正上手之后，Sol 最明显的变化是"知道自己什么时候该查资料、什么时候该写代码、什么时候该问人"。以前模型经常试图直接编一个答案，现在它会主动表达"这里我需要看下仓库里的某个文件"或"这个 API 的返回结构我没把握，建议你确认一下"。这种不确定性表达，对开发者来说反而比假装自信更有用。

2.2 原生工具调用与智能体循环

Sol 这次把工具调用从"外部插件"变成了"内建能力"。它支持在一个推理周期内同时规划多个工具调用，并且能根据中间结果动态调整计划。打个比方，以前模型用工具像一个人先查一个词，再查另一个词，每一步都要回到大脑重新思考；现在则更像一个熟练的工程师，手边有电话、有电脑、有资料夹，可以一边打电话一边翻资料，还能随时把手上的活儿调整优先级。

在实际演示中，Sol 处理了一个跨文件重构任务：先读取主模块的接口定义，调动 grep 工具搜索所有调用点，再批量生成修改建议，最后自动运行测试并反馈失败信息。整个过程里模型能记住哪些文件已经看过、哪些测试还没跑，不需要开发者反复提醒。这种"智能体闭环"的能力，才是它和上一代最大的分水岭。

2.3 上下文、多模态与长任务耐力

上下文长度这次官方给的是 2M tokens，但比长度更重要的是"长上下文下的注意力质量"。我之前用长上下文模型经常遇到一个问题：前面的关键信息会被后面的大量内容挤掉，就像人在看长文档时翻到后面忘了前面。Sol 引入了一个新的"关键信息锚定"机制，会主动把前面提到的核心约束（比如代码风格、用户需求）标记出来，并在后续生成中反复引用。

多模态方面，Sol 支持图像、图表和代码文件混合输入。我在测试时给了一张架构图，让它生成对应的数据库 schema，理解准确率比之前明显高。另外它对音频输入的处理也增强了，可以直接把会议录音转成行动清单并关联到相关代码仓库。这些能力本质上是把"人能理解的信息形态"进一步拓宽，也让开发者少做很多中间整理工作。

2.4 价格与接入方式

新的 GPT-6.1 Sol API 定价比上一代旗舰略高，但考虑到它能在一次请求中完成更多工作，实际单位任务的成本反而可能下降。接入方式基本兼容现有 Chat Completions 接口，只需要把模型名改成gpt-6.1-sol，很多应用不需要改代码。但如果你想发挥它的完整能力，建议还是用新的 Responses API，因为工具调用和状态管理在那边支持得更完善。

3. dots：让 AI 精确"看到"你指的代码位置

3.1 dots 到底是什么

dots 是这次发布会里我最喜欢的一个工具，没有之一。简单说，它是一套内联标记系统，允许你在代码库的任意位置打上"点"（dot），从而把 AI 的注意力锁定到你关心的那几行代码上。

听起来很简单，但用过 Codex CLI 的人都知道，之前和 AI 协作最大的痛点就是"它找不到我真正想改的地方"。你可以用自然语言描述"把第 42 行附近的错误处理改一下"，但模型可能会因为对代码上下文的理解偏差，改到别的地方去。dots 解决的就是这个问题：你在编辑器里直接标记，AI 就能把标记位置当作任务的精确坐标。

3.2 dots 的典型使用流程

我实际试下来，dots 的流程非常顺。假设你要在一个 Python 服务里调整登录逻辑：

第一步，在代码里添加一个 dot 标记：

# @dot("app/auth.py:42") # 目的：修改登录失败时的重试策略 async def login(request): ...

第二步，在 Codex CLI 里输入你的需求：

codex "根据 auth.py:42 这个 dot，调整重试次数为 3 次，并补充单元测试"

Codex 会读取 dot 标记附近的代码，并且自动拉取相关的测试文件，生成修改方案。你确认后，它会把改动直接落实到文件里。

第三步，如果你想标记一个跨文件的改动范围，可以连续打多个 dot：

# @dot("app/auth.py:42") # @dot("app/quota.py:8")

Codex 会把这两个位置串联起来理解，比如自动识别"它们都在同一个用户请求生命周期里"，然后给出整体性修改建议。这个"跨文件串联"的能力，是 dots 和普通注释的本质区别。

3.3 背后原理与使用场景

dots 听起来像一个轻量功能，但实现起来并不简单。它需要模型在代码索引阶段就把这些标记解析为图结构，同时还要理解注释里的"目的"字段。从产品层面看，dots 非常适合三个场景：

• 大型旧项目：代码动辄几十万行，让 AI 自己大海捞针不如直接告诉它坐标。
• 代码评审：你可以在 review 时用 dots 标出问题区域，让 AI 帮你生成修改建议。
• 多文件重构：把关键入口和出口都打上点，AI 就能全局理解你的重构意图。

3.4 与 Codex CLI 的结合

这次的@openai/codex更新干脆把 dots 做进了命令行代理。安装方式依然是 npm 全局安装：

npm install -g @openai/codex

装上之后，Codex CLI 会自动识别仓库里的 dot 标记，并且在对话开始时汇总所有标记的位置和目的。我就发现一个小坑：如果标记里有中文"目的"字段，老版本需要设置CODXE_MULTILANG=1才能正常解析。不过 DevDay 之后的最新版已经默认支持多语言注释了，不需要再手动配。

4. ChatGPT Spaces：把对话装进"项目容器"

4.1 为什么需要 Spaces

经常用 ChatGPT 写代码、写文档的人应该都有过这种体验：一个对话里既聊了需求、又贴了几张截图，还写了代码，最后想回去找某个结论时，整屏都是混乱的。Spaces 的出现就是治这个病的。

你可以把 Spaces 理解成"ChatGPT 版的项目文件夹"。每个 Space 都有独立的对话历史、文件附件、代码片段、运行环境和成员权限。它不是简单地把聊天记录分组，而是把上下文彻底隔离。比如你同时做"公司官网重构"和"个人博客迁移"两个项目，在 Web 端左侧栏建两个 Space，两者之间的对话、文件、工具调用完全互不干扰。

4.2 创建与管理 Spaces：多项目隔离与共享

创建一个 Space 基本没有门槛。在 ChatGPT 首页点击"新建空间"，输入名称和描述即可。每个 Space 可以设置自己的系统提示词，这样就不用每次对话都重复交代背景。

权限模型这次做得比较完善。Space 有 Owner、Editor、Viewer 三种角色。Owner 能管理成员和删除空间；Editor 可以创建新的对话、上传文件、启动代码执行环境；Viewer 只能查看已有内容，不能发起新的任务。这个设计对团队协作特别友好——你可以把一个 Space 分享给同事，但不必担心他们乱改你的系统提示词。

在 API 层面，Spaces 也开放了接口。你可以通过spaces.create创建一个空间，然后在里面跑模型调用，所有调用记录都会归集到该 Space 下。这意味着第三方应用可以基于 Spaces 构建"客户级隔离"的 AI 工作台，每个客户的数据和对话历史都锁在独立空间里。

4.3 团队协作中的实际效果

我拉了一个小团队实测 Spaces 的协作场景。我们把一个 Django 项目的需求文档、设计稿、Bug 列表都放进了同一个 Space，每个人都以 Editor 身份加入。效果非常明显：原来我们开会要同步大量上下文，现在只需要把相关对话链接发出来，新加入的同事点进去就能看到完整脉络。

最厉害的是 Spase 内的"运行环境"。它支持直接启动一个临时的 Jupyter 或 Codex 环境，团队成员可以共享同一个运行上下文。这意味着你可以让 AI 在 Space 里改代码，同事立刻看到改动结果，而不需要各自在本地折腾环境。当然，这也有个安全边界问题：Space 内的代码执行是沙箱化的，默认不能访问本地文件系统。

4.4 Spaces 的下一个想象空间

从这次发布的 roadmap 来看，Spaces 未来可能会接入更多第三方工具，比如 GitHub 仓库同步、Slack 通知、甚至 Notion 双向同步。到时候团队协作的形态可能会变成：所有 AI 相关的工作都在 Spaces 里完成，然后通过 API 把结果同步回原来的系统。这其实是 OpenAI 想成为"项目层操作系统"的信号，值得所有开发团队关注。

5. 除了三件套，还有哪些更新值得动手试试

5.1 API 平台与模型网关

DevDay 上发布了新的openai.gateway服务，允许你在一个接口下管理多个模型供应商的调用。这个网关支持把请求自动路由到不同模型（包括 Anthropic、Google 的模型），还内置了失败回退和成本预算控制。对于不想被单一厂商绑定的团队来说，这是个好消息。而且它仍然是 OpenAI 风格的 API 格式，迁移成本很低。

5.2 实时 API 和语音能力的升级

实时语音这次推出了新的低延迟模式，端到端延迟控制在 300 毫秒左右。现场演示里，AI 能一边听你说话一边查看你共享的屏幕内容并给出建议，反应速度几乎接近真人。另外新增了"语音自定义"选项，你可以通过 30 秒的样本克隆自己的音色，用于客服机器人或语音助手。

5.3 安全、评估与数据治理的新工具

这可能是企业采购最关心的一部分。OpenAI 推出了一套新的评估平台（Evaluation Studio），可以自动生成针对性测试集，追踪模型在敏感话题上的表现。同时出了一个"数据隔离"选项，支持将企业数据保留在指定区域内处理。这些功能对于金融、医疗等强监管行业非常重要，也让开发者在向组织内部推广时更有底气。

6. 实操心得：从 DevDay 发布会到我的工作流

6.1 迁移到新模型的三个建议

如果你们团队已经在用之前的 GPT-6 或 GPT-5 系列，我建议先做三件事：

• 建立差异型测试集：不要直接拿全部流量切到 Sol，先准备 50 个典型任务，同时跑新旧模型，对比输出质量。
• 重新设计系统提示词：Sol 对工具调用的自主性更强，旧的"一步一步思考"提示可能反而会限制它。可以试试用更简洁的目标导向提示，比如"你需要修改这个文件，先阅读相关 dot，然后自己决定用什么工具检查测试"。
• 监控工具调用频率：Sol 的 agent 能力会导致 API 消耗 token 变多，因为它在内部会多次调用工具。记得在仪表盘上按"思考token/工具调用token/输出token"分项追踪成本。

6.2 组合工作流示例

我目前最推荐的一套工作流长这样：

• 在 ChatGPT Spaces 里新建项目工作区，把需求文档和架构图传进去。
• 在代码仓库里用 dots 标记关键变更点。
• 通过 Codex CLI 连接 Space，直接对 Codex 说"读取这个 Space 的需求文档，然后结合仓库里的 dots 完成重构"。
• Codex 会自动把产出上传到 Space，团队成员在容器里跑测试、看结果。

这套组合拳的好处是：上下文不会丢、权限可控、结果可追溯。所有决策过程都集中在 Spaces 里，新成员接手时不用再翻几十个聊天记录。

6.3 几个容易踩的坑

dots 标记别打太多。我一开始为了追求精确，在一个文件里打了七八个 dot，结果 Codex 反而变得过于关注局部，忽略了整体逻辑。后来发现，核心入口和出口各打一个点就够了，中间过程让模型自己读代码。

Spaces 的系统提示词不要设得太长。我试过写一个 2000 字的系统提示词，结果每次开头都要消耗大量 token，而且模型对提示词的遵从度反而下降。现在只保留了项目目标和三条核心约束，效果更好。

千万不要在本地生产环境直接跑 Sol 的 agent 模式。虽然它能力很强，但在执行代码重构时可能会意外改动你不想动的文件。一定要先在 Spaces 的沙箱环境里跑通，再同步到本地仓库。DevDay 现场也强调了这一点：默认情况下，Codex 的写操作需要你批准后才执行，不要为了省事把它关掉。

最后再分享一个小技巧：如果你在用 GitHub，可以试试在 PR 描述里加上@dot标记的链接，Codex CLI 会自动把这些链接识别为待处理的任务。这个功能官方文档里写得很隐蔽，我也是折腾了好久才发现。用它来管理 AI 生成的代码变更，整个 review 流程会清爽很多。

这次 DevDay 发布的内容信息量很大，但真正好的工具不是功能越多越好，而是能让人忘了工具本身、专注于手头的问题。dots、Spaces 和 GPT-6.1 Sol 给我的感觉就是，它们开始认真对待"开发者在真实工作流中的痛苦"了。建议大家都去亲手试一下，不要只看演示视频。