企业官网建设流程全解析

OpenAI DevDay 2026 结束快一周了，我这两天把线上回放又过了一遍，也和几个去旧金山现场的同事对了笔记。先说结论：这场会的关键词不是“更强”，而是“更好用”。20+ 项发布里，真正让我打算调整开发计划的就三样——dots、ChatGPT Spaces、GPT-6.1 Sol。这篇文章不打算把所有发布都抄一遍，重点聊这三个东西为什么值得重视，以及我实际迁移工作流时踩到的坑。内容适合正在做 AI 应用、Agent 或内部工具的技术团队参考，也适合对 ChatGPT 生态感兴趣的产品经理和重度用户。

1. 今年的 DevDay：不再是一场“模型发布会”

1.1 发布主线：从 API 更新转向 Agent 生命周期

往年 DevDay 的主角永远是“某个更大更强的模型”，PPT 上堆满 benchmark 数字，结尾再甩一个价格表。今年完全换了打法：GPT-6.1 Sol 当然还在主舞台，但官方花了更多时间讲“任务怎么做完”，而不是“模型有多聪明”。

我理解的本质变化是：模型已经默认变成基础设施，真正的瓶颈变成了上下文怎么组织、任务怎么拆解、权限怎么隔离、结果怎么验证。所以今年发布的东西大量围绕“Agent 生命周期管理”——从创建、运行、调试到审计，每个环节都有配套工具。dots 和 ChatGPT Spaces 就是这一思路的直接产物。dots 解决“上下文怎么结构化”，Spaces 解决“工作环境怎么持久化”，两者拼在一起，才构成一个真正能反复运行的 Agent 工作区。

这对开发者的实际影响是：我们不再需要拿一长串 prompt 去“喂”模型，而是像写代码一样管理输入、记忆、工具依赖。习惯了这个思路之后，再回去用传统聊天窗口会明显觉得别扭。

1.2 20+ 项发布里，最值得关注的是哪几类

整场发布我按自己的关注度分了四类，先给一张速查表：

剩下还有些零碎更新，比如视觉微调、多语言语音模型、移动端快捷指令、团队模板市场等，属于“有了更好，没有也不影响主线”。我真正建议技术团队认真看的，就是表格里前四类。

一个值得注意的细节：今年 OpenAI 刻意把“模型”和“产品”分开讲，GPT-6.1 Sol 在上午出现，下午的环节几乎全在讲 Agent 和 Spaces。这说明他们的战略重心已经明显从“提供更强的点”转向“提供完整的面”。

2. GPT-6.1 Sol：模型也开始学会“完成任务”

2.1 Sol 到底是个什么样的模型

GPT-6.1 是 GPT-6 系列的一次中期升级，代号 Sol，官方解释是“太阳”，含义是它像太阳一样处在所有 Agent 任务的中心。我个人更愿意把它理解成“Solo”——单个模型可以独立完成一条完整任务线，不需要频繁切回人来重新对齐目标。

和 GPT-6.0 相比，Sol 的核心变化有三点。第一是模态统一，图像、语音、视频、代码、结构化数据在入口层被编码成同一种内部序列，多模态切换不再有明显的“插件感”。第二是推理连续性，以前长任务跑到一半经常会“忘了前面说过什么”，Sol 在长时间推理的场景下保持了更稳定的推理路径，现场演示里处理三小时会议录音加出报告的一整段流程，中间没有一次上下文漂移。第三是上下文窗口，现网版本给到了 2M token 级别，已经足够把中型代码库的核心部分直接放进去。

用生活化的方式理解：以前的模型像一位知识渊博的顾问，问一句答一句；Sol 更像一个“能自己列计划、按计划执行、最后交报告”的项目助理。它仍然不是万能的，但至少不会每五分钟问你一次“我们的目标是什么来着”。

2.2 实测下来，Sol 适合处理什么任务

大会之后我在 API 里把几个真实任务切到gpt-6.1-sol跑了一遍，最明显的体感是：长链路任务的质量稳定度提升最大。

举一个具体的例子：我让它从一份 60 页的产品需求文档里提取用户故事，再结合团队 Git 提交记录生成迭代建议。这个任务如果拆成几步来做，中间需要人工搬运上下文；用 Sol 一次性完成，它能把文档里的术语、历史提交的代码变更和最后建议串成一条逻辑线，而不是三段割裂的输出。

不过我也发现了一个实际情况：短对话和简单分类任务不需要动用 Sol，用轻量模型更划算。Sol 的输入定价比 GPT-6.0 略高，但输出 token 价格明显下降，官方给的思路是“它适合把大量输入浓缩成少量高质量输出”。如果你只是做情绪识别或标题生成，用 Sol 是杀鸡用牛刀，成本账算不过来。

2.3 迁移到 Sol 时要注意的几个配置项

从旧模型迁到 Sol，有四个参数值得重新过一遍。

第一个是reasoning_effort。Sol 对这套参数更敏感，从low到high，输出质量和耗时差距很大。我建议默认任务用medium，只有真正需要深度分析的长任务才开high。

第二个是max_completion_tokens。这个改动其实很早就有了，但今年 API 对旧字段的限制更严格，如果你还在用max_tokens，会直接报错。迁移时务必全局搜索替换。

第三个是structured_outputs。Sol 在 JSON 结构化输出上做了专门的训练，开启"strict": true后，输出格式稳定性比旧模型高很多。做数据抽取、工单分类这类任务，强烈建议把输出格式定义清楚再调用。

第四个是工具调用（function calling）的写法。Sol 对“并行工具调用”的支持更自然，可以在一个推理步骤里同时请求多个工具的结果，但这意味着你的工具函数必须做成“无状态、可重试”的形式，否则容易出现重复操作。我就在这里踩过一次，后面常见问题章节会详细说。

提示：如果你在 Agents SDK 里接 Sol，可以直接在模型配置里写model: gpt-6.1-sol，SDK 会自动读取它支持的工具调用格式，不需要手工改函数签名。

3. dots：把上下文变成可复用、可执行的结构

3.1 dots 到底解决了什么痛点

dots 是我这次最感兴趣的东西，倒不是因为它技术上多复杂，而是它终于回应了一个很实际的问题：我们的提示词和上下文，能不能像代码一样管理起来？

过去给 ChatGPT 写需求，要么是一段超长的自然语言，要么是一坨 Markdown 文件。问题在于：自然语言不可版本化，同一份背景资料在不同对话里被反复粘贴，改一处就要全局改；Markdown 虽然能存文件，但文件只是静态文本，AI 不会主动“执行”里面的步骤。

dots 的思路是：把上下文拆成最小单元，每个单元叫一个 dot。dot 可以有类型，比如>project: 客服工单分析 dots: - id: api-log type:>codex dots run generate-report --dots ./support-pipeline.dots

这行命令的意思很直白：加载support-pipeline.dots里定义的全部 dot，解析依赖关系，执行generate-report这个任务。整个过程里，你改了business-rules的内容后，只需要重新运行一次，得到一个基于新规则的报告。

这就是 dots 的价值：任务逻辑变成文件，可以进 Git，可以 review，可以测试。

3.3 dots 在聊天界面和 API 里分别怎么用

如果你不是在写代码，只是想在日常 ChatGPT 对话里用 dots，操作更简单。左侧点击 dots 库，把需要的 dot 拖进对话框，就相当于把一段格式化的上下文注入当前对话。团队成员可以共享 dot，同一个“产品背景说明”可以被多个会话引用，改一处，用到它的所有会话下次加载时自动更新。

在 API 场景下，dots 以参数形式传给模型，类似tools的写法。官方建议把大段静态知识放进 dots 来降低 prompt 长度，因为 dots 内容可以做服务端缓存，重复使用同一份 dot 时成本更低。这也意味着你不需要再把几十页文档塞进每个用户请求里。

我目前的实践是：文档类知识用knowledgedot，每周更新一次；动态数据用>npm install -g @openai/codex@latest codex login codex

codex login会拉起浏览器，通过 Sign in with ChatGPT 完成授权，终端里不需要再复制粘贴任何密钥。这个体验让我这种经常在 CI 环境切换机器的人舒服很多。

如果你希望 Codex 默认使用新模型，可以执行：

codex config set model gpt-6.1-sol

这个配置会写入本地的 Codex 配置文件，后续启动时自动生效。我现在基本把 Codex 当成一个“能读代码库、能改代码库、能跑测试”的团队初级工程师用，当然最后一步还是人工 review。

5.2 Sign in with ChatGPT：第三方应用的账号体系

Sign in with ChatGPT 今年正式对外开放，简单说就是你可以在自己的网站或 App 里，让用户直接用 ChatGPT 账号登录。它的技术本质是标准的 OAuth 2.0 / OpenID Connect 登录流程，不是另起炉灶的东西。

接入流程大致是四个步骤：

1. 在 OpenAI Platform 后台创建一个 OAuth 应用，拿到client_id和client_secret。
2. 配置redirect_uri，也就是用户授权后回跳到你服务器的地址。
3. 前端发起登录：跳转到 OpenAI 的 authorize 端点，带上client_id、redirect_uri和scope。
4. 用户授权后，OpenAI 回调你的服务器并携带一个code，你的后端拿这个code换取access_token和id_token，再读取用户资料。

示例代码如下，我用的 Node.js，核心是 token 换取的伪代码：

const params = new URLSearchParams({ client_id: process.env.OAUTH_CLIENT_ID, client_secret: process.env.OAUTH_CLIENT_SECRET, code: receivedCode, grant_type: 'authorization_code', redirect_uri: 'https://your-app.com/callback' }) const response = await fetch('https://api.openai.com/v1/oauth/token', { method: 'POST', body: params }) const tokens = await response.json() // tokens.access_token 用于调用用户信息接口 // tokens.id_token 是 JWT，必须在服务端校验签名

这里必须强调一个安全原则：登录状态判断永远要在服务端做。前端拿到的 token 只用于向用户展示“已登录”状态，真正的业务请求应该在服务端带着 token 去验证，不能只信任前端传来的用户 ID。

区分两个容易混淆的概念：Sign in with ChatGPT 解决的是“当前用户是谁”，API Key 解决的是“你的服务器在调用模型”。前者面向终端用户，后者面向开发者自己，两者不能互相替代。

5.3 API 生态里其他值得动手试试的发布

除了上面几个重头戏，这次还有几个小更新我认为很有价值。

Realtime API 2.0 开始支持视觉帧输入，做实时交互应用时，不需要再单独抽帧走图像识别接口，省了不少工程复杂度。Agents SDK 大版本更新后，把多个子 Agent 编排成有监督流程变得非常自然，每个子 Agent 的输入输出可以做 schema 校验。Evals 2.0 则让我们能针对“复杂任务”建立评估集，再也不用靠感觉判断模型改没改好。

成本方面，Prompt Caching 3.0 对稳定前缀的缓存折扣更大了，批处理 API 也支持了更多模型。对我这种每天处理大量日志分析的场景来说，这两项直接把账单砍掉一大截，这种发布比花哨的 demo 更让人开心。

6. 常见问题与排查技巧实录

6.1 Codex 在 Windows 上安装报 missing optional dependency 怎么处理

这次大会后，群里问得最多的问题，就是 Codex 在 Windows 安装时报错：

missing optional dependency @openai/codex-win32-x64. reinstall codex: npm install -g @openai/codex

我帮同事远程排查过两次，这类报错通常是三方面原因：Node.js 版本过低、npm 缓存里的旧包损坏、或者当前用户没有全局安装目录的写入权限。可以按顺序处理。

先确认 Node 版本，建议不低于 20：

node -v

如果版本太老，先升级 Node。然后清理 npm 缓存并重新安装：

npm uninstall -g @openai/codex npm cache clean --force npm install -g @openai/codex@latest

如果重装后仍然报错，多半是权限问题。Windows 下用管理员身份打开 PowerShell 再执行安装命令，或者把 npm 的全局目录调整到当前用户目录下，都可以解决。还有一个偏方是安装时加上--foreground-scripts，能看到到底是哪个步骤失败，定位会更快。

6.2 API Key 的创建、限额与安全最佳实践

API Key 是调用模型服务的凭证，这个主题每一个做 AI 应用的人都会遇到。创建流程很简单：登录 OpenAI Platform，打开 API keys 页面，点击 Create new secret key，给它起名字、选择项目、设置每月的消费限额，然后复制保存。

这里我要特别强调几个安全习惯：

• 永远不要把 API Key 分享给别人，也不要提交到 Git 仓库里。一旦泄漏，立刻在后台撤销并重新生成。
• 把 Key 放进环境变量，而不是写死在代码里。例如在本地开发时用：

export OPENAI_API_KEY="sk-..."

• 为不同环境创建不同 Key：开发环境、生产环境、临时脚本分开用独立项目隔离，方便权限控制和成本追踪。
• 设置月度限额，即使 Key 泄漏，也能把损失控制在可接受范围。

另外，如果你在用 Codex CLI 这类交互式工具，优先用codex login，不要手动复制 Key 到终端。登录方式不仅更安全，还能自动处理刷新和权限变更。

6.3 从旧模型迁移到 GPT-6.1 Sol 时容易踩的坑

迁移模型不是只改个名字那么简单，我在测试时踩了三个明显的坑。

第一个是参数兼容。前面提到的max_tokens旧字段在 Sol 的接口上会直接报错，必须改成max_completion_tokens，否则请求都发不出去。迁移第一步就在代码里全局搜索这两个字。

第二个是输出格式。Sol 虽然结构化输出能力强，但要求你规范定义 JSON Schema。如果沿用旧模型那种“你给我返回一个 JSON”的模糊写法，Sol 会按自己的理解生成，结果字段名对不上。正确做法是在 API 请求里传response_format，特别是开启了"strict": true之后，模型会严格按 Schema 输出。

第三个是工具调用的幂等性。Sol 支持在一次推理中发起多个工具调用，但这也意味着同一个工具可能被调用多次。如果你在工具里执行了“发送邮件”“扣减库存”这类操作，就必须做幂等控制。比如在工具参数里带上幂等键request_id，服务端重复请求时直接返回第一次的结果，不然就会出现重复扣款这种事故。

7. 最后聊聊我自己的实际体会

这次 DevDay 看完，我最大的感受可以用一句话概括：OpenAI 终于开始认真做“上下文工程”了。dots 和 Spaces 让我不再担心提示词越写越长、团队成员之间上下文互相污染、Agent 任务改一处就要从头教一遍。Codex 依然是我每天的主力开发工具，但新的项目上下文感知能力让我敢于把更复杂的重构任务交给它，而不是事无巨细地喂路径和文件名。

如果你打算在团队里推广这套新工作流，我的建议是不要一上来就搞大迁移。先挑一个最日常、最重复的任务，比如“每天把客服工单汇总成看板”或“每周自动整理竞品动态”，用 Spaces 建一个最小工作区，用 dots 把规则沉淀成配置，跑通后再逐步扩大范围。我自己的体会是，前三天会觉得“设定空间比直接问一句麻烦”，但一周之后你就回不去了——因为当你手上有十个项目都在并行时，真正稀缺的不是模型智商，而是上下文的有序管理。