Tutorial de la API GPT-6 Astra: creación de agentes de IA para producción

TL;DR

API de GPT-6 Astra en CometAPI se adapta mejor a flujos de trabajo de agentes difíciles que combinan razonamiento, código, interacción con navegador o computadora y varias herramientas externas. Es un modelo premium, por lo que los equipos deberían reservarlo para tareas en las que mejores tasas de finalización justifiquen precios por token más altos.

El patrón de diseño práctico es un bucle de ejecución con herramientas explícitas, permisos del lado de la aplicación, verificación, presupuestos y aprobación humana para acciones de consecuencias. Comience con la Responses API, mida el costo por tarea aceptada y enrute subtareas rutinarias a modelos menos costosos.

Puntos clave

• Astra se orienta a trabajo profesional de extremo a extremo en lugar de generación de texto aislada.
• Sus mayores avances reportados se concentran en uso de la computadora, tareas de terminal, automatización, razonamiento científico y flujos de trabajo profesionales de múltiples pasos.
• Llamadas de herramientas asíncronas, reorientación a mitad de turno y actualizaciones dinámicas de razonamiento hacen que los bucles de agentes de larga duración sean más flexibles.
• El modelo admite una ventana de contexto de 1.05 millones de tokens, pero siguen siendo necesarias la recuperación y la gestión del estado.
• La calidad en producción depende de permisos, idempotencia, validación, observabilidad y evaluación fuera del prompt.

¿Qué es la API de Astra y qué cargas de trabajo de agentes se ajustan a ella?

OpenAI describe Astra como su modelo más capaz para razonamiento complejo, codificación, uso de computadora, investigación y creación de documentos. La especificación oficial proporciona una ventana de contexto de 1,050,000 tokens y un límite de salida de 128,000 tokens. Se aceptan texto e imágenes como entrada, mientras que el texto es la modalidad de salida nativa.

Imagen de lanzamiento de OpenAI GPT-6 Astra

La gran ventana de contexto reduce la necesidad de dividir cada entrada, pero no debe tratarse como un sistema de memoria. Los hechos duraderos, la evidencia recuperada, el estado de ejecución temporal y las salidas de herramientas deben permanecer separados para que el agente reciba solo lo que necesita para la decisión actual.

Benchmarks de agentes de GPT-6 Astra

Las evaluaciones más útiles son las que requieren operación de software, trabajo en terminal, interacción visual o finalización de un flujo de trabajo profesional. Los resultados reportados por OpenAI muestran mayores avances en tareas con mucha ejecución que en índices de inteligencia amplios.

GPT-6 Astra supera a GPT-5.6 Sol y Claude Fable 5.1 en cada fila de benchmark donde los tres modelos tienen puntuaciones reportadas. Su ventaja más estrecha sobre Claude Fable 5.1 es de 2.1 puntos porcentuales en Terminal-Bench 4.0, mientras que sus ventajas mayores aparecen en AutomationBench, FrontierMath Tier 4 v2, GPQA Diamond y tareas de migración de bases de datos. OpenAI también reporta 47% menos tiempo de tarea simulado en la comparación de OSWorld, lo cual importa cuando la latencia del agente afecta el rendimiento del negocio.

Use los resultados de benchmarks para seleccionar cargas de trabajo para pruebas. Tome la decisión final con un conjunto de evaluación construido a partir de sus propias herramientas, permisos, modos de falla y criterios de aceptación.

¿Qué funciones de Astra cambian la arquitectura de agentes?

Llamadas de herramientas asíncronas de GPT-6 Astra

Async tool calling permite que el modelo continúe con razonamiento útil, llame a herramientas independientes o responda a una parte no relacionada de la solicitud mientras la aplicación ejecuta una operación lenta. La aplicación aún ejecuta la herramienta y debe devolver su resultado usando el ID de llamada original.

Esto es útil cuando un flujo consulta un almacén, espera un trabajo de renderizado, verifica varias APIs y prepara un informe al mismo tiempo. Las acciones independientes pueden progresar en paralelo en lugar de forzar a que todo el bucle del agente espere.

Reorientación en mitad de turno de GPT-6 Astra

Mid-turn steering y actualizaciones de razonamiento permiten que una aplicación agregue instrucciones mientras el trabajo está en curso o cambie el esfuerzo de razonamiento sin reescribir el prefijo del prompt original. Esto admite correcciones y repriorización durante trabajos de larga duración.

Diseño estructurado de herramientas de GPT-6 Astra

Las llamadas a funciones y las salidas estructuradas proporcionan operaciones con nombre y argumentos tipados. El modelo propone una acción, mientras que la aplicación valida permisos, esquemas, presupuestos y reglas de negocio antes de la ejecución. Esta separación es más confiable que pedir al modelo expresar una operación de escritura en lenguaje natural.

¿Cómo deberías diseñar la arquitectura de un agente con Astra?

Una solicitud convencional a un modelo de lenguaje sigue un camino corto: prompt, modelo, respuesta. Un agente necesita un bucle observable:

Objetivo → selección de contexto → plan → elección de herramienta → acción autorizada → observación → verificación → finalización o escalado

Cada transición crea una posible falla: selección incorrecta de herramienta, argumentos mal formados, salida malinterpretada, acciones duplicadas, escrituras no autorizadas, excesos de presupuesto o finalización prematura. Por lo tanto, la aplicación circundante debe poseer la autoridad de ejecución y la validación.

¿Cómo llamar a la API de Astra a través de CometAPI?

API de GPT-6 Astra en CometAPI usa el ID de modelo gpt-6-astra mediante un flujo compatible con OpenAI de Responses. Complete estos pasos de configuración antes de enviar la primera solicitud:

1. Cree una cuenta en CometAPI, habilite el acceso a GPT-6 Astra y genere una clave de API.
2. Instale o actualice el SDK de Python de OpenAI con pip install --upgrade openai.
3. Almacene la clave y la URL base compatible con OpenAI en COMETAPI_KEY y COMETAPI_BASE_URL; nunca codifique secretos de producción.
4. Confirme que el endpoint de Responses y el ID de modelo gpt-6-astra estén habilitados para el espacio de trabajo y luego ejecute el ejemplo siguiente.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url=os.environ["COMETAPI_BASE_URL"],
)

response = client.responses.create(
    model="gpt-6-astra",
    reasoning={"effort": "medium"},
    input=(
        "Analyze this operational incident. Identify the probable root cause, "
        "propose a remediation plan, and separate confirmed facts from assumptions."
    ),
)

print(response.output_text)

Una primera integración exitosa debería devolver un objeto de respuesta y un output_text legible. En producción, agregue tiempos de espera explícitos, reintente solo fallos transitorios y registre el ID de la solicitud, el modelo, la latencia, el uso de tokens y el estado final del flujo de trabajo.

¿Cómo crear un agente con llamadas a herramientas en Astra?

El siguiente ejemplo separa herramientas de lectura de una herramienta de escritura de consecuencias. El modelo puede solicitar un reembolso, pero el código de la aplicación aún debe validar la autorización y la elegibilidad.

tools = [
    {
        "type": "function",
        "name": "get_order",
        "description": "Read an order. This tool has no side effects.",
        "parameters": {
            "type": "object",
            "properties": {"order_id": {"type": "string"}},
            "required": ["order_id"],
            "additionalProperties": False,
        },
    },
    {
        "type": "function",
        "name": "check_refund_eligibility",
        "description": "Check eligibility without issuing a refund.",
        "parameters": {
            "type": "object",
            "properties": {"order_id": {"type": "string"}},
            "required": ["order_id"],
            "additionalProperties": False,
        },
    },
    {
        "type": "function",
        "name": "create_refund_request",
        "description": "Create a request after authorization and eligibility checks.",
        "parameters": {
            "type": "object",
            "properties": {
                "order_id": {"type": "string"},
                "reason": {"type": "string"},
            },
            "required": ["order_id", "reason"],
            "additionalProperties": False,
        },
    },
]

response = client.responses.create(
    model="gpt-6-astra",
    reasoning={"effort": "medium"},
    tools=tools,
    input=(
        "Order A18422 arrived damaged. Determine whether a refund is allowed. "
        "Do not create a request until eligibility has been verified."
    ),
)
``````python
import json

def execute_tool(name, arguments):
    if name == "get_order":
        return get_order(**arguments)
    if name == "check_refund_eligibility":
        return check_refund_eligibility(**arguments)
    if name == "create_refund_request":
        assert_user_is_authorized()
        assert_refund_is_eligible(arguments["order_id"])
        return create_refund_request(**arguments)
    raise ValueError(f"Unknown tool: {name}")

while True:
    calls = [item for item in response.output if item.type == "function_call"]
    if not calls:
        break

    outputs = []
    for call in calls:
        result = execute_tool(call.name, json.loads(call.arguments))
        outputs.append({
            "type": "function_call_output",
            "call_id": call.call_id,
            "output": json.dumps(result),
        })

    response = client.responses.create(
        model="gpt-6-astra",
        previous_response_id=response.id,
        tools=tools,
        input=outputs,
    )

print(response.output_text)

El modelo recomienda acciones. La aplicación posee la autoridad. Una herramienta de escritura debe aplicar de manera independiente permisos, límites, idempotencia y condiciones de política.

¿Cómo automatizar flujos de trabajo de larga duración con Astra?

Un agente de investigación en producción debería recibir un objetivo estructurado en lugar de una instrucción vaga para investigar varias empresas.

{
  "objective": "Create a competitor launch brief",
  "companies": ["Competitor A", "Competitor B", "Competitor C"],
  "required_fields": [
    "latest product",
    "launch date",
    "price",
    "key differentiators",
    "primary sources"
  ],
  "output": "executive brief"
}

1. Defina el objetivo. Establezca campos obligatorios, formato de salida, fecha límite y criterios de aceptación.
2. Recupere evidencia. Use búsqueda web, búsqueda de archivos, bases de datos o sistemas conectados por MCP para información actual.
3. Valide la evidencia. Etiquete fuentes primarias, fuentes secundarias, inferencias, conflictos y datos faltantes.
4. Escale la incertidumbre. Solicite más evidencia o juicio humano cuando la confianza esté por debajo del umbral requerido.
5. Produzca y verifique el artefacto. Verifique cada campo requerido antes de declarar la finalización.

Este diseño hace que el manejo de evidencia sea auditable y mantiene el razonamiento del modelo separado de las reglas de aceptación del sistema.

¿Cuándo debe un agente de Astra usar automatización en computadora?

Prefiera la interfaz más estructurada disponible: base de datos o interfaz de consulta, luego API, luego MCP u otra herramienta tipada y finalmente interacción con navegador o computadora. Las interfaces estructuradas proporcionan campos estables, errores predecibles, autenticación y salida legible por máquina.

La automatización en computadora es apropiada cuando no existe una API utilizable, se debe operar una aplicación heredada, el flujo depende de la inspección visual o el agente debe probar una interfaz de usuario real. Los resultados de Astra de 92.7% en ScreenSpot-Pro y 72.6% en OSWorld 2.0 avalan su uso para interacción visual, pero esos flujos aún requieren entornos controlados y políticas explícitas.

¿Cómo hacer que los agentes de Astra sean seguros para producción?

La seguridad del agente es principalmente un problema de arquitectura de aplicaciones. OpenAI sitúa a Astra en el umbral crítico de capacidad en ciberseguridad, lo que aumenta la importancia de límites de acceso y auditoría.

Separe herramientas de lectura y escritura

Mantenga amplias disponibles las operaciones de lectura donde corresponda, pero exija controles más estrictos para escrituras. Evite una herramienta genérica que pueda inspeccionar y mutar sistemas sensibles.

Requiera aprobación para acciones de consecuencias

Use puertas de aprobación para eliminar datos, publicar externamente, cambiar producción, otorgar permisos, enviar dinero, cancelar cuentas u otras transacciones de alto impacto.

Haga que toda operación de escritura sea idempotente

Pagos, reembolsos, mensajes y actualizaciones de cuenta deben aceptar una clave de idempotencia para que un reintento no cree efectos secundarios duplicados.

Haga cumplir los presupuestos fuera del prompt

Rastree en código los presupuestos de tokens, llamadas a herramientas, financieros, tiempo de pared y pasos de flujo de trabajo. Termine de forma determinista cuando se alcance un límite.

Registre la trayectoria de ejecución

Registre el objetivo, modelo, configuración de razonamiento, herramienta seleccionada, argumentos, resultado, resultado de autorización, evento de aprobación, error, reintento, uso de tokens y estado final.

Precios de la API de Astra

La tarifa Standard oficial es de $10/M de entrada y $50/M de salida para prompts dentro del nivel de contexto estándar. Las solicitudes por encima de 272K tokens de entrada se facturan a tarifas de contexto largo más altas para toda la solicitud.

El precio por token por sí solo no describe la economía de los agentes. Use la siguiente medida operativa:

Costo por tarea aceptada

= tokens del modelo + cargos por herramientas + reintentos + infraestructura + corrección humana, dividido por el número de tareas completadas correctamente.

¿Cómo se compara Astra con otros modelos de agentes?

Astra es la opción más sólida cuando el cuello de botella es una ejecución difícil de múltiples pasos. Sol es un mejor ajuste económico cuando el flujo de trabajo existente ya se completa de forma confiable. Fable sigue siendo competitivo para trabajo premium de largo horizonte, mientras que Gemini ofrece un perfil diferente de costos y modalidades para aplicaciones multimodales de alto volumen.

Un sistema práctico puede enrutar tareas por complejidad en lugar de elegir un modelo para cada solicitud.

Elegir GPT-6 Astra: optimización de costos y cuándo usarlo

• Enrute por complejidad medida. Use un enrutador respaldado por evaluación para reservar GPT-6 Astra para tareas cuyo nivel de razonamiento, uso de herramientas o costo de falla justifique la escalada.
• Ponga en caché los prefijos estables. Reutilice políticas, esquemas y documentación que no cambien entre solicitudes.
• Recupere contexto relevante. No llene una ventana de un millón de tokens solo porque está disponible.
• Limite los pasos del agente. Defina condiciones de finalización y de detención antes de comenzar la ejecución.
• Ajuste el esfuerzo de razonamiento. Use bajo o medio para subtareas deterministas y auméntelo solo cuando la ambigüedad o fallos de verificación justifiquen el costo.
• Ejecute herramientas independientes en paralelo. Reduzca la latencia de reloj sin agregar turnos de modelo innecesarios.
• Aplique una regla de decisión final. Use GPT-6 Astra para razonamiento difícil combinado con ejecución de largo horizonte, ingeniería de software, operación de computadoras, múltiples herramientas externas, creación de artefactos profesionales o alto costo de falla. Use un modelo de menor costo para clasificación, extracción, etiquetado, resúmenes rutinarios y solicitudes de bajo valor sensibles a la latencia, a menos que las evaluaciones muestren que Astra reduce materialmente el costo por tarea aceptada.

¿Qué métricas de producción importan para los agentes de Astra?

La medida principal en producción es el porcentaje de trabajos completados correctamente, con seguridad y dentro del presupuesto.

Preguntas frecuentes

¿Cuál es el ID de modelo de la API de Astra?

El ID de modelo es gpt-6-astra.

¿Astra admite llamadas a funciones?

Sí. Admite llamadas a funciones y salidas estructuradas. Las llamadas a herramientas deben usar la Responses API.

¿Astra admite MCP?

Sí. MCP está incluido entre sus herramientas de la Responses API.

¿Puede Astra controlar una computadora?

Sí. Se admite el uso de computadora, pero la aplicación debe proporcionar un entorno controlado, límites de política y verificación.

¿Qué es una llamada de herramienta asíncrona?

Permite que el modelo continúe con trabajo útil mientras la aplicación ejecuta una llamada a herramienta asíncrona lenta.

¿Qué es la reorientación en mitad de turno?

Permite que una aplicación envíe instrucciones actualizadas mientras una tarea ya está en curso.

¿Qué tan grande es la ventana de contexto de Astra?

Admite 1,050,000 tokens de contexto y hasta 128,000 tokens de salida.

¿Cuánto cuesta Astra?

El precio Standard de OpenAI comienza en $10/M de entrada y $50/M de salida para el nivel de contexto estándar. Los precios del gateway pueden variar según el proveedor y el nivel de contexto.

¿Todo agente debería usar Astra?

No. Selecciónelo cuando las mayores tasas de finalización compensen su precio más alto. Enrute subtareas predecibles y de alto volumen a modelos menos costosos.

¿Puedo crear agentes de Astra a través de CometAPI?

Sí. CometAPI expone un flujo de trabajo de Responses compatible con OpenAI. Valide toda herramienta y parámetro que requiera su aplicación antes de mover tráfico de producción.