Choose your path
使用 GPT-6 Astra，並透過 CometAPI、工具呼叫、電腦自動化、安全控制、基準測試與成本優化，建置生產級 AI 智能體。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)CometAPI 中的 GPT-6 Astra API 最適合結合理解推理、程式碼、瀏覽器或電腦操作，以及多個外部工具的高難度代理工作流程。它是高階模型，團隊應將其保留用於那些較高完成率足以抵消較高權杖價格的任務。
實務設計模式是一個帶有明確工具、應用端權限、驗證、預算與對重大操作需人工核准的執行迴圈。從 Responses API 起步，量測每個被接受任務的成本，並將常規子任務導向成本更低的模型。
OpenAI 將 Astra 描述為其在複雜推理、程式設計、電腦使用、研究與文件創作方面最強的模型。官方規格提供。接受文字與影像作為輸入，而文字是原生輸出形式。
OpenAI GPT-6 Astra 發佈視覺圖
| 官方 Astra 規格 | 數值 | 為何對代理重要 |
|---|---|---|
| Model ID | gpt-6-astra | 用於 API 請求的穩定識別子 |
| Context window | 1,050,000 tokens | 大型版本庫、文件與執行歷程 |
| Maximum output | 128,000 tokens | 長篇報告、程式碼與結構化產物 |
| Knowledge cutoff | April 30, 2026 | 仍需透過檢索工具以獲取最新資訊 |
| Reasoning effort | low, medium, high, xhigh, max | 允許以任務層級控制推理深度 |
| Input modalities | Text and images | 支援文件與視覺-電腦工作流程 |
| Core features | Streaming, function calling, Structured Outputs | 促成具型別且可觀測的編排 |
| Responses API tools | Web search, file search, code interpreter, hosted shell, computer use, MCP, tool search | 涵蓋檢索、執行與介面操作 |
| Fine-tuning | Not supported | 行為必須由提示、工具與應用程式邏輯控制 |
大型情境視窗降低了拆分每個輸入的需求，但不應將其視為記憶系統。耐久事實、檢索證據、暫時執行狀態與工具輸出應分離保存，讓代理僅接收目前決策所需的內容。
最有用的評估是那些需要軟體操作、終端機工作、視覺互動或完成專業工作流程的任務。OpenAI 報告的結果顯示，在以執行為主的任務上提升更大，較之廣泛智慧指標。
| 官方基準來源 | GPT-6 Astra | GPT-5.6 Sol | Claude Fable 5.1 | 結果 |
|---|---|---|---|---|
| AutomationBench | 41.4% | 18.1% | 31.4% | Astra 領先 Sol 23.3 個百分點 |
| Terminal-Bench 4.0 | 57.9% | 37.3% | 55.8% | Astra 比 Sol 高 20.6 點，較 Fable 高 2.1 點 |
| FrontierMath Tier 4 v2 | 97.6% | 83.0% | 87.8% | Astra 領先比較模型 |
| GPQA Diamond | 96.0% | 94.6% | 93.7% | 在廣泛科學推理上的優勢較小 |
| OSWorld 2.0 | 72.6% | 65.7% | — | 在視覺-電腦任務完成上更強 |
| ScreenSpot-Pro | 92.7% | 76.9% | — | 較 Sol 提升 15.8 點 |
| Database migration tasks | 63.9% | 42.7% | 57.8% | 在完成的營運性工作中展現最強價值 |
在所有三個模型均有報告分數的基準行上，GPT-6 Astra 皆領先 GPT-5.6 Sol 與 Claude Fable 5.1。其對 Claude Fable 5.1 最小的領先為 Terminal-Bench 4.0 的 2.1 個百分點，而較大的優勢出現在 AutomationBench、FrontierMath Tier 4 v2、GPQA Diamond 與資料庫遷移任務。OpenAI 亦報告在 OSWorld 對比中模擬任務時間減少 47%，當代理延遲影響業務吞吐量時尤為重要。
使用基準結果來挑選待測工作負載。最終決策應依據由你自家工具、權限、失敗模式與驗收標準組成的評估集做出。
非同步工具呼叫允許模型在應用程式執行緩慢操作期間，繼續有用的推理、呼叫彼此獨立的工具，或回答請求中不相關的部分。應用程式仍須執行工具，並以原始呼叫 ID 回傳其結果。
當工作流程同時查詢資料倉儲、等待渲染作業、檢查多個 API，並準備報告時很有用。獨立動作可並行推進，而不必讓整個代理迴圈等待。
中途導引與推理更新允許應用程式在工作進行中新增指示，或在不重寫原始提示前綴的情況下改變推理力度。這支援在長時間運行的工作中進行修正與重設優先順序。
函式呼叫與 Structured Outputs 為工具提供具名操作與型別化參數。模型提出動作建議，而應用程式在執行前驗證權限、綱要、預算與商務規則。相較於要求模型用自然語言表達寫入操作，此分離更可靠。
傳統的語言模型請求遵循短路徑：提示 → 模型 → 答案。代理需要可觀測的迴圈：
目標 → 情境選擇 → 規劃 → 工具選擇 → 授權動作 → 觀察 → 驗證 → 完成或升級
每個轉換都可能失敗：錯誤的工具選擇、不合格的參數、誤解的輸出、重複動作、未授權寫入、預算超支或過早完成。因此，外圍應用程式必須掌握執行權與驗證。
| 層級 | 責任 | 控制 |
|---|---|---|
| 模型 | 詮釋目標、推理、選擇工具與綜合結果 | 提示與工具描述 |
| 編排器 | 執行工具、維持狀態、重試暫時性失敗並停止迴圈 | 決定性的應用程式邏輯 |
| 政策層 | 授權動作並強制限制 | 權限、預算與核准閘道 |
| 驗證器 | 檢查證據與完成條件 | 規則、測試、評分器或人工審核 |
| 可觀測性 | 記錄執行軌跡 | 追蹤 ID、日誌、度量與稽核紀錄 |
CometAPI 中的 GPT-6 Astra API 透過與 OpenAI 相容的 Responses 工作流使用模型 ID gpt-6-astra。在送出第一個請求前，完成以下設定：
pip install --upgrade openai 安裝或升級 OpenAI Python SDK。COMETAPI_KEY 與 COMETAPI_BASE_URL；切勿在生產中硬編碼機密。gpt-6-astra 模型 ID，然後執行下方範例。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)
成功的首次整合應回傳一個回應物件與可讀的 output_text。在生產中，加入明確的逾時設定、僅重試暫時性失敗，並記錄請求 ID、模型、延遲、權杖用量與最終工作流狀態。
以下範例將讀取工具與具影響的寫入工具分離。模型可以請求退款，但應用程式碼仍必須驗證授權與資格。
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)
模型提出建議動作。應用程式擁有執行權。寫入工具必須獨立強制執行權限、限制、冪等性與政策條件。
生產級研究代理應接收結構化目標，而非模糊的「研究多家公司」指示。
{
"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"
}
此設計讓證據處理可稽核，並使模型推理與系統的驗收規則分離。
優先選擇最具結構的介面：資料庫或查詢介面，其次是 API，再來是 MCP 或其他具型別工具，最後才是瀏覽器或電腦操作。結構化介面提供穩定欄位、可預期錯誤、驗證與可機器讀取的輸出。
當缺乏可用 API、必須操作傳統應用、工作流程依賴視覺檢查，或代理必須測試真實使用者介面時，電腦自動化是適切的。Astra 在 ScreenSpot-Pro 92.7% 與 OSWorld 2.0 72.6% 的結果支援其用於視覺互動，但這些工作流程仍需受控環境與明確政策。
代理安全主要是應用架構問題。OpenAI 將 Astra 放在關鍵網路安全能力門檻，因此邊界存取與可稽核性更加重要。
在適當情況下，使讀取操作廣泛可用，但對寫入要求更嚴格的檢查。避免一個同時能檢視與改動敏感系統的通用工具。
對刪除資料、對外發布、修改生產環境、授權權限、匯款、取消帳戶或其他高影響交易使用核准閘道。
付款、退款、訊息與帳戶更新應接受冪等鍵，以避免重試造成重複副作用。
在程式碼中追蹤權杖、工具呼叫、金額、牆鐘時間與工作流程步驟的預算。達到限制時以決定性方式終止。
記錄目標、模型、推理設定、所選工具、參數、結果、授權結果、核准事件、錯誤、重試、權杖用量與最終狀態。
官方 Standard 費率為標準情境層級的輸入 $10/M、輸出 $50/M。超過 272K 輸入權杖的請求，將以更高的長情境費率計費。
| 定價層級 | OpenAI Standard | CometAPI 定價 |
|---|---|---|
| 短情境輸入 | $10/M | $8/M |
| 短情境輸出 | $50/M | $40/M |
| 快取輸入 | $1/M | $0.80/M |
| 快取寫入 | $12.50/M | $10/M |
| 長情境輸入 | $20/M | $16/M |
| 長情境輸出 | $75/M | $60/M |
僅看權杖單價無法描述代理經濟。使用以下作業度量：
每個被接受任務的成本
= model tokens + tool charges + retries + infrastructure + human correction，除以正確完成的任務數。
| 維度 | GPT-6 Astra | GPT-5.6 Sol | Claude Fable 5.1 | Gemini 3.8 Flash |
|---|---|---|---|---|
| Context | 1.05M | 1.05M | 1M | 1M |
| Maximum output | 128K | 128K | 128K | 64K |
| 主要強項 | 困難的端到端代理工作 | 成本較低的前沿推理 | 高階長周期代理 | 高量多模態工作流程 |
| 影像輸入 | Yes | Yes | Yes | Yes |
| 音訊與影片輸入 | No | No | No | Yes |
| AutomationBench | 41.4% | 18.1% | 31.4% | — |
| Terminal-Bench 4.0 | 57.9% | 37.3% | 55.8% | 19.1% |
| CometAPI input rate | $8/M | $3.20/M | $8/M | $0.60/M |
| CometAPI output rate | $40/M | $16/M | $40/M | $3/M |
| 最佳適配 | 高價值且困難的自動化 |
當困難的多步執行是瓶頸時，Astra 是最強選擇。當現有工作流程已可靠完成時，Sol 在經濟性上更契合。Fable 在高階長周期工作上仍具競爭力，而 Gemini 則在高量多模態應用中提供不同的成本與模態配置。
實務系統可依任務複雜度進行路由，而非為每個請求選一個模型。
| 指標 | 解答的問題 |
|---|---|
| 任務完成率 | 工作流程是否真的完成？ |
| 首次成功率 | 是否無需修復或重試就完成？ |
| 工具選擇準確度 | 模型是否選擇了正確操作？ |
| 參數有效性 | 工具參數是否有效？ |
| 人工介入率 | 需要人員挽救的頻率？ |
| 未授權動作率 | 是否嘗試了超出政策的動作？ |
| 每個被接受任務的成本 | 正確自動化的實際成本是多少？ |
| P50 與 P95 完成時間 | 端到端延遲有多可預期？ |
| 驗證失敗率 | 代理錯誤宣稱成功的頻率？ |
主要的生產度量是正確、安全且在預算內完成的工作比例。
模型 ID 為 gpt-6-astra。
是。它支援函式呼叫與 Structured Outputs。工具呼叫應使用 Responses API。
是。MCP 包含在其 Responses API 工具之中。
是。支援電腦使用，但應用程式必須提供受控環境、政策邊界與驗證。
它允許模型在應用程式執行緩慢的非同步工具呼叫時，持續進行有用工作。
它允許應用程式在任務進行中送出更新指示。
支援 1,050,000 權杖的情境以及最多 128,000 權杖的輸出。
OpenAI Standard 定價在標準情境層級下的輸入為 $10/M、輸出為 $50/M。閘道供應商與情境層級可能有不同價格。
否。當較高完成率能抵銷其較高價格時再選用。對可預期、高量的子任務路由到成本更低的模型。
可以。CometAPI 提供與 OpenAI 相容的 Responses 工作流。在導入生產流量前，驗證應用程式所需的每個工具與參數。
| 注重成本的 OpenAI 代理 |
| 長時高階代理 |
| 注重成本的多模態代理 |