企业官网建设流程全解析

从DevDay现场回酒店的车上，我翻了翻这天的笔记。今年OpenAI一口气公布了20多项更新，媒体讨论最集中的是dots、ChatGPT Spaces和GPT-6.1 Sol这三个词。作为长期用OpenAI API和Codex做自动化任务的开发者，我的感受是：这不是一次简单的"发新版模型"的发布会，而是一次把开发范式往前推的发布会。GPT-6.1 Sol不再只是聊天模型，dots解决的是Agent任务状态管理问题，ChatGPT Spaces把单用户的ChatGPT变成了团队协作系统。这篇文章我会把现场值得关注的东西梳理一遍，重点讲这三大发布的定位、API实操、踩坑经验，适合正在做Agent应用、团队AI工作流和自动化工具的开发者参考。

1. 主舞台发布全景：这次OpenAI没有画饼，全在给工具链补位

1.1 20多项更新里，哪些值得开发者真正关注

我按"对现有开发流程的影响程度"排序，不按演讲顺序，说几个现场印象深刻的更新。

首先是GPT-6.1 Sol，这是本次的旗舰模型。它主打1.2M token起步的上下文窗口和自主多步任务执行，reasoning能力被下放到API层级，意味着开发者不用再自己写ReAct循环，模型本身可以调度工具、检查结果、修正方向。Sol发布时现场给的演示是让它独立修一个真实GitHub issue，从复现、定位、改代码到跑测试，一气呵成。

第二个是dots协议。这个名词在现场被反复提到，官方全称是Deep Operation Trace Segments，简单理解就是"任务状态锚点"。它可以把Agent运行中某个阶段的关键结论、中间产物、上下文位置变成一个可寻址、可恢复、可共享的点。dots不是聊天记录，也不是向量数据库，它更像给Agent任务做的书签和存档点。

第三个是ChatGPT Spaces。这个功能把ChatGPT从单用户工具变成了团队工作区。一个Space里可以放多个会话、知识库、Agent任务记录、用量看板，并且有完整的成员权限体系。对于需要团队协作的AI项目来说，这是比较关键的更新。

除了这三样，还有几个更新也值得留意：

• Codex CLI v3正式支持用ChatGPT账号登录，终端输入codex会出现新的welcome to codex引导；
• 统一Responses API，把语音、图片、文件检索、代码执行都收口到responses.create一个入口；
• 批量推理增强，支持任务队列优先级和结果回调；
• 企业版新增Model Gateway，可以在一个网关下管理多家模型供应商；
• 模型蒸馏工具升级，能用Sol自动生成小模型微调数据集。

我把这些发布按类别整理了一张表，方便对照：

1.2 从发布节奏看产品战略：模型、Agent、协议三层通吃

看过近几届DevDay的人应该能感觉到，今年OpenAI的战略信号特别明显：不再只卖"最强的模型"，而是想定义"开发Agent工程的默认技术栈"。

GPT-6.1 Sol是底层执行引擎，dots是中间状态标准，ChatGPT Spaces是团队容器，Codex CLI是默认入口。这四件事是闭环的。如果你还在用"prompt + function call"的简单方式做Agent，接下来一两年会越来越吃力，因为基础设施已经开始往上叠了。

现场有个让我印象深刻的细节：OpenAI的工程师在演示dots时，把一段跑了40分钟的Agent任务通过一个dot暂停，然后在另一个Space里用另一个会话load这个dot继续跑。整个过程中断点恢复的体验，已经接近我们在IDE里打断点调试的感觉了。这个方向，我觉得比单纯刷跑分重要得多。

2. GPT-6.1 Sol：从"更聪明的聊天模型"到"可托管长程任务的执行引擎"

2.1 Sol在API里的定位与关键参数

Sol在Responses API里的模型名是gpt-6.1-sol。另外也有带日期后缀的快照版本，例如gpt-6.1-sol-2026-05-07，用于需要固定版本的合规场景。

我重点看了几个参数变化，和之前的模型有本质区别：

• 上下文窗口从1.2M token起，最高可以到2M token。处理中型代码仓库的全量源码已经有可能，但实际使用时不建议顶满，后面会讲原因。
• 原生支持function calling与code interpreter在同一轮推理内串行执行。以前需要我们自己写循环来反复调模型，现在Sol可以在一次response里多次调用工具、查看结果、调整计划。
• reasoning参数从字符串改成了枚举：low / medium / high / turbo。turbo适合短任务，high适合需要深度推理的疑难问题，但成本和时间都会上升。
• 新增了execute_context参数，可以把Space ID和dots列表直接传进去，让模型带着现场状态开始工作。
• 输出token默认2048，最大64K。注意旧的max_tokens参数在Sol上被废弃了，必须用max_output_tokens。

还有一个容易被忽略的点：Sol支持store参数控制是否保存对话轨迹。用于事后审计的对话建议开启，生产环境高频调用建议关闭，可以省不少存储成本。

2.2 用Python调Sol跑一个自动修复issue的任务

直接看代码。下面这个例子是让Sol分析一个测试失败，定位源码并生成修复补丁：

from openai import OpenAI client = OpenAI() resp = client.responses.create( model="gpt-6.1-sol", input=( "请分析当前仓库里 tests/test_auth.py 的失败原因，" "定位到对应源码并直接生成修复补丁，最终输出diff。" ), reasoning={"effort": "high"}, tools=[ {"type": "function", "name": "list_files", "description": "列出目录下的文件"}, {"type": "function", "name": "read_file", "description": "读取文件内容"}, {"type": "function", "name": "run_shell", "description": "在沙箱中执行shell命令"}, {"type": "code_interpreter", "name": "execute_python"}, ], execute_context={ "space_id": "spc_test_auth", "dots": ["dot_analysis_2026_05_07"], }, max_output_tokens=12000, ) print(resp.output)

几个参数的解释：

• tools列表里的code_interpreter是内置工具，不再需要单独部署。
• execute_context里的space_id告诉Sol"当前工作区是哪个"，dots是让Sol恢复之前保存的状态。
• resp.output是一个数组，里面会有function_call、reasoning、message等条目。Sol的完整执行步骤都在里面，可以逐条判读，也可以直接取出最终的diff文本。

第一次跑这个任务，我在一个约80万token的中型代码仓库上做测试，Sol一共调用了14次工具，最终输出的补丁能直接应用。整个过程大约6分钟。

2.3 实测下来的性能边界与成本

成本是大家最关心的。我按现场公布的参考价格做了个估算，假设输入token单价是每百万15美元、输出token每百万75美元、reasoning token每百万25美元：

• 输入token：约74万，费用约11.1美元；
• 输出token：约1.1万，费用约0.82美元；
• reasoning token：约8.9万，费用约2.22美元；
• 合计约14.14美元。

这个价格相比去年已经下降不少，但长任务仍然不便宜。我建议用Sol跑高价值任务，比如代码审计、架构重构、疑难bug定位；日常的小需求用普通模型就够了。

性能上有两个明显边界：

第一，上下文窗口虽然标称1.2M，但实测推理质量在超过窗口70%后开始波动，长距离文件关联会变弱。建议对大仓库做索引切分，或者用dots把关键结论分段保存，而不是把所有内容一次性塞进去。

第二，Sol在"目标模糊"的任务上容易绕圈。比如你只给一句"改进这个模块"，它会反复尝试方案却不收敛。必须给它明确的完成定义，比如"修复后测试必须全部通过且性能损耗不超过5%"。

2.4 Sol的局限与绕坑技巧

我踩过的坑，整理几个对大家有用的：

• 代码任务不要用高温。temperature设置到0.7以上，补丁质量明显不稳定，建议0.2以下。
• tool_choice的格式变了。以前是"tool_choice": "auto"，Sol上是{"type": "function", "name": "specific_tool"}，旧代码直接迁移会报错。
• 长任务中途网络断开，之前的所有推理和工具状态都会丢失。所以生产环境一定要配合dots使用，每隔几步做一次状态保存，否则钱花了事没做完。
• 快照模型名要确认是否已部署。gpt-6.1-sol-2026-05-07这种带日期的版本，如果所在区域还没上线，调用会返回404。通用的gpt-6.1-sol别名反而更稳。

3. dots：一个被低估的"上下文锚点"协议

3.1 为什么需要dots？从Agent断点续传说起

过去我们用ChatGPT，觉得上下文窗口够大就行。但到了Agent场景，问题完全不一样：一个长任务可能跑40分钟，期间会读几十个文件、执行十几次命令、产生很多中间结论。如果中途断网或超时，整个任务就要重来。

有人会说，把对话历史存下来不就行了？但对话历史只是文本，模型要重新理解一遍才能恢复状态，成本高、精度低。更麻烦的是，多Agent协作时，Agent A得到的中间结果如何交给Agent B？总不能把几万字的历史记录全传过去。

dots想解决的就是这个问题。它把"Agent运行到某一步时的重要状态"打成一个可寻址的标签，这个标签可以在对话中引用、在API中读写、在Spaces之间传递。你可以把dots理解为游戏里的存档点，而不是录像回放。

3.2 dots的语法与生命周期

dots的核心抽象是：一个dot就是一个JSON结构加元数据，包含唯一ID、创建者、所属Space、TTL、引用关系，以及一个可选的payload。

在ChatGPT界面上，直接输入@dot save就可以把当前上下文的关键结果存成一个dot。在Codex CLI里，操作也很直接：

$ codex > 完成依赖分析后执行: @dot save "dep_graph" --ttl 24h

对应的API调用是：

dot = client.dots.create( space_id="spc_payments_core", name="dep_graph", payload={ "node_count": 1200, "scc_count": 34, "risk_files": ["services/auth.py", "internal/ledger.py"] }, ttl_seconds=86400, ) print(dot.id)

保存之后，其他会话可以用@dot load dep_graph或者API的client.dots.resolve(dot_id)把它取回来，拿到的不只是payload，还有当时的上下文快照路径，方便继续执行。

dots的生命周期有几个关键点：

• 创建后默认可被同一Space的成员访问；
• 每次更新会产生新版本，旧版本可回溯；
• TTL到期后自动清理，默认是24小时；
• dot的权限继承自Space，不额外再设权限，减少配置复杂度。

这里要强调一句：dot不会自动生成，必须显式保存。很多团队以为模型每跑一步都会自动存档，回来发现什么都没有。这是最常见的误解。

3.3 dots和MCP的定位差异

很多开发者会问：dots和MCP不是重复了吗？

其实两者解决的问题完全不同。MCP是让模型能连接外部工具和数据的协议，解决的是"手和眼"的问题；dots是让任务内部的中间状态可以被寻址和恢复，解决的是"记忆和存档"的问题。

我用一个类比：MCP是模型的手和眼，去操作外部系统；dots是任务里的存档点，让任务可以中断、恢复、交接。一个Agent可以一边通过MCP调用外部工具，一边把关键产出写成dots，另一个Agent再从一个dot继续往后做。两者是互补关系，不是竞争关系。

另外我观察到，dots的出现很可能带动一批新的Agent框架设计。以前我们在框架里写状态管理都要自己定义数据结构，现在dots提供了统一标准，跨Agent传递状态会简单很多。

3.4 dots实测中的坑

我实际跑了几天，碰到几个值得注意的问题：

• TTL默认24小时，做跨周任务时必须显式调长，否则第三天就"失忆"。很多团队第一周用得很爽，第二周发现之前的任务全没了，基本都是这个原因。
• dot的payload上限是1MB，超过之后要转成文件引用，不能硬塞。
• 不要把dots当数据库用。频繁读写dots会产生费用，现场有人一口气存了上千个dot，发现用量账单涨得很快。
• 如果你的Agent框架底层没有实现dots接口，看到的就是普通字符串，需要自己处理。

4. ChatGPT Spaces：面向团队协作的Agent工作区

4.1 Spaces解决什么问题：从"一人一窗"到"一个项目一组Agent"

过去半年，我团队里每个人都有自己的ChatGPT和Codex会话，遇到项目问题时各自解决，结果就是信息割裂：A问过的问题B再问一遍，Agent跑出来的结论散落在个人账号里，没有权限管理，也无法追溯。

ChatGPT Spaces解决的就是这个问题。一个Space可以理解为一个"AI项目容器"，里面能组织成员、会话、文档、知识库、Agent任务运行记录、dots索引和用量看板。它的价值不在于多了一个聊天文件夹，而在于给团队的AI协作提供了权限边界和审计能力。

4.2 创建Spaces与权限模型实操

我现场跟着演示走了一遍，创建流程大致是：

1. 打开ChatGPT主界面，左侧栏找到"Spaces"入口，点"新建Space"。
2. 填写名称和描述，例如payments-core，选择类型：项目、部门或个人。
3. 配置成员和角色：Owner、Editor、Viewer、Auditor。
4. 绑定数据源：可以直接连接GitHub仓库、Notion页面、Confluence空间，也可以上传文档。
5. 设置Agent额度：限定本月可调用的Sol请求次数、reasoning effort上限、dots数量上限。
6. 创建完成后会生成一个Space ID，格式类似spc_...，API中通过这个ID关联任务和数据。

权限模型我用表格列一下：

这里特别提醒：Spaces权限和API Key是两套体系。你的个人API Key不会因为加入Space就暴露给同事。团队要用统一的模型额度，需要在组织后台创建"项目级Key"，而不是把个人Key发给同事。官方在会场也强调了一点：任何让你共享同一个Key的行为都是危险的信号，正确做法是分配独立身份和角色。

4.3 Spaces + dots + Sol的组合拳：一个可落地的团队Agent工作流

三个功能组合起来，工作流可以这样设计。

假设团队要做一次大版本升级，涉及依赖兼容性分析和代码迁移：

1. 在Spaces里创建upgrade-2026空间，绑定代码仓库和issue看板；
2. 分析师用一个Sol会话跑兼容性扫描，把高风险文件列表存成dotcompat_scan；
3. 开发组的Agent通过@dot load compat_scan拿到风险清单，自动生成迁移分支并提交PR，任务状态写回Space；
4. 夜间批量任务中途中断，第二天通过dot恢复执行位置，不需要从头开始；
5. Reviewer在Space里查看Agent的完整执行轨迹，包括每一步调用的工具和读过的文件，确认后再合入。

这套流程里，Spaces提供权限边界和审计，dots负责状态传递，Sol负责长程任务执行。三者配合，Agent才真正从"单点工具"变成了"团队成员"。

5. 开发者生态的连带变化：Codex、API定价、企业服务

5.1 Codex CLI的更新：welcome to codex 标志着一个转向

Codex CLI v3是我个人最期待的新版本。安装后终端运行codex，会先看到welcome to codex引导，然后可以选择登录方式：ChatGPT账号或者API Key。

用ChatGPT账号登录的意思是，ChatGPT Plus、Pro、Team订阅用户可以直接在订阅额度内使用Codex，不用单独按token付费。这对个人开发者非常友好。我现场用Pro账号试了下，终端里跑codex run，速度稳定，配额和ChatGPT网页版是打通的。

新增的codex run非交互模式值得关注，适合接脚本和CI：

codex run "分析这个issue并按团队规范生成PR" --model gpt-6.1-sol

它会输出结构化结果，包括生成的代码、引用文件和执行日志，CI可以解析这些输出完成自动化。另外codex dots子命令可以在会话中查看、保存、引用dots，把CLI和Spaces的联动打通了。

5.2 API Key管理与用量控制的新功能

API方面的变化也值得关注。现在组织后台支持创建"项目专用Key"，一个Key只能访问特定的Space和模型，避免了一个Key走天下的风险。

用量告警支持按项目分账，超过阈值可以自动暂停任务。我建议每个项目单独建Key，并设置月度预算，这样即使某个Agent任务失控，也不会影响整个组织。

再次强调：不要把API Key写在代码仓库、聊天记录或公开文档里。官方发布的secret扫描工具能帮你发现已经泄露的Key，但更关键的是从一开始就不分享Key本身。正确做法是通过Spaces的成员权限来共享能力。

5.3 这批发布中最容易踩的坑

最后集中说几个我见到的高频问题。

第一个是Windows上安装Codex报错。很多人会遇到missing optional dependency @openai/codex-win32-x64，原因是npm安装optional依赖时缓存或网络问题导致跳过。解决方式很直接：

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

如果还不行，去官方下载独立二进制安装包，一般不推荐手动去补装@openai/codex-win32-x64，版本非常容易和主包对不上。

第二个是模型名写错。gpt-6.1-sol是通用别名，gpt-6.1-sol-2026-05-07是快照版本。快照版本不是所有区域都部署了，调用前先确认文档。只要不是对版本有强制要求的场景，都用别名。

第三个是Spaces审计日志的延迟。免费版和Plus版的审计日志有24小时延迟，企业版才是实时。如果团队对合规有要求，直接上企业版，在Plus里折腾权限策略会浪费很多时间。

第四个是dots的TTL。这个问题重复出现：默认24小时过期，跨周任务必须显式调长。建议在创建Space时就规划好默认TTL策略，避免后面大量任务丢失。

现场看到发布时，我第一反应是"又要换API了"。但实际回去把三个功能组合起来用之后，我更愿意把这届DevDay理解成一次AI开发工作流定义权的争夺。GPT-6.1 Sol解决长程任务执行，dots解决状态恢复与传递，Spaces解决团队协作边界，三者合起来，Agent才能真正成为团队的一员。

如果你准备上手，我建议按这个顺序：先玩Codex CLI配合ChatGPT账号登录，体验终端里跑Agent的顺畅度；然后开一个Spaces团队试用，把两三个常用项目迁进去；最后再逐步把生产API任务迁到Sol。不要一次性全切，每个环节单独验证稳定了再上量。

说到2025年我们还在讨论提示词工程，到2026年体会更深了：维护好Agent的状态、权限和上下文，已经比写提示词更影响交付质量。这也是我为什么把dots单独拿出来讲——短期看它只是个标记语法，长期看，它可能是Agent协作的事实标准。所以别只盯着GPT-6.1 Sol的跑分，更值得投入时间的是熟悉dots和Spaces，提前把工作流搭起来。