企业官网建设流程全解析

1. 现场节奏和发布全景：模型、Agent、协作三条线同时落地

说实话，我是在开场前二十分钟才挤进 DevDay 2026 主会场的。今年的人比前两届更多，门口的长队让人一度怀疑是不是走错了场馆。等真正坐下来，主 Keynote 推进速度比我预想的快得多——整个发布流程几乎没有废话，一位接一位产品负责人上台，二十多项更新密集砸下来，光是翻开官网的发布列表就够看上半小时。

三个最重的发布自然集中在主舞台黄金时段：第一个是dots，OpenAI 的 AI 命令行编程智能体；第二个是ChatGPT Spaces，把 ChatGPT 从个人对话框升级成可多人协同的 AI 工作空间；第三个是GPT-6.1 Sol，新一代旗舰推理模型。三者的关系非常清楚：GPT-6.1 Sol 是大脑，dots 是手，Spaces 是工作台。OpenAI 这次不再只谈单一模型能力，而是在交付一套围绕"智能体协作"的完整工作环境。

如果只看标题，你可能觉得这就是一次常规版本迭代。但等我把现场发的资料和 API 文档过完一遍后，发现今年的发布有个明显信号：OpenAI 开始认真对待"开发者在真实生产环境中怎么用 AI"这件事了。模型清单、开发者工具、协作产品、安全机制四条线同时动刀，落在开发者身上的实际变化比纸面上看到的更大。

为了不显得太散，我把当天发布的二十多项更新先按类别捋了一遍。主舞台上明说的发布有 22 项，我按自己的理解归成了四类：

这一章我不打算逐条罗列，而是先把整场发布的主线讲清楚，方便后面展开重点。整场 Keynote 最触动我的不是某一份模型评测数字，而是 OpenAI 台下坐着的观众构成变了。前排几乎都是带着笔记本的工程负责人和独立开发者，提问环节一半问题都围绕智能体上生产环境时的稳定性、权限和成本。这说明大家已经把注意力从"模型参数有多强"转移到了"这些东西放进业务系统里到底怎么干"。

所以这篇回顾我也不会去堆参数，而是把 dots、Spaces、GPT-6.1 Sol 这三样重点产品拆开讲透，再带你扫一遍剩下十几项里值得关注的东西。我会尽量用拿到手上手的视角来写，结合我当天试过的真实路径，以及回来后两三天里在本地环境里折腾这些 API 的体会。

2. dots 深度拆解：从"补全代码"到"代管整个工程任务"

2.1 dots 到底是什么

dots 的完整产品名是"OpenAI dots"，定位于一个运行在终端里的 AI 编程智能体。你可以把它理解成 ChatGPT 的代码能力装进了一个命令行工具，但在设计逻辑上和服务器的 Coding Agent 完全不同。之前大家更熟悉的是那种帮你补全代码的 IDE 插件，dots 的思路是：你告诉它一个工程级任务，它会自己去读仓库、定位问题、改多个文件、跑测试，甚至帮你提交 commit。

我在现场看产品经理演示了一个真实 bug 修复场景。他在一个模拟的支付服务仓库里输入了一句：

查一下订单服务在并发高的时候为什么会出现 504 超时，修复后跑通测试

dots 拿到任务后先打开了项目结构文件，圈定了涉及订单路由的目录，然后一路查看了三四个相关模块的源码，最终定位到一处数据库连接池配置过小的问题。整个过程里它打印出了自己的思考轨迹：读哪些文件、为什么怀疑那个位置、准备用哪种方式修复。等确认方案后，它自动改了代码，跑了测试，展示了通过结果，最后还把改动整理成了一个 commit message。全程大概四分钟，没有一次人类干预。

这个演示之所以给我留下深刻印象，是因为它体现的是一种"任务代理"逻辑。传统 AI 编程工具更像键盘上的联想输入，dots 则是在终端里常驻一个能干活的工程师，你跟它协作时不需要逐行指挥。它内部用的是 OpenAI 新推出的 Agent Runtime，这套运行时负责把任务拆解、文件读取、命令执行、测试反馈这一系列步骤串起来，每一步都有日志记录和可审计的轨迹。

2.2 从 Codex 到 dots：新一代命令行智能体的变化路径

如果你用过 2025 年下半年发布的 Codex 或类似的命令行编程智能体，你会发现 dots 不是从零起步的产品。它更像是 OpenAI 把过去积累的 CLI 智能体经验、沙箱执行能力，以及 GPT-6.1 Sol 的推理能力整合在一起的集大成版本。

和上一代产品相比，dots 有四个明显的改进方向：

• 任务拆解能力更强。GPT-6.1 Sol 的长上下文和任务规划能力让 dots 能够理解"一个完整需求"而不只是"一个代码问题"。你甚至可以描述一个跨前后端的需求，比如"给订单页加一个批量取消功能，后端接口和前端按钮一起做"，它会把工作拆成子任务逐一完成。
• 可读工程上下文。dots 启动后会自行阅读 README、代码结构、依赖配置、测试目录，快速建立对项目的基本认识。你不需要花时间向它解释项目背景。
• 沙箱执行机制。它修改代码后会先放在沙箱环境里跑测试，而不是直接动你的本地主分支。测试过了再应用到工作区，这套机制能显著降低改代码对项目稳定性的冲击。
• 更自然的协作方式。中断、追问、修改建议都被设计成了简单的自然语言交互。比如你可以说"等一下，先把缓存方案改成 Redis"，它就会停下当前动作，调整计划继续。

我要特别提醒一点：dots 虽然能干，但绝不意味着你可以当甩手掌柜。它的正确使用姿势是把"需求描述"和"结果验收"这两件事抓好。任务开始前的描述越清晰，任务结束后的代码质量越高。我在自己的一个 Go 微服务项目里试过一次丢给它一个模糊需求，结果它把不存在的依赖也装进了 go.mod，最后花了十分钟才反向排查出来。这个教训是：dots 不等于自动完成，它只是把写代码的过程提速了，项目的业务逻辑仍然需要你亲自把关。

2.3 我拿真实项目跑了一遍 dots：路径与踩坑记录

回来之后我立刻在本地环境里装上了 dots。安装过程很简单，本质上是一个 CLI 客户端，通过 ChatGPT 账号登录后就能使用。我用的方式是在终端里执行官方给的安装命令，然后运行dot login走浏览器授权。整个过程和很多 CLI 工具类似，不需要手动配 API Key，对不熟悉命令行生态的人也相对友好。

我挑了一个自己维护的 Python 数据处理服务试跑。这个项目有一个长期积压的问题：某张报表在数据量过万时会超时。我给出的任务是"定位报表超时原因并优化，要求不改变输出格式"。dots 的执行过程大致如下：

• 先扫描了项目的目录结构，发现报表生成逻辑集中在report.py，数据查询分散在db/queries目录。
• 它并行读了report.py和数据查询文件，很快把问题锁定在低效的逐行循环调数据库查询上。这个判断基本准确。
• 它提出改用批量查询方案，并自己写了一个优化版本。我在中途打断说"注意保留原有的数据去重逻辑"，它停止后重新读取了相关函数的测试用例，调整了实现。

整个任务在十几分钟内完成，测试通过，输出格式保持不变。但我也踩到两个坑，这里值得写出来：

第一个坑是沙箱与本地环境的依赖差异。dots 默认在沙箱里跑测试，沙箱里的依赖版本和我本地环境不一致，导致沙箱里通过的测试在我的环境里却报错。解决办法是在任务描述里明确标注"测试命令必须在本地 Python 3.11 环境执行"，或者预先检查它的执行计划。

第二个坑是长时间任务里的上下文漂移。我试过一次给它布置一个跨二十个文件的大改造任务，执行到后半段时，它开始遗忘自己最初定的变量命名规范。后来我发现 dots 有 /resume 命令可以分段续跑，也可以把整体目标拆分后逐步确认。这个特点很重要：任务越大，中途确认节点越应该多设几个。

3. ChatGPT Spaces：把 ChatGPT 从"对话框"变成"智能体协作场"

3.1 为什么需要 Spaces

说完了处理代码的终端智能体，再来聊一个和普通用户关系更密切的产品：ChatGPT Spaces。坦白说，在公开宣发之前我是一个对"AI 协作空间"概念比较怀疑的人——ChatGPT 不是本来就允许多人共享对话框吗？为什么还要单独做一个全新产品形态？

听完产品介绍和几个实际场景的 demo 后，我理解了其中的差异。个人对话框里，AI 的上下文是围绕一个话题或一个账号的；在 Spaces 里，上下文被上升到了"项目空间"的层面。一个 Space 可以容纳多个成员、多个 AI 协作者、共享的知识库，以及一套持续运行的智能体任务。简单说，以前的 ChatGPT 是"你和 AI 的一对一聊天"，Spaces 是"一个房间里坐着真人同事、AI 同事和项目文档，大家围绕同一件事一起干活"。

试想一个典型的运营团队场景：你有一份每周都要更新的竞品分析报告。原来你需要在 ChatGPT 里复制粘贴本周数据，反复提示它格式要求；有了 Spaces 后，你可以把竞品数据源、历史报告格式、品牌口径说明全部挂在空间里，配置一个专属 AI 分析师。每周它自动读取数据、按格式生成初稿，团队其他人在空间里直接审阅、批注、要求修改。这个工作流不是靠一次"聪明对话"完成的，而是靠空间的"长期记忆"和"固定角色"沉淀下来的。

3.2 Spaces 里的几个关键设计：成员、协作者和知识库

我对 Spaces 的实际体验比预想的要深，主要是因为现场提供了试用账号。整个产品的核心模块可以拆成四块：

• 空间成员：你可以把团队成员邀请进 Space，每个人的对话和修改记录都是独立可见的。权限可以精细设置到查看、评论、编辑、管理四个层级。
• AI 协作者：这是 Spaces 最有意思的地方。每个空间可以配置多个不同职责的 AI 助手，比如"数据分析助手""文案初审助手""代码审查助手"。这些协作者可以使用不同的模型配置，绑定不同的知识库范围，相当于你拥有一支可无限扩容的虚拟团队。
• 共享知识库：你可以把公司内部文档、产品说明、历史项目资料上传到 Space 的知识库。协作者回答问题时自动引用这些资料，又不会暴露给不在该空间内的其他人。
• 任务看板：空间里的任务不只是聊天，它们会以卡片形式呈现，包含开始时间、责任协作者、完成状态。这个设计大大提升了"AI 协作"的可管理性。

我在试用时搭了一个模拟"客服话术优化"的 Space。我把过去三个月的客服对话记录导入知识库，配置了一个协作者负责提炼高频问题和标准回答。团队同事在空间里提问的时候，协作者会引用具体的对话记录作为依据，而不是泛泛地给建议。这个模式下，AI 的回答质量和效率都比单独对话框有了明显提升。

这里有一个很重要的安全提醒：Spaces 的知识库权限是内容所有者的核心关切。如果你是企业用户，务必在创建空间时花几分钟检查每个成员的默认权限级别，尤其是"编辑"权限。我在试用时发现，默认设置下某些协作者可以引用全部知识库文档，这在一个规范的公司环境里可能造成不必要的越权风险。

3.3 Spaces 的成本与适用边界

使用 Spaces 需要 ChatGPT 的 Plus、Pro 或 Business 版本。本次发布会上 OpenAI 也强调了 Spaces 的智能体调用频率与语言模型用量直接相关。更直白地说，你配置的 AI 协作者每次执行任务、读取知识库、生成回答，都会消耗计算资源。团队使用越多，费用增长越快。

我个人的判断是，Spaces 最适合三类团队：

• 有固定知识沉淀和重复性分析需求的业务团队，例如运营、客服、市场。
• 需要对 AI 产出做多人审阅、留痕、迭代的团队。
• 希望把 AI 从"随手问答"升级为"流程固定工作"的中小型组织。

如果只是个人记笔记、做问答，老老实实用普通 ChatGPT 就够了，不需要上 Spaces。因为它多出来的协作能力，本质上是为了处理"多人+长期+共享上下文"这种复杂场景，单纯追求对话质量的话，边际价值不大。

4. GPT-6.1 Sol：核心模型升级到底升级了什么

4.1 模型矩阵与命名逻辑

GPT-6.1 Sol 是 OpenAI 本次发布的全新旗舰模型。你看到 Sol 这个后缀时可能会好奇它的含义——官方材料里提到的定位是"带完整规划能力的推理模型"。整个模型矩阵也变得更加清晰：

值得注意的是，OpenAI 这次没有刻意去分"推理模型"和"普通模型"两条线，而是强调同一个基础模型里，推理深度是可调的。GPT-6.1 Sol 的默认模式会为需要规划的任务自动分配更多的推理计算量，这有点像是自动驾驶里的"舒适模式"和"运动模式"——同一个引擎，根据路况调节功率输出。

从我拿到的公开资料和试跑 API 的结果看，GPT-6.1 Sol 最值得开发者关注的三个升级方向是：

• 上下文跨度加大。官方公布的上下文窗口扩展到了 4M token 量级，这意味着你可以把一整本数百页的技术手册或一个大型代码仓库直接塞进上下文。我在本地测试时，把一个中型微服务的所有源码文件一次性放入上下文进行评审，效果比之前分片处理好了很多。
• 任务规划能力明显增强。这次的模型不再只做"下一步预测"，而是会先输出一个任务执行计划，再逐步执行。这种"先规划后执行"的模式，正是 dots 这类智能体能够稳定工作的底层原因。
• 多模态融合更自然。文字、图像、音频的输入输出在统一接口下完成，不再需要为了处理不同模态而切换不同 API。我试了让模型"看"一张架构图然后生成对应的代码结构，准确度已经接近实用水平。

4.2 API 调用方式的调整：需要注意的响应格式变化

模型升级必然带来 API 的变化。这次 API 层面向外传递的最大变化是统一了"响应对象"的格式。简单说，以前如果要做多模态输入、工具调用、流式输出，你可能要分别处理不同类型的事件结构；现在这些事件都被规范成了统一的协议，一个接口搞定。这个改动的底层逻辑是：OpenAI 在把一切能力向"智能体运行时"对齐。当你调用模型时，不再只是拿回一段文本，而是拿回一个结构化的行为结果，里面包含了模型计划、调用的工具、产生的中间输出、最终答案等信息。

下面这个伪代码示例大致演示了新的调用方式：

from openai import OpenAI client = OpenAI() response = client.chat.completions.create( model="gpt-6.1-sol", messages=[ {"role": "user", "content": "分析这份销售数据，找出下滑原因，并给出三条建议"} ], chatgpt_planning={ "enabled": True, "reasoning_effort": "high" } ) # 响应里不仅有 final content，还有计划、推理摘要、工具调用记录 print(response.choices[0].message.plan) # 模型生成的执行计划 print(response.choices[0].message.content) # 最终回答

和以前最大的不同是，你现在可以直接拿到模型的任务计划。这就让"可调试的 AI"从理念变成了现实——你能看到它打算怎么干，如果觉得计划不对，可以随时打断并纠正。

API 定价方面，整体价格比上一代旗舰模型有一定下降，但推理深度选项会影响实际用量。具体的单价以官方价格页面为准，这里不展开，因为 OpenAI 的计价体系经常调整，写死了反而误导人。

4.3 实测感受：长代码评审与复杂业务问题

我在回来后用 GPT-6.1 Sol 跑了两个比较标准的测试任务。第一个是长代码评审。我把一个数据同步服务约一万行的源码放进去，让它找出性能瓶颈和潜在的并发安全问题。它给出的结论里，有两个查找方向是之前人肉评审没注意到的：一个是在高并发下的 Redis 连接复用问题，另一个是分批查询时游标边界条件不严谨。虽然它给出的修复建议未必全对，但"发现问题"的覆盖面已经明显增强。

第二个任务是复杂业务问答。我问了一个涉及多步骤计算的定价场景：给定不同客户类型的折扣规则、订单金额、税费比例、物流费阶梯，让它计算一批订单的最终结算总额。模型没有直接甩给我一个结果，而是先把计算过程拆成步骤，再逐项带入数字，最后给出汇总。这种可审计的计算过程对于财务、运营类场景非常关键。

不过我也要泼一盆冷水：模型在当前阶段仍然会出现"看起来合理但实际站不住脚"的推理。比如它在一次回答中，为了凑出一个结论，引用了一段并不存在的统计口径。我的经验是：GPT-6.1 Sol 适合做"高水平的起草者"和"耐心的检查员"，但做最终决策前，人类依旧需要对关键假设进行验证。它大幅压缩了思考时间，却不会替代你的专业判断。

5. 其他二十多项发布里，最值得开发者跟进的十个能力

5.1 从 API 生态到模型平台的真正变化

主舞台时间有限，不少发布只是匆匆带过，但其中一些对我的开发影响甚至不亚于三大主发布。这里挑十个我认为值得开发者认真看的，按实用度排序：

• Agent Runtime：这是 dots 和 muse 的底层引擎，官方现在把它开放给第三方开发者。你可以用它在自己的应用里构建自定义智能体。它提供任务拆解、工具调用、步骤回放的标准化接口，省去自己写状态机的功夫。
• muse：现场提到的一个偏向创意设计场景的多模态智能体工具。和 dots 偏代码不同，muse 可以处理图片、文案、排版等创意任务。发布会现场演示了它根据一句话生成一套海报方案的过程，效果比常规文生图工具更完整。
• Realtime API 大升级：语音对话的延迟被压到了数百毫秒级别，并且加入了更自然的打断与恢复能力。语音客服、陪伴类应用、实时会议助手都可以用它搭建。
• Unified Tool Protocol：统一了外部工具调用的协议。以前接数据库、调业务 API、操作网盘，各家有各家的格式，现在可以统一适配。这一步是为了解决智能体时代的"工具碎片化"问题。
• 知识库挂载 API：允许开发者把任意数据源直接挂到模型调用上，不用自己实现检索增强生成（RAG）全流程。我试了一下，加载速度比自建向量库快不少。
• 评估套件升级：提供了更细粒度的评测指标，能独立衡量模型的规划质量、工具调用准确率、指令遵循率。这对重度依赖模型的团队来说很有价值。
• 沙箱执行环境 API：官方把 dots 里用的代码沙箱开放出来，方便开发者构建安全的执行环境。这在做自动化任务、批量脚本时非常实用。
• GPT-6.1 mini 降价：mini 版本的价格大幅下探，对于做需要高并发、大批量调用的产品，可以明显降低单次交互成本。
• 缓存计费优化：相同上下文重复调用的场景，缓存命中后价格大幅降低。这适合客服系统、售前问答等高频复用场景。
• 插件系统升级：ChatGPT 的插件生态从"适配特定应用"变成了"适配任意场景"，并且和新版 Spaces 深度打通，开发者写的插件可以直接被空间里的协作者调用。

5.2 哪些发布会改变我们的技术选型

如此多的发布同时落地，必定会影响接下来半年的技术选型。我的观察是，以前大家比较习惯的模式是"选一个模型，调一个接口，接到业务里"。但现在 OpenAI 正在从"模型提供商"变成"智能体平台提供商"，这带来最直接的变化是：你将不只是评估一个模型的好坏，而是评估一套工作流能否在你的场景里真正跑通。

举个例子，如果你要做客服机器人，以前你主要比较各家模型的意图识别准确率和响应速度。现在你还会关心：能否用 Spaces 快速沉淀客服知识？Agent Runtime 能否自动完成多轮信息核对？沙箱 API 能否安全地让机器人操作后台系统？这些已经不是单纯的模型问题，而是一个系统工程问题。

我自己的技术选型思路是：把模型当引擎，把平台当工具箱。引擎再强，也需要工具箱里的扳手和螺丝刀配合。对于团队来说，与其花两个月从零搭建一套智能体基础设施，不如先用官方提供的能力跑通最小闭环，再把瓶颈部分替换成自研方案。

6. 对日常开发方式的影响，以及我建议你现在就做的事

6.1 智能体不再是"玩具"，开发者的工作方式正在重构

参加完 2026 年这场 DevDay，我最强烈的感受是：智能体概念已经完成了从"技术演示"到"生产工具"的跨越。dots 在现场演示里已经在真实仓库里改代码，Spaces 已经在真实团队里做协作，GPT-6.1 Sol 已经在处理过去需要人工介入的复杂推理任务。这意味着我们不能再把这些东西当作未来趋势看待，它们已经进入可以按小时计价、被大量组织采用的阶段。

从个人开发者到三五人的小团队，再到上百人的企业，都会不同程度地受到这次发布的影响。我的判断是：

• 单兵作战的开发者：dots 能帮你省下大量重复编码时间，但不是让你不写代码，而是让你把时间花在更重要的事情上。你可以把"搭框架、写模板、跑测试"交给它，自己专注在业务逻辑和架构设计上。
• 中小团队：Spaces 值得认真研究。它把 AI 从个人工具变成了组织资产，团队的知识沉淀、文档协作、任务流转都可能围绕它重构。
• 企业用户：重点是评估 Agent Runtime 和沙箱 API 的合规性和可管理性。在安全边界清晰的前提下，智能体能自动处理大量内部流程，但权限审计、数据隔离、模型输出质量监控这些问题必须先设计好再规模化。

6.2 接下来一两个月，我建议你怎么一步步跟进

如果你看完这篇回顾，想知道下一步该做什么。我的建议很简单：

• 第一周：把 dots 装起来，跑通一个真实任务。先不要求它做大改造，从一个你熟悉的 bug 修复任务开始，观察它的执行路径和修改逻辑，重点是在它动手前学会"踩刹车"——即合理打断、纠正方向。
• 第二周：把一个重复性的周报或数据分析流程搬进 Spaces。拉上一位同事共同使用，感受知识库和协作者配合带来的变化，同时测算它的时间成本和 API 消耗。
• 第一个月：选一个新项目，尝试用 Agent Runtime 搭建一个定制智能体。不要急着替换现有系统，而是找一个全新的、低风险的小场景，积累团队对智能体工作流的理解和监控经验。

如果你是技术负责人，我额外多说一句：这次发布的真正价值不是某一个模型或某一个工具，而是开发范式变了。过去你招人时看重"会不会写代码"，未来你还需要判断"能不能清晰地定义任务、有效地监督 AI 执行"。我甚至觉得，把需求描述清楚、把验收标准定好，将成为 AI 时代开发者的核心竞争力。这听起来有点绕，但我回来这两天已经反复体会到了：同样的工具，在不同人手里，产出的质量差距非常大。

至于我自己，接下来准备先把 dots 深度接入日常开发流程，从小的维护任务开始，再逐步扩展到模块级开发。同时我也会花一些时间研究 Agent Runtime 的边界能力和沙箱权限模型，因为我相信，接下来的应用生态里，真正能拉开差距的地方就是智能体的"执行力"和"安全性"这两端。