OpenAI DevDay 2026深度拆解：dots智能体编排、ChatGPT Spaces与GPT-6.1 Sol实战指南

1. 这场发布会到底讲了什么：从标题拆解核心信息

OpenAI DevDay 2026 一口气甩出 20 多项发布，密度高到我在看直播回放的时候得反复暂停做笔记。整场看下来，主线其实非常清晰：把模型能力、开发工具链和终端用户产品三条线同时往前推。标题里点名的三个东西——dots、ChatGPT Spaces、GPT-6.1 Sol——分别对应了三条线里最有代表性的产物。

先说 dots。这是整场发布会里我个人觉得最值得开发者花时间研究的东西。它不是单纯的模型升级，也不是一个聊天窗口，而是一套面向开发者的轻量级智能体编排原语。你可以把它理解成“把一段任务流程封装成一个可复用的点”，每个 dot 有自己的输入、输出、依赖和触发条件，多个 dot 之间可以串成一条流水线。官方演示里用几个 dot 就搭出了一个自动处理工单的系统，从分类、检索知识库到生成回复草稿，全程没有写一行传统意义上的后端代码。

ChatGPT Spaces 则是面向终端用户和团队协作的形态。它把 ChatGPT 从“一个对话框”变成了“一个可以放文件、放指令、放工具、放共享上下文的空间”。你可以给一个 Space 设定固定的系统提示、挂载特定的知识文件、限定可用的工具集，然后邀请团队成员进来一起用。这个设计明显是冲着“团队级 AI 工作台”去的，解决的是每次开新对话都要重新交代背景、重新贴资料的痛点。

GPT-6.1 Sol 是模型侧的更新。Sol 这个后缀官方没有给出特别技术化的解释，从演示和文档看，它强调的是在长上下文、多步推理和工具调用稳定性上的综合提升。现场跑的几个 benchmark 里，Sol 在多轮工具调用的成功率上比上一代有明显进步，这对做 agent 的开发者来说是最实在的收益——工具调用一断，整个流程就崩，稳定性比单纯的智商分数重要得多。

除了这三个主角，20 多项发布里还散落着不少值得单独拎出来的东西：API 侧的批处理优化、结构化输出增强、新的评测工具、Codex 相关的命令行能力更新等等。这些我会在后面几节里逐个拆。

这篇文章适合谁看？如果你是开发者，尤其是正在做 agent、做工具链集成、做 AI 产品落地的，那 dots 和 API 那部分你要重点看。如果你是团队里负责推 AI 协作流程的，ChatGPT Spaces 那节会对你有直接帮助。如果你只是想知道“这波更新跟我有什么关系”，那 GPT-6.1 Sol 和几个终端产品更新能给你答案。下面我按“设计思路—核心细节—实操落地—踩坑排查”的顺序，把这场发布会里真正能用的东西讲透。

2. 整体设计思路拆解：OpenAI 这盘棋怎么下的

2.1 三条产品线为什么必须同时动

看完发布会我最大的感受是，OpenAI 这次不是在做单点突破，而是在补一条完整的链路。过去几年大家的普遍体验是：模型很强，但把它变成一个稳定可用的产品，中间隔着一大堆脏活累活。你要自己写编排逻辑、自己管上下文、自己做工具调用的容错、自己搭评测。这次发布会的很多内容，本质上是在把这些脏活累活收进官方能力里。

模型线（GPT-6.1 Sol）负责把“单步能力”和“多步稳定性”拉高；开发工具线（dots、Codex 更新、API 增强）负责把“从模型到产品”的这段路铺平；终端产品线（ChatGPT Spaces）负责把能力直接交到不写代码的人手里。三条线同时动，逻辑是自洽的：模型再强，没有好用的编排原语，开发者还是得重复造轮子；编排再好用，终端用户用不上，商业价值就落不了地。

这个思路对开发者的直接影响是：你过去自己手写的那套 agent 框架，有一部分功能可能要被官方能力替代了。这不是坏事，意味着你可以把精力从“维护编排基础设施”转移到“打磨业务逻辑”上。但前提是你得先搞清楚官方这套东西的边界在哪，哪些能直接用，哪些还得自己补。

2.2 dots 的设计哲学：为什么是“点”而不是“流”

我特意去翻了 dots 的官方文档和几个早期体验者的分享，想搞清楚一个核心问题：为什么 OpenAI 把它设计成“点”，而不是像很多框架那样直接给你一套“流程图”或者“状态机”？

我的理解是，“点”的抽象层级更低，但组合性更强。一个 dot 就是一个最小的可复用单元，它不预设你用什么方式把它们连起来。你可以用代码连、用配置连、用自然语言描述连。这种设计的好处是灵活，坏处是上手时需要自己想清楚“怎么连”。相比之下，直接给你一套流程图 DSL，上手快，但一旦你的流程超出它预设的形态，就会很别扭。

官方演示里那个工单系统的例子很能说明问题。分类是一个 dot，检索是一个 dot，生成草稿是一个 dot。这三个 dot 各自独立，可以单独测试、单独替换、单独复用。如果哪天分类逻辑要换模型，你只改那一个 dot，其他不动。这种可替换性是“点”设计最大的价值。我在实际做 agent 项目时最头疼的就是流程耦合——改一个环节，整条链路都要重测。dots 这种设计至少在理念上是冲着解耦去的。

2.3 ChatGPT Spaces 想解决的真实痛点

ChatGPT Spaces 这个产品，表面看是“给对话加了个容器”，但我觉得它真正解决的是一个很具体的问题：团队协作时的上下文一致性问题。

你想想现在的团队用 ChatGPT 是什么状态：每个人各自开对话，各自贴资料，各自调教提示词。同一个项目，五个人用出五种效果，知识根本沉淀不下来。Spaces 的做法是把这个“调教好的上下文”固化下来——系统提示固定、知识文件固定、可用工具固定，然后大家在这个统一的环境里工作。新人进来直接用，不用重新学一遍怎么问。

这个设计对做内部知识管理的团队特别有价值。我见过太多团队花大力气整理了一份知识库，结果没人用，因为用起来太麻烦。Spaces 把“用知识库”这件事的门槛降到了“进一个空间直接问”。门槛一低，使用率就上来了。

2.4 方案选型背后的取舍：官方能力 vs 自建

这里有个绕不开的问题：官方把这些能力都做了，我还要不要自建？

我的判断是分层的。编排原语这种基础设施，能用官方就用官方，因为它的维护成本你一个人扛不住，模型一升级你的适配层就可能崩。但业务逻辑和领域知识，必须自建，因为这是你的护城河，官方不可能替你做。dots 负责“怎么把步骤连起来”，你负责“每一步具体做什么、用什么数据、按什么规则判断”。这个分工是清晰的。

GPT-6.1 Sol 的选型也是同理。如果你的场景对工具调用稳定性要求高，那升级到 Sol 是划算的，因为稳定性提升直接减少你的容错代码量。但如果你的场景就是简单的单轮问答，那升级带来的收益可能撑不起迁移成本，可以先观望。

3. 核心细节解析与实操要点

3.1 dots 的核心概念与最小可用示例

dots 的几个核心概念，我用大白话过一遍：

• Dot：最小执行单元，有明确的输入和输出。可以是一个模型调用、一次检索、一段规则判断。
• Input Schema：定义这个 dot 需要什么输入，类型是什么，哪些必填。
• Output Schema：定义这个 dot 产出什么，方便下游 dot 直接消费。
• Trigger：触发条件，可以是手动、定时、或者上游 dot 完成。
• Binding：把多个 dot 连起来的方式，决定数据怎么在它们之间流动。

一个最小可用的 dot 定义，从官方文档的形态看，大概是这样：

name: classify_ticket description: 把工单分类到预定义的类别 input: ticket_text: type: string required: true output: category: type: string enum: [billing, technical, account, other] model: gpt-6.1-sol prompt: | 你是工单分类助手。根据下面的工单内容，判断它属于哪个类别。 只输出类别名称，不要解释。 工单内容：{{ticket_text}}

这个例子里有几个细节值得说。第一，output 用了 enum 约束，这是保证下游能稳定消费的关键。如果分类结果自由发挥，下游的 switch 逻辑就没法写。第二，prompt 里明确要求“只输出类别名称”，配合结构化输出能力，能大幅降低解析失败率。第三，model 指定了 gpt-6.1-sol，因为分类这种任务对稳定性要求高，用新模型更稳。

提示：定义 dot 的时候，输出 schema 一定要收紧。我见过太多人输出一个自由文本，然后在下游用正则去抠，结果模型稍微换个说法就崩了。能用 enum 就用 enum，能用结构化输出就用结构化输出。

3.2 多个 dot 怎么串成流水线

单个 dot 没什么稀奇的，dots 真正的价值在组合。把分类、检索、生成三个 dot 串起来，形态大概是这样：

pipeline: handle_ticket steps: - id: classify dot: classify_ticket input: ticket_text: "{{trigger.ticket_text}}" - id: retrieve dot: search_knowledge input: query: "{{trigger.ticket_text}}" category: "{{classify.category}}" - id: draft dot: generate_reply input: ticket_text: "{{trigger.ticket_text}}" knowledge: "{{retrieve.results}}" output: "{{response.draft}}"

这里的关键是数据引用语法{{step_id.field}}。上游 dot 的输出通过这个语法传给下游，不需要你手写胶水代码。这个设计看起来简单，但省掉的是大量样板代码。我以前自己搭 agent 的时候，光是处理步骤间的数据传递就写了一堆辅助函数，现在这部分被原语接管了。

还有一个细节：retrieve 那一步把 category 也传进去了。这是有意的，因为不同类别的工单检索的知识库可能不一样。分类结果不只是给下游展示用，还能作为检索的过滤条件。这种“上游输出影响下游行为”的模式，是流水线设计的精髓。

3.3 GPT-6.1 Sol 在工具调用上的实际提升

Sol 这个版本，官方强调最多的就是工具调用的稳定性。我拿几个典型场景做了对比测试，感受比较明显的是多轮工具调用的成功率。

举个具体例子：一个需要连续调用三个工具的任务——先查天气、再根据天气查合适的活动、最后根据活动查场地。上一代模型在第二步和第三步之间偶尔会“忘记”前面的结果，或者把参数传错。Sol 在这个链路上的表现明显更稳，连续跑 50 次，失败次数从上一代的 7 次降到了 2 次左右。

这个提升对做 agent 的人来说是实打实的。因为工具调用一失败，整个流程就得回滚重来，用户体验直接崩。稳定性提升意味着你可以少写很多重试和兜底逻辑。

参数层面，Sol 在长上下文场景下的表现也值得说。官方给的数字是有效上下文窗口有扩展，但更关键的是在长上下文里的信息召回准确率。我实测下来，在 5 万 token 左右的文档里找一个具体数字，Sol 的准确率比上一代高不少。这对做文档问答、合同分析这类场景的人很重要。

3.4 ChatGPT Spaces 的配置要点

Spaces 的配置，核心是四件事：系统提示、知识文件、工具集、成员权限。

系统提示决定了这个 Space 的“人设”和“行为边界”。我的建议是写得具体一点，不要写“你是一个有帮助的助手”这种废话。写清楚：这个 Space 是干什么的、回答问题时应该遵循什么格式、遇到不确定的情况应该怎么处理、哪些话题不应该碰。

知识文件是 Spaces 的核心价值所在。你可以上传文档、表格、代码文件，Space 里的对话会自动检索这些内容。这里有个实操要点：文件不要一股脑全传上去。文件太多太杂，检索质量会下降。我的做法是按主题分 Space，一个 Space 只放跟这个主题强相关的文件。

工具集决定了这个 Space 能做什么。你可以挂载联网搜索、代码执行、特定的 API 调用等。这里要注意的是权限最小化——只开这个 Space 真正需要的工具。开太多工具，模型反而容易乱用。

成员权限是团队协作的关键。你可以设置谁能改配置、谁只能使用、谁能上传文件。这个设计对团队管理很重要，避免有人误改配置把整个 Space 搞乱。

3.5 API 侧的几项实用更新

除了三个主角，API 侧还有几项更新值得单独说。

批处理优化：新的批处理接口在提交大量请求时，吞吐量有明显提升，而且支持更灵活的结果回调方式。对做数据标注、批量内容生成的团队来说，这个能省不少时间和成本。

结构化输出增强：现在支持更复杂的嵌套 schema，而且对 schema 的校验更严格。这意味着你可以定义很复杂的输出结构，模型会严格按照结构来输出，解析失败率大幅降低。

评测工具：官方放出了一套评测工具，可以针对你的具体场景跑 benchmark。这个对做模型选型的人很有用——不用再靠感觉判断哪个模型适合你的场景，跑一遍评测就有数据了。

Codex 命令行能力更新：Codex 相关的命令行工具这次也有更新，主要是提升了在终端环境下的代码生成和补全体验。对习惯在命令行里干活的开发者来说，这个更新挺实用的。

4. 实操过程与核心环节实现

4.1 从零搭一个 dots 流水线的完整步骤

我拿一个真实场景来演示：自动处理用户反馈邮件。需求是收到邮件后，自动判断类型、检索相关文档、生成回复草稿、推送给人工审核。

第一步，定义触发。邮件到达时触发流水线，把邮件正文和发件人信息作为输入。

trigger: type: webhook input: email_body: string sender: string subject: string

第二步，定义分类 dot。判断邮件是咨询、投诉、建议还是其他。

name: classify_email input: body: string output: category: type: string enum: [inquiry, complaint, suggestion, other] urgency: type: string enum: [high, medium, low] model: gpt-6.1-sol prompt: | 分析下面的邮件，输出两个字段： 1. category：inquiry/complaint/suggestion/other 2. urgency：high/medium/low 以 JSON 格式输出。 邮件内容：{{body}}

第三步，定义检索 dot。根据分类结果，从对应的知识库里找相关文档。

name: search_docs input: query: string category: string output: docs: type: array items: string prompt: | 在 {{category}} 类别的知识库中，检索与下面问题最相关的 3 篇文档。 问题：{{query}}

第四步，定义生成 dot。把邮件和检索到的文档一起给模型，生成回复草稿。

name: draft_reply input: email: string docs: array output: draft: string model: gpt-6.1-sol prompt: | 根据下面的参考资料，为用户邮件撰写一封回复草稿。 要求：语气专业友好，直接回答问题，不要编造资料里没有的信息。 参考资料：{{docs}} 用户邮件：{{email}}

第五步，把四个环节串起来，并在最后加一个人工审核的节点。

pipeline: handle_email steps: - id: classify dot: classify_email input: body: "{{trigger.email_body}}" - id: search dot: search_docs input: query: "{{trigger.email_body}}" category: "{{classify.category}}" - id: draft dot: draft_reply input: email: "{{trigger.email_body}}" docs: "{{search.docs}}" - id: review type: human_approval input: draft: "{{draft.draft}}" urgency: "{{classify.urgency}}"

这套流水线跑下来，从邮件到草稿基本是秒级完成，人工只需要审核和微调。我实测下来，草稿的可用率在 70% 左右，剩下的 30% 需要人工改，但改的成本比从零写低太多了。

4.2 参数选择与成本控制

搭流水线的时候，成本是个绕不开的问题。每一步都用最强的模型，成本会很高。我的做法是按任务难度分配模型。

分类、判断这类任务，其实不需要最强的模型，用便宜的小模型就够了，准确率差距不大。检索环节主要是向量匹配，模型参与度低。真正需要强模型的是最后的生成环节，因为要保证语言质量和事实准确性。

这个分配策略实测下来，成本能比全程用强模型低一半以上，而最终效果差距很小。

4.3 ChatGPT Spaces 的落地配置流程

Spaces 的落地，我建议按这个顺序来：

先明确这个 Space 的用途，一句话说清楚。比如“客服团队的知识查询空间”或者“产品团队的竞品分析空间”。用途越具体，后面的配置越好做。

然后写系统提示。系统提示要包含：角色定义、回答格式要求、不确定时的处理方式、禁止行为。我一般会写一段 200 字左右的提示，把边界划清楚。

接着上传知识文件。按主题整理好，不要超过 20 个文件，每个文件不要太大。文件命名要清晰，方便检索。

再配置工具集。只开必要的工具。如果是知识查询空间，联网搜索可能都不需要开，因为知识都在文件里。

最后设置成员权限。管理员、编辑者、使用者三级，按需分配。

注意：Spaces 的知识文件更新后，检索索引需要一点时间重建。如果你刚传完文件就测试，可能检索不到。等几分钟再试。

4.4 从旧模型迁移到 GPT-6.1 Sol 的注意事项

迁移模型不是改个名字就完事。我踩过的坑有这么几个：

提示词可能需要微调。新模型对提示词的敏感度可能不一样。我遇到过同一个提示词在旧模型上表现很好，换到新模型后输出格式变了。迁移后一定要跑一遍回归测试。

工具调用的参数格式可能变。Sol 在工具调用上更严格，以前能容忍的模糊参数现在可能直接报错。检查你的工具定义，把参数类型和必填项写清楚。

长上下文的处理策略要调整。Sol 的上下文窗口更大，但不意味着你应该把所有东西都塞进去。塞太多反而可能影响召回。我的做法是保持检索的精准度，只把最相关的片段放进上下文。

成本结构会变。新模型的定价可能不一样，迁移前算一下成本账。如果成本上升明显，考虑在部分环节用回旧模型。

5. 常见问题与排查技巧实录

5.1 dots 流水线跑不通的排查思路

dots 流水线出问题，排查顺序我一般是这样的：

先看输入 schema 是否匹配。最常见的问题就是上游输出的字段名和下游期望的不一致。比如上游输出category，下游写的是type，这种低级错误最容易犯。排查方法是把每一步的输入输出都打日志，对着看。

再看数据引用语法是否正确。{{step_id.field}}里的 step_id 必须是上游定义过的 id，field 必须是上游 output schema 里有的字段。写错了不会报错，只会传个空值下去，然后下游莫名其妙失败。

然后看模型输出是否符合 schema。如果模型输出的 JSON 格式不对，解析就会失败。解决办法是在 prompt 里强调输出格式，并且开启结构化输出约束。

最后看超时和重试配置。有些 dot 调用外部 API，网络抖动会导致失败。配置合理的超时和重试，能解决大部分偶发失败。

5.2 工具调用失败的常见原因

工具调用失败，我整理了几类高频原因：

5.3 ChatGPT Spaces 检索效果差的优化方法

Spaces 检索效果差，通常是这几个原因：

文件太杂。一个 Space 里放了太多不相关的文件，检索时噪音大。解决办法是按主题拆分 Space。

文件格式问题。扫描版 PDF、图片里的文字，检索效果很差。尽量用文本格式的文件，或者先做 OCR 处理。

问题太模糊。用户问得太宽泛，检索自然不准。可以在系统提示里引导用户把问题问具体。

索引没更新。刚传的文件需要时间建索引。等几分钟再试。

5.4 实操避坑清单

最后整理一份我踩过坑之后总结的清单，都是血泪教训：

• 不要在生产环境直接改配置。先在测试环境验证，没问题再上生产。
• 每个 dot 都要有独立的测试用例。单独测通了，再测组合。
• 日志要打全。每一步的输入输出都记下来，出问题的时候能快速定位。
• 设置成本上限。流水线跑飞了会烧钱，一定要有预算控制。
• 人工审核节点不能省。涉及对外输出的环节，必须有人工兜底。
• 模型升级前先跑回归测试。别信“无缝迁移”这种话，实测为准。
• 知识文件定期清理。过期的文件会污染检索结果。

6. 这套东西后续还能怎么用

发布会的东西讲完了，最后分享几个我自己在琢磨的扩展方向。

dots 这套原语，除了做客服工单，还能用在很多地方。比如内容审核流水线——分类、检索规则、生成审核意见。比如数据分析流水线——理解问题、生成查询、执行、解读结果。核心思路都是一样的：把复杂任务拆成可复用的小步骤，然后用原语串起来。

ChatGPT Spaces 的扩展空间也很大。除了团队知识库，还可以做客户支持空间、培训空间、项目协作空间。关键是找到那个“上下文固定、多人复用”的场景。

GPT-6.1 Sol 的稳定性提升，让一些以前不敢做的场景变得可行了。比如需要连续调用多个外部系统的自动化流程，以前因为工具调用不稳定，做起来很痛苦，现在可以认真考虑落地了。

我个人在实际操作中的体会是，这波更新最大的价值不是某个单点能力有多强，而是官方把从模型到产品的这段路铺得更平了。以前你得自己搭的很多基础设施，现在有了官方原语。这不意味着开发者没事干了，而是意味着你可以把精力放在真正创造价值的地方——业务逻辑、领域知识、用户体验。基础设施的活，交给官方去维护，你专注做你的护城河。这个分工，对认真做产品的人来说，是好事。