Análise das capacidades da interface GPT-6.2 Astra: o que Multi-agent, Computer Use e MCP podem fazer? As 8 capacidades detalhadas uma a uma

Análise das capacidades da interface GPT-6.2 Astra: o que Multi-agent, Computer Use e MCP podem fazer? As 8 capacidades detalhadas uma a uma

gpt-6-2-astra-multi-agent-computer-use-mcp-analysis-pt-pt-image-0

Resposta direta: No Responses API, o GPT-6.2 Astra pode delegar subtarefas em paralelo (Multi-agent), pode operar o navegador ou a interface do desktop com base em capturas de tela (Computer Use) e também pode se conectar a serviços MCP remotos para invocar as ferramentas de negócio da equipe. Só que o executor dessas três capacidades é diferente em cada caso: a delegação é hospedada pela API, o ambiente de execução da operação de interface é fornecido pelo seu aplicativo, e o alvo da chamada MCP é o serviço remoto que você configurou.

Conclusão central: A dificuldade de engenharia está principalmente na orquestração, não na capacidade do modelo em si. Um agente de negócio que realmente sai do papel precisa deixar claro, de antemão, três coisas: quem executa cada ferramenta, até onde vai a autorização dos dados e quem valida o resultado final.

O que você vai aprender ao ler este artigo?

  • Os 6 tipos de ferramentas internas e o Structured Outputs suportados pelo GPT-6.2 Astra no Responses API, além do executor e dos pré-requisitos de uso de cada um;
  • Como habilitar o beta do Multi-agent, o número padrão de concorrência e quais tarefas são adequadas para paralelismo e quais precisam ser executadas em sequência;
  • A diferença entre os dois caminhos de execução, Computer Use e MCP remoto, incluindo aprovação, escopo de permissões e divisão de responsabilidades;
  • Como encadear recuperação, cálculo e saída estruturada para entregar um resultado de verificação de compras que possa ser auditado.

Índice: O texto começa resumindo a identidade, as especificações e o preço do modelo divulgados pela OpenAI em 17 de novembro. Em seguida, uma tabela compara o executor das 8 capacidades e, tomando como exemplo de design a “verificação de compras somente leitura”, explica na ordem os limites de paralelismo do Multi-agent, os caminhos de execução do Computer Use e do MCP, e a forma de transição da recuperação para a saída estruturada. A seção de análise no final do artigo responde: o que desenvolvedores e gerentes de produto deveriam fazer agora, primeiro.


GPT-6.2 Astra To Know: Explicação dos conceitos

Conceito Explicação breve
Responses API Interface da OpenAI para respostas de modelo e chamadas de ferramentas; as ferramentas integradas e o Multi-agent discutidos neste artigo têm como base essa interface
Multi-agent Recurso beta que habilita vários agentes colaborativos em uma única requisição Responses suportada
Subagente Unidade de trabalho que processa tarefas delegadas em um contexto independente e, ao concluir, reporta o resultado ao agente raiz
Computer Use Capacidade do modelo de localizar elementos de interface a partir de capturas de tela e solicitar a execução de operações no navegador ou na área de trabalho
MCP Protocolo que define como um cliente de modelo descobre e invoca ferramentas de serviços externos
Web Search Ferramenta que busca informações na internet pública e pode retornar a indicação das fontes na resposta
File Search Ferramenta que busca arquivos já enviados dentro de um vector store específico
Code Interpreter Sandbox gerenciado que executa Python para analisar dados e gerar arquivos
Hosted Shell Ambiente isolado hospedado pela OpenAI, no qual é possível executar comandos de terminal
Structured Outputs Capacidade de saída que restringe o formato da resposta por meio de JSON Schema
ID de chamada de ferramenta Identificador que associa uma solicitação de chamada ao seu resultado de execução, como call_id

GPT-6.2 Astra: visão rápida dos impactos

  • Engenheiros de agentes de negócios: em uma única requisição, dá para combinar delegação, recuperação, ferramentas remotas e saída estruturada, o que reduz o código de orquestração. Mas etapas como o retorno dos resultados de funções, o ambiente de execução do Computer Use e a aprovação do MCP ainda precisam ser implementadas pela aplicação.
  • Product owners: a ideia de que “os agentes conseguem operar o sistema sozinhos” agora tem suporte de uma interface oficial. Escopo de permissões, confirmação de gravação e responsabilidade pela revisão humana precisam entrar no fluxo já na fase de design do produto.
  • Equipes preocupadas com custo: o preço unitário oficial foi reduzido em relação à geração anterior. Mas o paralelismo Multi-agent pode aumentar o consumo de tokens, então o orçamento precisa ser recalculado conforme a estrutura das tarefas.

GPT-6.2 Astra — Fatos objetivos: lançamento, especificações e lista de ferramentas

Lançamento e identidade do modelo GPT-6.2 Astra

A OpenAI lançou em 17 de novembro de 2026, ao mesmo tempo, o GPT-6.2 Astra e o GPT-6.2 Sol. Oficialmente, a Astra é posicionada como um modelo voltado para raciocínio complexo, programação e trabalho profissional, com o ID de modelo na API gpt-6.2-astra, e seu predecessor é o GPT-6 Astra (gpt-6-astra). O changelog da API registrou, no mesmo dia, entradas relacionadas ao lançamento do modelo e à janela de conclusão em segundo plano.

As especificações listadas no model card são: contexto de 1,050,000 tokens, entrada máxima de 922,000 tokens, saída máxima de 128,000 tokens. O modelo aceita entrada de texto e imagem, produz texto como saída e oferece suporte tanto à Responses API quanto à Chat Completions API. Vale ficar atento a um detalhe: o model card informa que requisições com reasoning.effort definido como none são rejeitadas — ao migrar código antigo, verifique esse parâmetro.

Sobre preços, o valor unitário padrão de texto puro em contexto curto publicado pela OpenAI é cobrado por milhão de tokens: entrada normal $8, entrada com acerto de cache $0.40, saída $40. Comparado ao predecessor, a OpenAI informa que os preços unitários de entrada normal e saída caíram 20%, e o de entrada com acerto de cache caiu 60%. Esses números valem apenas para estimativas pela API oficial direta; os custos por questão em avaliações de terceiros usam outra base de preços e não podem ser comparados diretamente.

🚀 Início rápido: Se você quer primeiro validar o desempenho do GPT-6.2 Astra nos dados do seu próprio negócio, pode fazer uma chamada compatível com OpenAI usando uma chave API pelo APIYI apiyi.com. Novos usuários têm cota gratuita de teste, o que é ideal para uma validação em pequena escala antes da integração oficial. A disponibilidade das ferramentas beta depende do suporte real da plataforma.

Tabela geral de capacidades da interface GPT-6.2 Astra

A ficha do modelo lista Web Search, File Search, Code Interpreter, Hosted Shell, Computer Use e MCP como ferramentas compatíveis com o Astra na Responses API; Structured Outputs aparece como capacidade de saída, e Multi-agent é um recurso beta da Responses. O desenvolvedor declara as ferramentas disponíveis na requisição, e o modelo decide, conforme a tarefa, se deve iniciar uma chamada. Na resposta podem aparecer solicitações de ferramenta, solicitações de aprovação, resultados de execução ou texto final; os itens de saída que o cliente precisa tratar dependem de quem executa cada ferramenta.

Capacidade Quem executa Pré-requisito / configuração Ações indicadas
Multi-agent Delegação gerenciada pela Responses Habilitar explicitamente o beta Processar subtarefas independentes em paralelo e consolidar
Computer Use Navegador ou desktop fornecido pela aplicação A aplicação cuida do ambiente e da sessão autenticada Visualizar ou operar interfaces que exigem interação
MCP A OpenAI chama o serviço remoto que você configurou Endereço do serviço, autenticação, allowed_tools Consultar sistemas de negócio ou solicitar operações de escrita
Web Search Gerenciado pela OpenAI Basta declarar a ferramenta Consultar materiais públicos que mudam com frequência
File Search Gerenciado pela OpenAI Fazer upload e indexar previamente em um armazenamento vetorial Consultar documentos internos por semântica e palavras-chave
Code Interpreter Contêiner Python gerenciado pela OpenAI Gerenciar a entrada e a recuperação de arquivos Conciliação, estatísticas, geração de gráficos
Hosted Shell Contêiner de terminal gerenciado pela OpenAI Pode ser configurado com container_auto Fluxos de comandos de várias etapas e processamento de vários arquivos
Structured Outputs Restrição de formato da resposta Declarar JSON Schema em text.format Produzir dados de negócio validáveis

gpt-6-2-astra-multi-agent-computer-use-mcp-analysis-pt-pt-image-1

Como ativar o Multi-agent do GPT-6.2 Astra e o escopo de compartilhamento

Para ativar o Multi-agent, é preciso definir multi_agent.enabled na solicitação Responses. Se você estiver usando HTTP bruto ou WebSocket, também deve incluir o cabeçalho OpenAI-Beta: responses_multi_agent=v1; com o SDK, chame a interface beta correspondente. O agente raiz pode criar subagentes, se comunicar com eles, aguardar a conclusão e fazer a consolidação final.

Cada subagente tem seu próprio contexto, mas compartilha o modelo e as ferramentas disponíveis naquela solicitação. O valor padrão de max_concurrent_subagents é 3, e ele limita a quantidade de turnos de subagentes ativos simultaneamente em toda a árvore de agentes. A ação de delegação multi_agent_call é gerenciada pela API. Se um subagente chamar uma função personalizada pelo desenvolvedor, a aplicação precisa retornar o resultado da execução de acordo com o ID de chamada correspondente. A documentação oficial também alerta que o paralelismo é adequado para tarefas de investigação independentes e que o consumo de tokens pode aumentar por isso; etapas que dependem de resultados anteriores e gravações compartilhadas precisam ter a ordem de execução organizada pela própria aplicação.

Os limites de execução do Computer Use e do MCP no GPT-6.2 Astra

O ambiente de execução do Computer Use é fornecido pela aplicação. Ao usar a ferramenta nativa computer, o modelo emite computer_call, e o seu ambiente de execução realiza as ações de clique, digitação etc.; depois, uma nova captura de tela é devolvida ao modelo por meio de computer_call_output e do call_id correspondente, repetindo o ciclo até o fim da tarefa. O guia oficial também apresenta outra forma de integração: deixar o modelo gerar scripts e a aplicação executá-los em um ambiente isolado. Independentemente do método, o ambiente em si, o estado de login, as páginas acessíveis e a confirmação antes de gravações críticas ficam sob responsabilidade da aplicação.

A forma de execução do MCP remoto é diferente. A API se conecta ao endereço de serviço que você especificar, importa as ferramentas expostas pelo servidor e executa as chamadas aprovadas. A autenticação remota é configurada conforme os requisitos do serviço, e allowed_tools pode restringir quais ferramentas são importadas. Por padrão, antes de enviar dados a um conector ou serviço remoto, é solicitada uma aprovação: a aplicação pode ler o nome da ferramenta e os parâmetros em mcp_approval_request e então enviar de volta mcp_approval_response para cada solicitação.

gpt-6-2-astra-multi-agent-computer-use-mcp-analysis-pt-pt-image-2

Regras de busca, cálculo e saída estruturada do GPT-6.2 Astra

Web Search é voltado para a internet pública, e a aplicação pode usar url_citation para vincular conclusões às fontes. File Search recupera arquivos já enviados dentro de um determinado armazenamento vetorial, sendo adequado para materiais internos que já estão arquivados. Code Interpreter oferece um sandbox Python e é capaz de gerar arquivos. Hosted Shell permite configurar um terminal na nuvem via container_auto; o guia do Shell também apresenta a forma de hospedar o runtime pela própria aplicação. Os arquivos presentes nos dois ambientes de cálculo precisam ser gerenciados e recuperados ativamente no momento do uso.

Structured Outputs declara um JSON Schema por meio de text.format, restringindo as respostas concluídas e não recusadas. A documentação oficial deixa claro que o receptor ainda precisa lidar com recusas, respostas incompletas, erros de API e regras de negócio que o schema não consegue expressar.


Análise e julgamento do GPT-6.2 Astra: encadear todas as capacidades com uma única verificação de compra

O fluxo a seguir é um exemplo de design, deduzido a partir da combinação de capacidades descritas nos materiais de referência, e não um caso oficial. A cada requisição é preciso configurar as ferramentas conforme a situação real, e quais combinações podem ser efetivamente habilitadas depende da sua conta, da configuração das ferramentas e do ambiente de execução.

Quando o Multi-agent do GPT-6.2 Astra é adequado para paralelismo

O objetivo da tarefa é: verificar se três fontes são consistentes entre si — as cláusulas de um contrato, o registro de pedido no sistema de compras e as informações públicas no site do fornecedor — tudo em modo somente leitura. Essas três consultas não têm dependência entre si, o que corresponde exatamente ao número padrão de concorrência 3: o grupo de contrato usa File Search para consultar as cláusulas, o grupo de compras consulta o pedido via MCP somente leitura, e o grupo de web usa Web Search para buscar informações públicas. O agente raiz aguarda os três grupos retornarem antes de fazer a consolidação.

Para decidir se é possível paralelizar, existe um critério: a entrada de uma subtarefa precisa da saída de outra subtarefa? Por exemplo, “primeiro obter o número do pedido e depois usar esse número para consultar a nota fiscal” precisa ser executado em sequência; forçar a divisão em paralelo só faria os subagentes adivinharem cada um por si, tornando o resultado mais difícil de verificar. Também vale atenção: embora a ação de delegação seja gerenciada pela API, se um subagente chamar uma função que você definiu, o resultado da função ainda precisa ser retornado pela aplicação usando o ID da chamada. Se esse passo for esquecido, toda a árvore de agentes fica parada em estado de espera.

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Interface compatível com OpenAI da APIYI
)

# Código ilustrativo: a estrutura dos parâmetros deve seguir o guia mais recente da OpenAI
resp = client.responses.create(
    model="gpt-6.2-astra",
    reasoning={"effort": "medium"},  # Definido como none será rejeitado
    input="只读核验:合同 C-102 条款、订单 PO-881 记录、供应商官网公示信息是否一致",
    tools=[
        {"type": "file_search", "vector_store_ids": ["vs_contracts"]},
        {"type": "web_search"},
        {
            "type": "mcp",
            "server_label": "procurement",
            "server_url": "https://mcp.example.com/procurement",
            "allowed_tools": ["get_purchase_order"],  # Expor apenas uma ferramenta somente leitura
            "require_approval": "always",
        },
    ],
    extra_headers={"OpenAI-Beta": "responses_multi_agent=v1"},
    extra_body={"multi_agent": {"enabled": True, "max_concurrent_subagents": 3}},
)

💡 Sugestão de escolha: a delegação em paralelo aumenta o consumo de tokens, por isso recomenda-se primeiro medir, com uma amostra pequena, o uso real de uma única verificação e só depois decidir o número de concorrência. Chamando com cobrança por uso via APIYI apiyi.com, é possível comparar rapidamente o custo entre diferentes configurações de concorrência.

Como decidir a divisão entre GPT-6.2 Astra Computer Use e MCP

Imagine que a validade da qualificação no site do fornecedor só aparece depois de abrir o pop-up de “certificado de qualificação”. O Web Search não consegue capturar esse campo, e é aí que entra o Computer Use. O fluxo tem três etapas: a aplicação abre a página em um navegador isolado e captura a tela; o modelo retorna as coordenadas de clique ou a instrução de operação; a aplicação executa e devolve a nova captura de tela junto com o call_id ao modelo. Como o estado de login e o escopo de acesso ficam nas mãos da aplicação, para tarefas somente leitura o ideal é proibir o envio de formulários já na camada de ambiente, em vez de contar apenas com as restrições do comando.

Já a consulta de pedidos vai pelo MCP. Na fase de descoberta de ferramentas, importe apenas a ferramenta somente leitura get_purchase_order via allowed_tools; na autenticação, use uma credencial somente leitura com o mínimo de permissões. Antes de cada chamada, a aplicação lê os parâmetros em mcp_approval_request, confirma que o número do pedido está dentro do escopo desta verificação e só então devolve a aprovação. A divisão de responsabilidades entre os dois caminhos fica assim: o que acontece na interface é responsabilidade da aplicação, o que o sistema remoto retorna é responsabilidade do provedor do serviço, e o modelo apenas propõe a requisição.

Dimensão Computer Use MCP remoto
Ambiente de execução Navegador / desktop fornecidos pela aplicação Serviço remoto que você configura
Identificador de encadeamento computer_call e call_id mcp_approval_request / response
Pontos de controle de permissão Isolamento de ambiente, estado de login, lista de páginas permitidas Autenticação do serviço, allowed_tools, aprovação a cada chamada
Campos adequados Informações públicas que só aparecem após interação Registros estruturados em sistemas de negócio
Riscos principais Cliques errados, mudanças no layout da página Chamadas além da alçada, parâmetros fora do escopo

GPT-6.2 Astra: da coleta de dados até uma saída utilizável

As ferramentas de busca são escolhidas conforme a localização do documento: informações públicas e que mudam com frequência vão de Web Search, mantendo o url_citation; contratos já arquivados vão de File Search. O ambiente de computação é escolhido conforme o formato da tarefa: para trabalhos como conciliação de valores e estatísticas agregadas, o sandbox Python do Code Interpreter já dá conta; quando for preciso descompactar em lote, converter vários arquivos ou encadear ferramentas de linha de comando, aí sim considere o Hosted Shell. Não esqueça de incluir a etapa de recuperação dos arquivos no fluxo.

Depois que o agente raiz conclui a mesclagem, recomenda-se gerar o resultado estruturado separadamente em uma requisição Responses subsequente iniciada pela aplicação, em vez de misturar com a busca na mesma requisição. Assim o schema fica mais simples e, quando dá falha, é mais fácil tentar de novo.

Ver o código de exemplo para o retorno de aprovação e a saída estruturada
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

ALLOWED_PO = {"PO-881"}

def handle_approvals(resp):
    """Aprova uma a uma as chamadas MCP: libera apenas os números de pedido dentro do escopo desta verificação"""
    replies = []
    for item in resp.output:
        if item.type == "mcp_approval_request":
            ok = item.name == "get_purchase_order" and \
                 item.arguments and any(po in item.arguments for po in ALLOWED_PO)
            replies.append({
                "type": "mcp_approval_response",
                "approval_request_id": item.id,
                "approve": bool(ok),
            })
    return replies

schema = {
    "type": "object",
    "properties": {
        "records": {
            "type": "array",
            "items": {
                "type": "object",
                "properties": {
                    "record_id": {"type": "string"},
                    "evidence": {"type": "array", "items": {"type": "string"}},
                    "status": {"type": "string",
                               "enum": ["match", "mismatch", "needs_review"]},
                },
                "required": ["record_id", "evidence", "status"],
                "additionalProperties": False,
            },
        }
    },
    "required": ["records"],
    "additionalProperties": False,
}

def to_structured(prev_id):
    final = client.responses.create(
        model="gpt-6.2-astra",
        previous_response_id=prev_id,
        input="把核验结论整理为结构化记录,evidence 只写可追溯来源",
        text={"format": {"type": "json_schema", "name": "procurement_check",
                         "schema": schema, "strict": True}},
    )
    if final.status != "completed":
        raise RuntimeError(f"未完成:{final.status}")  # recusa e não conclusão precisam de tratamento separado
    return final.output_text

As restrições de formato são só a primeira linha de defesa; a lógica dos campos ainda precisa do crivo do programa e das pessoas. A seguir há um exemplo de saída e a responsabilidade de validação de cada campo:

Campo Valor de exemplo Garantia de formato O que ainda precisa ser verificado Responsável
record_id PO-881 schema restringe a string Se existe de fato no sistema de compras Verificação pelo programa
evidence Cláusula 5.2 do contrato; página de qualificação no site oficial Precisa ser um array Se a fonte abre e se a citação corresponde Programa + amostragem
status mismatch Só pode assumir os valores do enum Se a decisão está de acordo com os critérios de negócio Revisão humana

gpt-6-2-astra-multi-agent-computer-use-mcp-analysis-pt-pt-image-3

🎯 Recomendação técnica: vale separar “schema válido” e “negócio correto” em duas etapas de verificação independentes; registros com status igual a mismatch ou needs_review vão todos para a fila de revisão humana. Antes de entrar no ar, você pode reproduzir o fluxo inteiro no APIYI apiyi.com usando pedidos de compra históricos, medir a taxa de julgamento errado e só então decidir quais estados podem ser liberados automaticamente.

Avaliação da ordem de implantação do GPT-6.2 Astra

Com base nos fatos acima, nossa avaliação da ordem de integração é: primeiro viabilizar Structured Outputs e File Search, depois conectar o MCP somente leitura e, por fim, introduzir Multi-agent e Computer Use. Os dois primeiros são hospedados pela OpenAI e têm a menor probabilidade de erro; o callback de aprovação do MCP é uma máquina de estados que precisa ser testada separadamente; o Multi-agent ainda está em beta, e a estabilidade do Computer Use depende da qualidade do ambiente que você mesmo constrói. Esses dois fazem mais sentido quando adicionados após o fluxo principal estar estável.

A premissa para essa avaliação se sustentar é: as interfaces beta não sofrerão alterações que quebrem compatibilidade no curto prazo, e sua conta também conseguirá habilitar as ferramentas correspondentes. Ambos os pontos exigem que você acompanhe continuamente o changelog da API da OpenAI. Além disso, “somente leitura” é uma restrição de design no exemplo. Assim que o negócio precisar de escrita, a política de aprovação, a ordem de escrita e o plano de rollback terão de ser redesenhados; não dá para simplesmente reutilizar a configuração deste artigo.

💰 Otimização de custos: ao consultar repetidamente contratos longos, o preço unitário da entrada que dá cache hit é bem menor que o da entrada normal. Colocar as instruções fixas de sistema e o schema no início da requisição ajuda a aumentar a taxa de cache hit. Equipes pequenas e médias também podem usar a APIYI apiyi.com para fazer chamadas pagas por uso e ampliar aos poucos a escala de verificação.

A lista de ferramentas só cresce, mas o que realmente decide se um agente pode entrar em produção ainda são aquelas poucas fronteiras simples: quem executa, quem autoriza e quem revisa. Como Lu You escreveu em “Lendo numa noite de inverno para mostrar a Ziyu”:

O que se aprende no papel é sempre superficial; para saber de fato, é preciso praticar.


Autor: equipe técnica da APIYI
Contato técnico: fale conosco pela página inicial do site APIYI apiyi.com para obter mais materiais práticos sobre a integração do GPT-6.2 Astra.

Artigos relacionados

Similar Posts