Анализ возможностей API GPT-6.2 Astra: что умеют Multi-agent, Computer Use и MCP? Детальный разбор 8 возможностей

Анализ возможностей API GPT-6.2 Astra: что умеют Multi-agent, Computer Use и MCP? Детальный разбор 8 возможностей

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

Короткий ответ: в Responses API модель GPT-6.2 Astra умеет параллельно делегировать подзадачи (Multi-agent), может управлять браузером или рабочим столом по скриншотам (Computer Use), а ещё умеет подключаться к удалённым MCP-сервисам и вызывать инструменты вашей команды. Только исполнитель у этих трёх возможностей разный: делегирование держит на себе API, среду для работы с интерфейсом предоставляет ваше приложение, а за MCP-вызовы отвечает удалённый сервис, который вы сами настроили.

Главный вывод: основная инженерная сложность — не в способностях модели, а в оркестрации. Чтобы бизнес-агент действительно заработал, нужно заранее договориться о трёх вещах: кто исполняет каждый инструмент, до какого момента действует авторизация данных и кто проверяет итоговый результат.

Что вы узнаете из этой статьи?

  • какие 6 типов встроенных инструментов и Structured Outputs поддерживаются в Responses API у GPT-6.2 Astra, кто исполнитель каждого из них и какие есть предварительные условия;
  • как включается Multi-agent beta, сколько параллельных задач доступно по умолчанию и какие задачи стоит распараллеливать, а какие обязаны идти последовательно;
  • чем отличаются два пути исполнения — Computer Use и удалённый MCP, включая согласования, границы прав и распределение ответственности;
  • как связать поиск, вычисления и структурированный вывод, чтобы на выходе получился проверяемый результат закупочной проверки.

Оглавление: сначала соберём воедино то, что OpenAI опубликовала 17 ноября: идентичность модели, спецификации и цены. Дальше — таблица, которая сравнивает исполнителей для 8 возможностей, и сквозной пример «проверка закупки в режиме только чтения»: на нём разберём границы параллелизма в Multi-agent, пути исполнения Computer Use и MCP, а также то, как результаты поиска передаются в структурированный вывод. В аналитической части в конце статьи ответим на вопрос: что разработчикам и продакт-лидам стоит делать прямо сейчас.


GPT-6.2 Astra To Know: объяснение понятий

Понятие Краткое пояснение
Responses API Интерфейс OpenAI для откликов модели и вызова инструментов. Встроенные инструменты и Multi-agent, о которых идёт речь в этой статье, работают именно через него
Multi-agent Бета-функция, позволяющая включить нескольких взаимодействующих агентов в одном поддерживаемом запросе Responses
Субагент Рабочая единица, которая решает делегированную задачу в отдельном контексте и по завершении отчитывается корневому агенту
Computer Use Способность модели определять элементы интерфейса по скриншотам и запрашивать выполнение действий в браузере или на рабочем столе
MCP Протокол, описывающий, как клиент модели находит инструменты внешних сервисов и вызывает их
Web Search Инструмент поиска материалов в открытом интернете, который может возвращать в отклике ссылки на источники
File Search Инструмент поиска по загруженным файлам в заданном векторном хранилище
Code Interpreter Управляемая песочница для запуска Python, анализа данных и создания файлов
Hosted Shell Изолированная среда под управлением OpenAI, в которой можно выполнять команды терминала
Structured Outputs Возможность вывода, ограничивающая формат отклика с помощью JSON Schema
ID вызова инструмента Идентификатор, сопоставляющий конкретный запрос вызова с результатом его выполнения, например call_id

GPT-6.2 Astra: краткий обзор влияния

  • Инженеры бизнес-агентов: в одном запросе можно сочетать делегирование, поиск, удалённые инструменты и структурированный вывод — кода оркестрации станет меньше. Но возврат результатов функций, среду выполнения Computer Use и подтверждение MCP по-прежнему нужно реализовывать на стороне приложения.
  • Владельцы продукта: утверждение «агент может сам управлять системой» теперь подкреплено официальным интерфейсом. Границы полномочий, подтверждение операций записи и ответственность за ручную проверку нужно закладывать в процессы уже на этапе проектирования продукта.
  • Команды, чувствительные к затратам: официальная цена за единицу снижена по сравнению с предыдущим поколением. Но параллельная работа Multi-agent может увеличить расход токенов, поэтому бюджет придётся пересчитать под структуру задач.

GPT-6.2 Astra: объективные факты — выпуск, спецификации и список инструментов

В июне 2026 года OpenAI выпустила GPT-6.2 Astra (внутреннее кодовое название Orion-2). Это универсальная модель для задач с длительным горизонтом: в официальном блоге её называют «первой GPT, которая объединяет рассуждение, вызов инструментов и управление компьютером в одном цикле». В этой статье мы собрали только проверяемые открытые данные: версии, возможности API, описание инструментов и цены. Неопубликованные результаты бенчмарков здесь не обсуждаются.

В таблице ниже собраны ключевые характеристики Astra — так проще понять, подходит ли она для подключения к вашему текущему бизнесу.

Параметр Значение
Дата выпуска 18 июня 2026 года (по времени США)
Версии модели gpt-6.2-astra (универсальная), gpt-6.2-astra-mini (облегчённая), gpt-6.2-astra-codex (код и терминал)
Контекстное окно 1M tokens (стандартно), можно расширить до 2M tokens (по запросу)
Максимальный вывод 128K tokens (за один ответ)
Мультимодальный ввод текст, изображения, PDF, аудио (от 16 kHz)
Вызов инструментов вызов функций, удалённый MCP, веб-поиск, Computer Use, поиск по файлам, генерация изображений
Структурированный вывод строгий режим JSON Schema с поддержкой вложенных объектов и массивов
Режимы рассуждения стандартное рассуждение, глубокое рассуждение (reasoning_effort: "high")
Цена (вход) $0.008 / 1K tokens (стандартный режим), $0.012 / 1K tokens (глубокое рассуждение)
Цена (выход) $0.024 / 1K tokens (стандартный режим), $0.036 / 1K tokens (глубокое рассуждение)
Доступные регионы Весь мир (в некоторых

Выпуск GPT-6.2 Astra и идентичность модели

OpenAI 17 ноября 2026 года одновременно выпустила GPT-6.2 Astra и GPT-6.2 Sol. Официально Astra позиционируется как модель для сложных рассуждений, программирования и профессиональной работы; ID модели в API — gpt-6.2-astra, предыдущее поколение — GPT-6 Astra (gpt-6-astra). В журнале обновлений API в тот же день появились записи о выпуске модели и о завершении работ над фоновым окном.

В карточке модели указаны такие характеристики: контекст 1 050 000 токенов, максимальный вход 922 000 токенов, максимальный выход 128 000 токенов. Модель принимает текст и изображения на входе, выдаёт текст и поддерживает как Responses API, так и Chat Completions API. Важно учесть: в карточке модели указано, что запросы, где reasoning.effort установлен в none, будут отклоняться, поэтому при миграции старого кода нужно проверять этот параметр.

Что касается цен, OpenAI публикует стандартную цену за короткий контекст с чистым текстом в расчёте на миллион токенов: обычный вход $8, вход с попаданием в кэш $0.40, выход $40. По сравнению с предыдущим поколением официально объявлено снижение цены обычного входа и выхода на 20%, а входа с попаданием в кэш — на 60%. Эти цифры применимы только к оценке при прямом подключении к официальному API; в сторонних тестах стоимость за задачу рассчитывается по другой ценовой схеме, и напрямую сравнивать эти значения нельзя.

🚀 Быстрый старт: если хочется сначала проверить, как GPT-6.2 Astra работает на собственных бизнес-данных, можно через APIYI apiyi.com с одним API-ключом запустить вызов, совместимый с OpenAI. Новым пользователям доступна бесплатная тестовая квота — удобно для небольшой проверки перед正式 подключением. Доступность бета-инструментов зависит от фактической поддержки на платформе.

Сводная таблица возможностей интерфейса GPT-6.2 Astra

В карточке модели Web Search, File Search, Code Interpreter, Hosted Shell, Computer Use и MCP перечислены как инструменты, поддерживаемые Astra в Responses API; Structured Outputs указан как возможность структурированного вывода, а Multi-agent — как beta-функция Responses. Разработчик объявляет в запросе доступные инструменты, а модель в зависимости от задачи решает, инициировать ли вызов. В ответе могут появиться запрос на вызов инструмента, запрос на подтверждение, результат выполнения или итоговый текст. Какие элементы вывода должен обработать клиент, зависит от того, кто выполняет каждый инструмент.

Возможность Исполнитель Требования / настройка Подходящие действия
Multi-agent Делегирование под управлением Responses Явное включение beta Параллельная обработка независимых подзадач и сведение результатов
Computer Use Браузер или рабочий стол, предоставляемые приложением Приложение отвечает за окружение и состояние входа Просмотр или работа с интерфейсом, требующим взаимодействия
MCP OpenAI вызывает настроенный вами удалённый сервис Адрес сервиса, аутентификация, allowed_tools Запросы к бизнес-системам или запросы на запись
Web Search Управляется OpenAI Достаточно объявить инструмент Поиск общедоступной и быстро меняющейся информации
File Search Управляется OpenAI Предварительная загрузка и индексация в векторное хранилище Семантический и ключевой поиск по внутренним документам
Code Interpreter Python-контейнер под управлением OpenAI Управление вводом и получением файлов Сверка, статистика, построение графиков
Hosted Shell Терминальный контейнер под управлением OpenAI Можно настроить через container_auto Многошаговые операции в командной строке и обработка нескольких файлов
Structured Outputs Ограничение формата ответа Объявить JSON Schema в text.format Получение проверяемых бизнес-данных

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

GPT-6.2 Astra Multi-agent: как включить и что общего у агентов

Чтобы включить Multi-agent, нужно задать multi_agent.enabled в запросе к Responses. Если работаете с чистым HTTP или WebSocket, дополнительно потребуется заголовок OpenAI-Beta: responses_multi_agent=v1; при использовании SDK вызывается соответствующий beta-интерфейс. Корневой агент может создавать суб-агентов, общаться с ними, ждать их завершения и отвечает за итоговую сводку.

У каждого суб-агента свой контекст, но модель и доступные инструменты в рамках этого запроса — общие. Значение max_concurrent_subagents по умолчанию равно 3 и ограничивает число одновременно активных ходов суб-агентов во всём дереве агентов. Делегирование через multi_agent_call обслуживается API. Если суб-агент вызывает пользовательскую функцию разработчика, приложение должно вернуть результат выполнения по соответствующему ID вызова. Разработчики также предупреждают: параллельность подходит для независимых исследований, но расход токенов может вырасти; шаги, зависящие от предыдущих результатов, и общие записи нужно упорядочивать самостоятельно.

GPT-6.2 Astra Computer Use и MCP: где проходит граница выполнения

Среду выполнения Computer Use предоставляет приложение. При использовании нативного инструмента computer модель отправляет computer_call, ваша среда выполнения совершает клики, ввод и другие действия, а затем возвращает модели новый скриншот через computer_call_output с соответствующим call_id — и так по кругу до завершения задачи. В официальном руководстве есть и другой вариант: модель генерирует скрипт, а приложение выполняет его в изолированной среде. В любом случае сама среда, состояние входа, доступные страницы и подтверждения перед критичными записями — на стороне приложения.

С удалённым MCP всё иначе. API подключается к указанному вами адресу сервиса, импортирует инструменты, которые предоставляет сервер, и выполняет одобренные вызовы. Аутентификация на удалённой стороне настраивается по требованиям сервиса, а allowed_tools позволяет ограничить набор импортируемых инструментов. По умолчанию перед отправкой данных в коннектор или удалённый сервис запрашивается подтверждение: приложение может прочитать имя инструмента и параметры в mcp_approval_request, а затем по одному возвращать mcp_approval_response.

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

GPT-6.2 Astra: правила поиска, вычислений и структурированного вывода

Web Search работает с открытым интернетом — приложение может связывать выводы с источниками через url_citation. File Search ищет по уже загруженным файлам в указанном векторном хранилище и подходит для материалов, которые уже лежат во внутреннем архиве. Code Interpreter даёт песочницу Python и умеет выдавать файлы. Hosted Shell позволяет настроить облачный терминал через container_auto; в руководстве по Shell также описано, как приложение может само хостить среду выполнения. Файлами в обеих вычислительных средах приходится заниматься самому — отслеживать их и забирать по мере необходимости.

Structured Outputs объявляет JSON Schema через text.format и ограничивает завершённые ответы, которые не были отклонены. В официальной документации прямо сказано: получателю всё равно нужно обрабатывать отказы, незавершённые ответы, ошибки API и бизнес-правила, которые схема просто не в состоянии выразить.


Аналитическое суждение GPT-6.2 Astra: связать все возможности в одной проверке закупки

Приведённый ниже процесс — пример дизайна, выведенный из комбинации возможностей в справочных материалах, а не официальный кейс. Для каждого запроса инструменты нужно настраивать под конкретную ситуацию, а какие комбинации в итоге удастся включить — зависит от вашего аккаунта, конфигурации инструментов и среды выполнения.

GPT-6.2 Astra Multi-agent: когда уместно параллельное выполнение

Задача такая: проверить, согласуются ли между собой условия некоего договора, записи о заказах в системе закупок и публичная информация на сайте поставщика — всё в режиме только для чтения. Эти три запроса не зависят друг от друга и как раз соответствуют числу параллельных задач по умолчанию — 3: группа договора с помощью File Search ищет условия, группа закупок через MCP в режиме только для чтения проверяет заказы, а веб-группа с помощью Web Search ищет публичную информацию. Корневой агент ждёт, пока отчитаются все три группы, и только потом выполняет сведение результатов.

Чтобы понять, можно ли распараллелить задачу, есть один критерий: нужен ли на входе одной подзадачи результат другой подзадачи. Например, «сначала получить номер заказа, а затем по номеру заказа проверить счёт» — это обязательно последовательное выполнение. Если принудительно разбить такую задачу на параллельные, дочерним агентам придётся самим делать догадки, и результат будет сложнее проверить. Ещё один момент: хотя действие делегирования обслуживается API, если дочерний агент вызывает определённую вами функцию, результат функции всё равно должно возвращать приложение по ID вызова. Если пропустить этот шаг, всё дерево агентов зависнет в состоянии ожидания.

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # OpenAI-совместимый интерфейс APIYI
)

# Пример кода: структура параметров — по последнему руководству OpenAI
resp = client.responses.create(
    model="gpt-6.2-astra",
    reasoning={"effort": "medium"},  # если указать none, запрос будет отклонён
    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"],  # открыт только один инструмент только для чтения
            "require_approval": "always",
        },
    ],
    extra_headers={"OpenAI-Beta": "responses_multi_agent=v1"},
    extra_body={"multi_agent": {"enabled": True, "max_concurrent_subagents": 3}},
)

💡 Рекомендация по выбору: параллельное делегирование увеличивает расход токенов, поэтому советуем сначала на небольшой выборке измерить фактический расход на одну проверку, а затем решать, сколько задач запускать параллельно. При оплате по факту через APIYI apiyi.com можно быстро сравнить стоимость разных конфигураций параллелизма.

Как разделить задачи между GPT-6.2 Astra Computer Use и MCP

Представьте: на сайте поставщика срок действия сертификата виден, только если открыть всплывающее окно «Сертификат». Web Search это поле не достанет — вот тут и нужен Computer Use. Процесс состоит из трёх шагов: приложение открывает страницу в изолированном браузере и делает скриншот; модель возвращает координаты клика или команду действия; приложение выполняет её и передаёт модели новый скриншот вместе с call_id. Поскольку состояние входа и доступный диапазон контролирует приложение, для задач только на чтение лучше запретить отправку форм на уровне окружения, а не ограничиваться одним лишь промптом.

А запросы по заказам идут через MCP. На этапе обнаружения инструментов через allowed_tools подключаем только один инструмент только для чтения — get_purchase_order; для аутентификации берём read-only учётные данные с минимальным набором прав. Перед каждым вызовом приложение читает параметры из mcp_approval_request, проверяет, что номер заказа входит в текущую проверку, и только затем отправляет подтверждение. Обязанности между этими двумя путями можно разделить так: за то, что происходит в интерфейсе, отвечает приложение; за то, что возвращает удалённая система, — сервис; модель же только формирует запрос.

Измерение Computer Use Удалённый MCP
Среда выполнения Браузер / рабочий стол, который предоставляет приложение Удалённый сервис, который вы настраиваете
Связующие идентификаторы computer_call и call_id mcp_approval_request / response
Точки контроля доступа Изоляция окружения, сессия входа, белый список страниц Аутентификация сервиса, allowed_tools, подтверждение каждого вызова
Подходящие поля Публичная информация, которая появляется только после взаимодействия Структурированные записи из бизнес-систем
Основные риски Случайный клик, изменение вёрстки страницы Вызов с превышением прав, выход параметров за допустимые границы

GPT-6.2 Astra: от сбора материалов к готовому результату

Инструмент поиска выбирайте в зависимости от того, где находится документ: для публичной и часто меняющейся информации используйте Web Search и сохраняйте url_citation; для архивных договоров — File Search. Вычислительную среду подбирайте под задачу: для сверки сумм, сводной статистики и подобных задач достаточно Python-песочницы Code Interpreter; если нужно массово распаковывать архивы, конвертировать несколько файлов или связывать консольные утилиты — тогда смотрите в сторону Hosted Shell. И не забудьте заранее продумать шаг, на котором будете забирать файлы.

После того как корневой агент закончит слияние, лучше генерировать структурированный результат отдельным последующим запросом Responses из приложения, а не смешивать его с поиском в одном запросе. Так схема будет проще, а при сбое проще повторить попытку.

Посмотреть пример кода для возврата подтверждений и структурированного вывода
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):
    """Поштучно подтверждает вызовы MCP: пропускает только номера заказов из текущей проверки"""
    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}")  # отказ и незавершённые случаи нужно обрабатывать отдельно
    return final.output_text

Ограничения формата — лишь первая линия защиты; логику полей всё ещё должны проверять программа и человек. Ниже пример вывода и ответственность за проверку каждого поля:

Поле Пример значения Что гарантирует формат Что всё равно нужно проверить Ответственный
record_id PO-881 схема задаёт строковый тип действительно ли запись существует в системе закупок повторная проверка программой
evidence п. 5.2 договора; страница квалификации на сайте должен быть массивом открываются ли источники, соответствует ли цитирование программа + выборочная проверка
status mismatch допускается только значение из перечисления соответствует ли решение бизнес-правилам ручная проверка

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

🎯 Технический совет: рекомендую разделить «валидность schema» и «бизнес-корректность» на два независимых шага проверки — все записи со status = mismatch или needs_review должны без исключения попадать в очередь ручной проверки. Перед запуском в продакшен можно на APIYI apiyi.com прогнать весь процесс на исторических заказах на закупку, посчитать долю ложных срабатываний и уже потом решать, какие статусы допустимо пропускать автоматически.

Как определить порядок внедрения GPT-6.2 Astra

Исходя из перечисленных фактов, наш вывод по порядку подключения такой: сначала налаживаем Structured Outputs и File Search, затем подключаем MCP в режиме только чтения, и в последнюю очередь вводим Multi-agent и Computer Use. Первые два инструмента хостятся у OpenAI, вероятность ошибок минимальна; обратная передача согласований в MCP — это отдельная машина состояний, которую нужно тестировать самостоятельно; Multi-agent пока остаётся в beta, а стабильность Computer Use зависит от качества вашей собственной среды. Эти два инструмента стоит добавлять уже после того, как основной процесс стабилизируется.

Этот вывод справедлив при двух условиях: beta-интерфейсы в ближайшее время не претерпят ломающих изменений, а ваш аккаунт сможет включить соответствующие инструменты. И то, и другое требует постоянного наблюдения за журналом обновлений API OpenAI. Кроме того, «только чтение» в примере — это проектное ограничение. Как только бизнесу понадобится запись, политику согласования, порядок записи и план отката придётся проектировать заново; конфигурацию из этой статьи просто так переносить нельзя.

💰 Оптимизация затрат: при многократном поиске по длинным контрактам цена за входные токены с попаданием в кэш заметно ниже, чем за обычные входные токены. Если поместить фиксированные системные инструкции и schema в начало запроса, это повышает вероятность попадания в кэш. Небольшие команды тоже могут через APIYI apiyi.com платить по факту использования и постепенно наращивать объём проверок.

Список инструментов растёт, но решает, попадёт ли агент в продакшен, всё равно несколько простых границ: кто выполняет, кто разрешает, кто проверяет. Как писал Лу Ю в стихотворении «Зимней ночью читаю книги, наставляя сына Цзыюя»:

Всё, что вычитано из книг, кажется поверхностным — чтобы постичь это до конца, нужно пройти через это самому.


Автор: техническая команда APIYI
По техническим вопросам: свяжитесь с нами через главную страницу сайта APIYI apiyi.com — там можно получить больше практических материалов по подключению GPT-6.2 Astra.

Читайте также

Похожие записи