GPT-6.2 Astra 接口能力分析:Multi-agent、Computer Use 與 MCP 能做到什麼?8 項能力逐一拆解

GPT-6.2 Astra 接口能力分析:Multi-agent、Computer Use 與 MCP 能做到什麼?8 項能力逐一拆解

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

直接回答: GPT-6.2 Astra 在 Responses API 中可以並行委派子任務(Multi-agent),可以藉助截圖操作瀏覽器或桌面界面(Computer Use),也可以連接遠程 MCP 服務調用團隊的業務工具。不過,這三項能力的執行方各不相同:委派由 API 託管,界面操作的運行環境由你的應用提供,MCP 調用的對象是你配置的遠端服務。

核心結論: 工程上的難點主要在編排,而不在模型能力本身。真正能落地的業務智能體,需要事先說清三件事:每個工具由誰執行,數據授權到哪一步爲止,最終結果由誰來校驗。

您讀完此文能瞭解到什麼?

  • GPT-6.2 Astra 在 Responses API 中支持的 6 類內置工具和 Structured Outputs,以及每一項的執行方和使用前提;
  • Multi-agent beta 的啓用方式、默認併發數,以及哪些任務適合並行、哪些必須順序執行;
  • Computer Use 與遠程 MCP 兩條執行路徑的區別,包括審批、權限範圍和責任劃分;
  • 如何把檢索、計算和結構化輸出串起來,交付一份可以校驗的採購覈驗結果。

索引: 正文先彙總 OpenAI 在 11 月 17 日公佈的模型身份、規格與價格。隨後用一張表對比 8 項能力的執行方,再沿“只讀採購覈驗”這個設計示例,依次講解 Multi-agent 的並行邊界、Computer Use 與 MCP 的執行路徑,以及從檢索到結構化輸出的交接方式。文章最後的分析部分會回答:開發者和產品負責人現在應該先做什麼。


GPT-6.2 Astra To Know:概念解釋

概念 簡要解釋
Responses API OpenAI 用於模型響應和工具調用的接口,本文討論的內置工具和 Multi-agent 都以它爲準
Multi-agent 在一次受支持的 Responses 請求中啓用多個協作智能體的 beta 功能
子智能體 在獨立上下文中處理委派任務,完成後向根智能體回報的工作單元
Computer Use 模型根據截圖定位界面元素,請求執行瀏覽器或桌面操作的能力
MCP 規範模型客戶端如何發現、調用外部服務工具的協議
Web Search 在公開互聯網檢索資料,可在響應中返回來源標註的工具
File Search 在指定向量存儲中檢索已上傳文件的工具
Code Interpreter 運行 Python 分析數據、生成文件的託管沙箱
Hosted Shell 由 OpenAI 託管、可以執行終端命令的隔離環境
Structured Outputs 通過 JSON Schema 約束響應格式的輸出能力
工具調用 ID 把某次調用請求和它的執行結果對應起來的標識,如 call_id

GPT-6.2 Astra 影響速覽

  • 業務智能體工程師:一次請求裏可以組合委派、檢索、遠程工具和結構化輸出,編排代碼會變少。但函數結果回傳、Computer Use 運行環境、MCP 審批這些環節,仍然要由應用側實現。
  • 產品負責人:“智能體能自己操作系統”這件事有了官方接口支撐。權限範圍、寫入確認和人工複覈的責任,需要在產品設計階段就寫進流程。
  • 成本敏感的團隊:官方單價較前代有所下調。但 Multi-agent 並行可能增加 token 用量,預算需要按任務結構重新估算。

GPT-6.2 Astra 客觀事實:發佈、規格與工具清單

GPT-6.2 Astra 的發佈與模型身份

OpenAI 於 2026 年 11 月 17 日同時發佈 GPT-6.2 Astra 和 GPT-6.2 Sol。官方將 Astra 定位爲面向複雜推理、編碼和專業工作的模型,API 模型 ID 爲 gpt-6.2-astra,前代爲 GPT-6 Astra(gpt-6-astra)。API 更新日誌在同一天記錄了模型發佈和後臺完成窗口相關條目。

模型卡列出的規格是:上下文 1,050,000 token,最大輸入 922,000 token,最大輸出 128,000 token。模型接受文本和圖像輸入,輸出文本,同時支持 Responses API 和 Chat Completions API。需要特別注意,模型卡說明 reasoning.effort 設爲 none 的請求會被拒絕,遷移舊代碼時要檢查這個參數。

價格方面,OpenAI 公示的標準短上下文純文本單價按每百萬 token 計:普通輸入 $8,緩存命中輸入 $0.40,輸出 $40。與前代相比,官方公佈普通輸入和輸出單價降低 20%,緩存命中輸入單價降低 60%。這組數字只適用於官方直連 API 的估算,第三方評測中的按題費用採用的是另一套價格口徑,不能直接對比。

🚀 快速開始:如果想先驗證 GPT-6.2 Astra 在自己業務數據上的表現,可以通過 API易 apiyi.com 用一個 API Key 發起 OpenAI 兼容調用。新用戶有免費測試額度,適合正式接入前做小規模驗證。beta 工具的可用範圍以平臺實際支持爲準。

GPT-6.2 Astra 接口能力總表

模型卡將 Web Search、File Search、Code Interpreter、Hosted Shell、Computer Use 和 MCP 列爲 Astra 在 Responses API 中支持的工具,Structured Outputs 列爲輸出能力,Multi-agent 則是 Responses 的 beta 功能。開發者在請求中聲明可用工具,模型根據任務決定是否發起調用。響應裏可能出現工具請求、審批請求、執行結果或最終文本,客戶端需要處理哪些輸出項,取決於每個工具的執行方。

能力 執行方 前提 / 配置 適合的動作
Multi-agent Responses 託管委派 顯式啓用 beta 並行處理獨立子任務並彙總
Computer Use 應用提供的瀏覽器或桌面 應用負責環境與登錄態 查看或操作需要交互的界面
MCP OpenAI 調用你配置的遠程服務 服務地址、認證、allowed_tools 查詢業務系統或請求寫入
Web Search OpenAI 託管 聲明工具即可 查公開且變化較快的資料
File Search OpenAI 託管 預先上傳並索引到向量存儲 按語義和關鍵詞查內部文檔
Code Interpreter OpenAI 管理的 Python 容器 管理文件的輸入與取回 對賬、統計、生成圖表
Hosted Shell OpenAI 管理的終端容器 可用 container_auto 配置 多步驟命令行與多文件處理
Structured Outputs 響應格式約束 在 text.format 中聲明 JSON Schema 產出可校驗的業務數據

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

GPT-6.2 Astra Multi-agent 的啓用方式與共享範圍

啓用 Multi-agent 時,需要在 Responses 請求中設置 multi_agent.enabled。如果使用原始 HTTP 或 WebSocket,還要帶上請求頭 OpenAI-Beta: responses_multi_agent=v1;使用 SDK 時則調用對應的 beta 接口。根智能體可以創建子智能體、與它們溝通、等待它們完成,並負責最終彙總。

每個子智能體有自己的上下文,但共享該請求的模型和可用工具。max_concurrent_subagents 默認值爲 3,限制的是整棵智能體樹中同時處於活動狀態的子智能體回合數。委派動作 multi_agent_call 由 API 託管。如果子智能體調用了開發者自定義的函數,應用需要按對應的調用 ID 返回執行結果。官方同時提醒,並行適合相互獨立的調查任務,token 用量可能因此上升;依賴前序結果的步驟和共享寫入,需要自行安排執行順序。

GPT-6.2 Astra Computer Use 與 MCP 的執行邊界

Computer Use 的運行環境由應用提供。使用原生 computer 工具時,模型發出 computer_call,由你的運行環境執行其中的點擊、輸入等動作,再把新的屏幕截圖通過 computer_call_output 和對應的 call_id 交回模型,如此循環直到任務結束。官方指南也給出了另一種接法:讓模型生成腳本,由應用在隔離環境中執行。無論採用哪種方式,環境本身、登錄態、可訪問的頁面以及關鍵寫入前的確認,都由應用負責。

遠程 MCP 的執行方式不同。API 會連接你指定的服務地址,導入服務端暴露的工具,並執行獲准的調用。遠端認證按服務要求配置,allowed_tools 可以限制導入哪些工具。默認情況下,向連接器或遠程服務發送數據之前會先申請審批:應用可以讀取 mcp_approval_request 中的工具名和參數,再逐次回傳 mcp_approval_response。

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

GPT-6.2 Astra 檢索、計算與結構化輸出的規則

Web Search 面向公開互聯網,應用可以利用 url_citation 把結論和來源關聯起來。File Search 在指定向量存儲中檢索已上傳的文件,適合已經歸檔的內部資料。Code Interpreter 提供 Python 沙箱,並能產出文件。Hosted Shell 可以通過 container_auto 配置雲端終端;Shell 指南還介紹了由應用自行託管運行時的方式。兩種計算環境裏的文件,都需要在使用時主動管理和取回。

Structured Outputs 通過 text.format 聲明 JSON Schema,約束的是完成且未拒絕的響應。官方明確說明,接收方仍需處理拒絕、未完成、API 錯誤,以及 schema 無法表達的業務規則。


GPT-6.2 Astra 分析判斷:用一次採購覈驗串起全部能力

以下流程是一個設計示例,由參考資料中的能力組合推演而來,並非官方案例。每次請求需要按實際情況配置工具,最終能啓用哪些組合,取決於你的賬戶、工具配置和運行環境。

GPT-6.2 Astra Multi-agent 何時適合並行

任務目標是:覈對某份合同的約定、採購系統中的訂單記錄、供應商官網的公開信息三者是否一致,全程只讀。這三項查詢之間沒有依賴關係,正好對應默認併發數 3:合同組用 File Search 查條款,採購組通過只讀 MCP 查訂單,網頁組用 Web Search 查公開信息。根智能體等三組都回報之後再做歸併。

判斷能否並行,可以看一個標準:子任務的輸入裏是否需要另一個子任務的輸出。比如“先拿到訂單號,再用訂單號查發票”就必須順序執行,硬拆成並行只會讓子智能體各自猜測,結果更難覈對。還要注意,委派動作雖然由 API 託管,但如果子智能體調用了你定義的函數,函數結果仍需應用按調用 ID 回傳。這個環節漏掉,整棵智能體樹就會停在等待狀態。

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

# 示意代碼:參數結構請以 OpenAI 最新指南爲準
resp = client.responses.create(
    model="gpt-6.2-astra",
    reasoning={"effort": "medium"},  # 設爲 none 會被拒絕
    input="只讀覈驗:合同 C-102 條款、訂單 PO-881 記錄、供應商官網公示信息是否一致",
    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"],  # 只開放一個只讀工具
            "require_approval": "always",
        },
    ],
    extra_headers={"OpenAI-Beta": "responses_multi_agent=v1"},
    extra_body={"multi_agent": {"enabled": True, "max_concurrent_subagents": 3}},
)

💡 選擇建議:並行委派會增加 token 消耗,建議先用小樣本測出單次覈驗的實際用量,再決定併發數。通過 API易 apiyi.com 按量計費調用,可以在不同併發配置之間快速對比成本。

GPT-6.2 Astra Computer Use 與 MCP 的分工判斷

假設供應商官網的資質有效期只有在點開某個“資質證書”彈窗後纔會顯示,Web Search 抓不到這個字段,這時就需要 Computer Use。流程分三步:應用在隔離瀏覽器中打開頁面並截圖;模型返回點擊座標或操作指令;應用執行後把新截圖連同 call_id 交回模型。由於登錄態和可訪問範圍都掌握在應用手裏,只讀任務最好從環境層面就禁止表單提交,不要只依賴提示詞約束。

訂單查詢則走 MCP。工具發現階段,通過 allowed_tools 只導入 get_purchase_order 這一個只讀工具;認證使用權限最小的只讀憑證。每次調用前,應用讀取 mcp_approval_request 裏的參數,確認訂單號在本次覈驗範圍內,再回傳批准。兩條路徑的責任可以這樣劃分:界面上發生了什麼由應用負責,遠端系統返回了什麼由服務方負責,模型只負責提出請求。

維度 Computer Use 遠程 MCP
執行環境 應用提供的瀏覽器 / 桌面 你配置的遠端服務
串聯標識 computer_call 與 call_id mcp_approval_request / response
權限控制點 環境隔離、登錄態、頁面白名單 服務認證、allowed_tools、逐次審批
適合字段 需要交互才顯示的公開信息 業務系統中的結構化記錄
主要風險 誤點擊、頁面改版 越權調用、參數越界

GPT-6.2 Astra 從蒐集資料走到可用輸出

檢索工具按文檔所在位置選擇:公開且經常變化的信息用 Web Search,並保留 url_citation;已歸檔的合同用 File Search。計算環境按任務形態選擇:金額對賬、彙總統計這類工作,Code Interpreter 的 Python 沙箱就夠用;需要批量解壓、轉換多個文件或串聯命令行工具時,再考慮 Hosted Shell。別忘了在流程中寫好文件取回這一步。

根智能體完成歸併後,建議在應用發起的後續 Responses 請求裏單獨生成結構化結果,不要和檢索混在同一次請求裏。這樣 schema 更簡單,失敗時也更容易重試。

查看審批迴傳與結構化輸出的示意代碼
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):
    """逐條審批 MCP 調用:只放行本次覈驗範圍內的訂單號"""
    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="把覈驗結論整理爲結構化記錄,evidence 只寫可追溯來源",
        text={"format": {"type": "json_schema", "name": "procurement_check",
                         "schema": schema, "strict": True}},
    )
    if final.status != "completed":
        raise RuntimeError(f"未完成:{final.status}")  # 拒絕、未完成需單獨處理
    return final.output_text

格式約束只是第一道防線,字段邏輯還需要程序和人來把關。下面是一份輸出樣例,以及每個字段的校驗責任:

字段 示例值 格式保證 仍需檢查的內容 責任方
record_id PO-881 schema 約束爲字符串 是否真實存在於採購系統 程序回查
evidence 合同第 5.2 條;官網資質頁 必須是數組 來源能否打開、引用是否對應 程序 + 抽檢
status mismatch 只能取枚舉值 判定是否符合業務口徑 人工複覈

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

🎯 技術建議:建議把“schema 合法”和“業務正確”拆成兩個獨立檢查步驟,status 爲 mismatch 或 needs_review 的記錄一律進入人工隊列。上線前可以在 API易 apiyi.com 上用歷史採購單回放整條流程,統計誤判率,再決定哪些狀態可以自動放行。

GPT-6.2 Astra 落地順序的判斷

基於以上事實,我們對接入順序的判斷是:先打通 Structured Outputs 和 File Search,再接只讀 MCP,最後引入 Multi-agent 和 Computer Use。前兩項由 OpenAI 託管,出錯概率最低;MCP 的審批迴傳是一套需要單獨測試的狀態機;Multi-agent 目前仍是 beta,Computer Use 的穩定性又依賴你自建環境的質量,這兩項適合在主流程穩定之後再疊加。

這個判斷成立的前提是:beta 接口在近期不會出現破壞性變更,你的賬戶也能開通相應工具。兩者都需要持續關注 OpenAI 的 API 更新日誌。另外,“只讀”在示例中是一個設計約束。一旦業務需要寫入,審批策略、寫入順序和回滾方案都必須重新設計,不能直接沿用本文的配置。

💰 成本優化:長合同反覆檢索時,緩存命中輸入的單價遠低於普通輸入,把固定的系統指令和 schema 放在請求前部,有助於提高緩存命中率。中小團隊也可以通過 API易 apiyi.com 按量調用,逐步擴大核驗規模。

工具清單越來越長,但真正決定智能體能否投入生產的,還是那幾條樸素的邊界:誰執行、誰授權、誰複覈。正如陸游在《冬夜讀書示子聿》中所寫:

紙上得來終覺淺,絕知此事要躬行。


作者:APIYI 技術團隊
技術交流:歡迎在 API易 apiyi.com 網站首頁聯繫我們,獲取 GPT-6.2 Astra 接入的更多實踐資料。

延伸閱讀

Similar Posts