凌晨被群里消息炸醒OpenAI这一波更新量确实吓人——公告页面密密麻麻列了二十多条从API价格到Agent工作台全动了。我花了一晚上把更新日志逐条过了一遍真正值得琢磨的就两件事GPT-6.1-Sol直接把价格砍掉80%以及自带云电脑的Dots。前者意味着大批按量计费的AI应用可以把成本账重新算一遍后者直接把“AI帮你干活”从排队等接口变成了托管一整台云端电脑。这篇文章不谈那二十多个更新里的边角料只挑这两个主角讲清楚它怎么用、省在哪、坑在哪。适合正在做AI应用、想接Agent工作流、或者被长任务折腾得够呛的开发者、产品经理和独立开发者看。1. 先看懂OpenAI这波更新背后的两张牌1.1 价格不是简单降价而是把“高频推理”重新定价先说GPT-6.1-Sol。乍一看“价格砍掉80%”像是个促销动作但仔细琢磨它的定位你会发现这是OpenAI在给整个API生态重新分层。算力调度变了新一代模型普遍采用稀疏专家架构不是每个请求都要激活全部参数日常高频的短任务走的是更轻的推理路径。缓存命中率大幅提升系统提示、长文档、工具定义这类重复内容命中上下文缓存后费用能再砍一大截。服务规模上来了推理集群吞吐量上去之后边际成本确实在下降降价不是赔本赚吆喝而是把盘子做大。开发者要读懂的是OpenAI在告诉你“别再把重活累活都往旗舰模型上扔了便宜模型能干的就别用贵的”。过去很多AI应用跑不起来不是模型能力不够是账单太吓人。每天几十万次调用、每次几千token的批量任务用原价旗舰模型跑一个月账单能让老板直接拍桌子。GPT-6.1-Sol把这条线往下拉了一大截相当于给高频场景开了个“经济舱”而经济舱的座位足够舒服。1.2 从“卖模型”到“卖工作环境”Dots的位置如果说GPT-6.1-Sol是发动机降价那Dots就是OpenAI直接卖整车了。Dots这个产品核心形态是云电脑 Agent工作台。你在云端拥有一台虚拟电脑这台电脑里预装了浏览器、文件系统、命令行环境并且有一个AI代理常驻其中。你不需要关心它跑在哪台物理服务器上也不需要自己装环境、配网络、盯进程。你只需要给它下任务“去这个网页把竞品价格抓下来做张对比表放到工作目录里”它就自己打开浏览器、滚动页面、提取数据、写文件跑完给你一份摘要。这事的颠覆性在哪在于它把“AI辅助打工”变成了“AI托管打工”。以前我们用AI是人出题、AI作答人在中间做连接器Dots的逻辑是AI直接驻扎在云端工作环境里人只在关键节点做验收和决策。你早上到公司打开Dots面板昨晚派出去的任务已经跑完产物整整齐齐码在云盘里——这比“打开聊天窗口一条条追问”爽太多了。维度传统云电脑Dots环境准备自己选配置、装系统、配网络、维护软件开箱即用环境预置AI接入还要自己写代码接APIAgent落地难内置Agent浏览器操作、命令执行、文件读写开箱可用会话恢复断开后重连要自己处理会话云端持续任务异步跑运维负担补丁、故障、扩容全自己扛OpenAI托管用户只管用成本结构按时长付费算力租金按任务/订阅闲置不烧钱适用人群有运维能力的团队开发者、运营、分析师等业务侧人员传统云电脑解决的核心问题是“随时随地有一台电脑”但它不是为AI设计的Agent想在里面干活你得先装API、写调度、处理崩溃这门槛直接劝退一票人。Dots把这条链路整个包圆了。2. GPT-6.1-Sol便宜到能当“后台员工”用2.1 这个模型适合干什么不适合干什么我按自己这几天实测下来的体感给GPT-6.1-Sol画了一张“能力边界图”免得有人拿它硬扛所有任务然后回来骂街。顺手能干的事代码生成与修补写函数、补单元测试、做代码Review草案手感很稳风格干净。结构化输出JSON、Markdown、表格、配置文件这类格式要求严格的任务几乎不用二次清洗。长文档吞吐合同摘要、日志归因、舆情归类给足上下文后输出质量在线。Agent循环里的高频调用多轮工具调用、状态跟踪、中间结果判断这类“量大但单次难度不高”的活它跑起来非常划算。明显不太行的事复杂数学推理高难度证明、竞赛级数学题还是得找旗舰模型。多步长线规划需要连续推理十几步、自己不断纠偏的复杂任务它的规划深度不如大杯。创造性极强的内容生成文风要求极高、需要大量隐含共识的创作它的回答会偏“工整但不够灵”。说白了GPT-6.1-Sol的定位就是“AI公司里的执行员工”不是“战略顾问”。你用好了能把人力成本打下来一大半用错了场景也会觉得它“笨”。2.2 API成本前后对比一笔账算清楚我拿假设的价格测算模板给大家算一笔典型账。假设GPT-6.1-Sol对比原旗舰型号输入价格从每百万token大约15美元降到3美元输出价格从60美元降到12美元再叠加上下文缓存命中后的额外折扣实际降幅确实能到80%左右。以我自己的一个实际场景举例一个内容安全巡检系统每天调用10万次每次请求约2000输入token生成500输出token。原旗舰模型日成本(2000 x 15 500 x 60) / 1,000,000 x 100,000 600美元/天GPT-6.1-Sol日成本(2000 x 3 500 x 12) / 1,000,000 x 100,000 120美元/天一天省480美元一个月省1.4万多美元。对创业团队来说这直接决定你能不能把AI功能从“演示版”变成“生产版”。再叠加提示词缓存如果系统提示词固定且很长比如3000token这部分在未命中缓存时也要算输入费开启缓存后重复内容可能降到原价的十分之一甚至更低。长文档处理、多租户系统提示这种场景实际账单还能再往下压。2.3 在Codex里用GPT-6.1-Sol一个容易踩的坑Codex是OpenAI的命令行编码代理你可以在终端里让它读仓库、改代码、跑测试、提交PR。本身是配合GPT-6.1这一代模型发布的重点工具但这里有一个我在热榜上反复看到的报错the gpt-6.1-sol model is not supported when using codex with a chatgpt account意思是如果你是直接用ChatGPT账号登录Codex个人订阅方式某些模型比如GPT-6.1-Sol不被支持。想用这个模型需要走API Key方式登录。解决办法很直接# 用API Key方式认证而不是ChatGPT登录 export OPENAI_API_KEY你的key codex login或者直接在Codex的config文件里指定模型名并确保账号类型是API账户。这个坑踩的人特别多我一开始也以为是版本bug实际就是认证方式绑定了模型策略。个人订阅用户想尝鲜Sol先检查自己登录的是ChatGPT账号还是API Key。2.4 代码示例直接调API就算不碰Codex用API直接调用也很简单。一个Python示例from openai import OpenAI client OpenAI(api_key你的OPENAI_API_KEY) resp client.chat.completions.create( modelgpt-6.1-sol, messages[ {role: system, content: 你是一名数据分析师输出严格JSON。}, {role: user, content: 把这段销售数据按月份汇总输出成本对比表格\n1月 12000\n2月 9800\n3月 15500} ], temperature0.2, max_tokens1024 ) print(resp.choices[0].message.content)注意三点模型名要精确gpt-6.1-sol少后缀或多前缀都会报model not found。temperature别给太高这类模型定位是执行类任务我给0.2到0.4之间输出稳定很多。设置max_tokens上限防止长输出失控导致账单超预期。3. Dots自带云电脑的Agent工作台到底改了什么3.1 先理解Dots的产品形态Dots不是一个聊天框它是一个可交互的云端桌面环境。你打开控制台能看到一个虚拟桌面桌面上有浏览器、文件管理器、终端。Agent常驻在这个环境里可以替代你做几乎所有“在电脑上完成的事”打开网页、填表单、下载文件、执行脚本、整理文件夹、监控网页变化。我试用后的感觉是它本质上是一个“带着手的AI”。以前的AI只能给你出主意Dots里的AI能自己动手把事办了。比如我要整理一个行业竞品站点的价格变动以前需要自己定时爬、解析、入库、发提醒现在直接在Dots里建一个周期任务Agent每天自己去访问页面、对比价格、生成报告有异常再通知我。我不用再写爬虫和调度器只用自然语言把需求讲清楚。3.2 “颠覆打工逻辑”体现在哪传统打工模式是岗位 人坐在工位上 人操作电脑 人做判断。Dots的模式变成任务 云端电脑 常驻Agent执行 人做验收。拆开看它动了几个底层逻辑异步化你不需要等AI现场干活。把任务扔给Dots该睡觉睡觉、该开会开会干完回来检查结果。并行化你可以同时开好几个Dots环境每个环境里跑一个长任务。这相当于你有了一支“虚拟外包团队”而且不需要招聘、排班、管理。持久化环境不因为你关浏览器而消失。Agent现在进行到哪一步、已经写了什么文件、浏览器开在哪个页面下次打开全都在。我用一个具体案例说明。之前做过一个电商运营需求每天上午把各平台店铺的退款订单导出来按原因分类计算退款率生成日报发到群里。原来的做法是每天早上人工操作半小时。现在我把这个流程完整丢给DotsAgent自己登录后台、导出Excel、写一个Python脚本做分类统计、再把生成的日报通过API推到群机器人。我只需要在日报推出来之后扫一眼有没有异常。这就是打工逻辑的变化从“人守着流程走”变成“人守着例外走”。3.3 与“云电脑服务器部署”的关系很多团队看见“云电脑”三个字第一反应是“我也可以自己部署一台云电脑”。确实现在有运营商在推云电脑服务也有团队自己搭云电脑服务器交付形态五花八门。但自己部署一套玩过的人都知道环节很碎服务器选型、GPU或CPU配额、远程桌面协议、内网穿透、安全组、权限管控……每一项都是成本。Dots解决的问题不是“给你一台云电脑”而是“给你一台已经被Agent武装好的云电脑”。这中间省掉的不只是部署时间还有你把AI接入电脑的整套工程工作。传统云电脑是停车场车得你自己买自己开Dots是带司机的网约车上车报目的地就行。我建议分情况选型纯个人办公、用云电脑替代本地PC运营商云电脑这类方案够用胜在便宜。团队做自动化、跑Agent任务直接上Dots这类托管工作台别自己从零搭。有强合规要求、数据必须留在内网那没得选只能自建云电脑服务器并在内网里做好模型调用与管理。4. 从安装到跑通的完整实操流程4.1 本地CLI环境准备把Codex CLI装起来先确认Node环境建议Node 18以上。然后全局安装npm install -g openai/codex这里有个非常常见的坑在Windows环境下安装时可能报missing optional dependency openai/codex-win32-x64. reinstall codex: npm in...这不是网络问题也不是权限问题是npm安装可选平台依赖包时没拉下来。处理办法# 方案一强制重装 npm install -g openai/codex --force # 方案二手动补装平台包 npm install -g openai/codex-win32-x64装好之后运行codex --version能输出版本号就说明基础环境OK。接下来认证两种方式ChatGPT账号登录适合个人订阅用户但注意模型支持范围受限。API Key方式export OPENAI_API_KEYsk-...然后用API Key登录才能使用GPT-6.1-Sol这类模型。4.2 把模型跑起来的完整配置用API方式最省心。先在环境变量里配置好Key然后写一个简单的调用脚本测试连通性。我建议先跑一个“最小请求”确认网络、鉴权、模型名都没问题再加大参数。示例如下from openai import OpenAI import os client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) resp client.chat.completions.create( modelgpt-6.1-sol, messages[ {role: system, content: 你是一个Python代码审查助手。}, {role: user, content: 审查这段代码的潜在问题\ndef calc(nums):\n res []\n for n in nums:\n if n % 2 0:\n res.append(n**2)\n return res} ], temperature0.3 ) print(resp.choices[0].message.content)如果返回正常的审查意见就说明链路通了。接下来就可以在业务代码里大范围用了。4.3 把Dots接入日常任务流Dots的使用不复杂但任务描述质量直接决定Agent执行效果。我自己总结了一个“任务五要素”模板照这个写法Dots的完成度明显高目标描述“每周一上午10点访问A、B、C三个平台的订单后台导出上周退款单。”操作路径“登录信息在环境内凭据库如果页面改版导致找不到入口截图放diagnostics目录。”输出物“生成一份refund_report.xlsx包含按原因分类统计和退款率同时输出一页PDF摘要。”验收标准“数据行数与导出记录数一致退款率保留两位小数。”异常处理“某平台无法访问时跳过并在报告末尾标注不要中断整个任务。”这套模板其实就是把平时给实习生布置任务的逻辑翻译给Agent。你把上下文交代清楚它就能连续执行你只说一句“帮我盯一下退款”它大概率要在某个环节卡住。周期任务比如每天、每周触发在Dots里可以直接配置调度器一次性任务直接下发即可。4.4 企业落地预算、权限、安全团队用这类工具我建议先立三条规矩别上来就全员发账号。预算上限给每个项目设置月度API消费上限防止某个人把月度预算跑穿。OpenAI的API平台支持限额设置把硬上限打开。权限最小化云电脑里的凭据、数据访问严格按任务划分。Dots环境里该隔离的隔离别把生产库密码放在共享环境里。敏感数据分级涉及客户隐私、财务数据的内网文件不要直接喂给云端模型。可以先做脱敏再跑任务。成本预估可以先按这个公式毛算预估月成本 请求次数 x (输入token数/100万 x 输入单价 输出token数/100万 x 输出单价) x 缓存因子。跑一周统计一次实际消耗再调整模型分配策略。5. 常见问题与避坑实录5.1 Codex安装与登录问题速查现象常见原因解决方式安装报missing optional dependency openai/codex-win32-x64npm可选依赖下载失败npm install -g openai/codex --force 或手动补装平台包登录报“model not supported when using codex with a chatgpt account”用的是ChatGPT账号而非API Key改用API Key方式登录export OPENAI_API_KEY后重新登录codex命令找不到Node路径或安装目录问题检查npm全局bin目录是否在PATH里401认证失败API Key失效或未正确设置环境变量检查key是否过期确认环境变量在当前终端已生效5.2 API调用常见问题402 Payment Required账户余额不足充值或检查是否触发限额。429 Rate Limit并发或速率超限退避重试把请求打散。上下文长度超限system prompt 历史对话过长压缩历史或截断文档。响应超时长输出任务流式传输建议开启stream避免一口气等到服务端出完整结果。我踩过最多次的是429以前傻傻地线性重试后来改成指数退避每轮等待时间翻倍重试三四次一般就能过去。大批量任务建议写个简单的重试装饰器。5.3 云电脑和Dots的选型建议很多朋友问“我已经有云电脑了还需要Dots吗”这要看你用什么角色你的诉求是“办公桌面随取随用”那传统云电脑就够了。你的诉求是“让AI替我在电脑上处理任务”那必须选带Agent能力的托管工作台。你的诉求是“数据必须留在自己手里”那就得自建云电脑服务器但要把Agent调度、环境维护、安全审计都算进成本里。另外提醒一句市面上能买到的运营商云电脑很多主打个人办公场景算力、API接口、Agent生态都不开放别指望它跑起AI工作流。买之前先确认一件事它允不允许你自由安装软件、调用外部API、挂载自动化工具。不允许的话买回来顶多是个远程桌面。6. 我折腾完这一波之后的最大感受说实话GPT-6.1-Sol降价80%给我的冲击没有Dots给我的冲击大。模型便宜只是让已有产品跑得更省钱但Dots这类自带云电脑的Agent工作台是真把“AI帮你干活”从玩具阶段拉到了可用阶段。以前跑个稍微复杂点的Agent任务最怕的就是环境一崩全白干现在云端常驻、会话持续Agent干一半停了你还能手动接管这种体验是用一次就回不去的。最后分享一个我自己的实践技巧别一上来就把全部工作流搬到Dots里先挑一个高频、耗时、规则明确的任务试跑两周比如日报生成、竞品巡检、工单分类。这两周你会把任务描述的坑、预算消耗的节奏、异常处理的习惯都摸出来。跑顺了再慢慢扩别的场景步子别迈太大AI这玩意儿做得越久越知道边界在哪里。