1. 这场发布会到底讲了什么从标题拆解核心信息OpenAI DevDay 2026 一口气甩出了 20 多项发布密度高到我在看直播回放的时候不得不暂停了三次做笔记。核心的几个名字先摆出来dots、ChatGPT Spaces、GPT-6.1 Sol。这三个是整场的主轴其余十几项发布基本都围绕它们展开要么是配套能力要么是底层支撑。先说清楚这三个东西分别是什么定位不然后面容易乱。dots是这次最让我意外的一个东西。它不是模型也不是一个独立 App而是一套面向开发者的“原子化能力单元”体系。你可以把它理解成把过去那些大而全的 API 拆成了一个个极小的、可组合的功能点每个 dot 只干一件事但干得很干净。比如一个 dot 专门做结构化抽取一个 dot 专门做多轮意图追踪一个 dot 专门做代码补全的上下文裁剪。开发者按需拼装而不是每次都调用一个巨型模型去干所有事。ChatGPT Spaces则是面向使用侧的空间化组织方式。过去 ChatGPT 的对话是一条条线性的 thread现在 Spaces 把对话、文件、工具、外部数据源组织成一个有边界的“空间”。一个 Space 可以是一个项目、一个团队、一个知识库里面的上下文是持续存在的不是每次开新对话就清零。GPT-6.1 Sol是这次的旗舰模型。Sol 这个后缀不是随便起的官方在台上强调的关键词是“solver”也就是它被定位成一个偏推理、偏求解的模型而不是单纯的语言生成器。上下文窗口、工具调用稳定性、长链推理的中间态保持是它主打的三个方向。适合谁来读这篇回顾如果你是开发者重点关注 dots 和 GPT-6.1 Sol 的 API 变化如果你是重度 ChatGPT 用户ChatGPT Spaces 会直接改变你的日常使用方式如果你只是想知道行业在往哪走那这三个东西的组合其实透露了一个很明确的信号能力在原子化上下文在空间化模型在求解化。下面我按“整体设计思路 → 核心细节 → 实操落地 → 问题排查”这个顺序把这场发布会里真正值得动手复现的部分拆开讲。中间会穿插我自己试用的感受和一些踩坑记录。2. 整体设计思路为什么是这三个方向2.1 从“大模型调用”到“能力原子化”的转变逻辑过去两年大家调 API 的方式基本是固定的把 prompt 拼好丢给一个通用模型等它返回。这个模式的问题在于你为了让它干一件小事往往要付出一个完整大模型调用的成本而且输出格式还得靠 prompt 去约束稳定性全靠运气。dots 这套东西的出现本质上是把“prompt 工程”往“能力编排”方向推。每个 dot 是一个预训练好的、职责单一的小单元输入输出格式是固定的。你不再需要写一大段“请你扮演一个专业的抽取助手从下面文本中提取……”这种话直接调用对应的 dot传参拿结构化结果。这么设计的好处很直接延迟低、成本低、输出稳定。坏处也有就是灵活性下降遇到 dot 覆盖不到的场景还是得回退到通用模型。所以官方在台上也说了dots 和 GPT-6.1 Sol 是互补关系不是替代关系。我个人的判断是这套思路对做产品的团队价值最大。因为产品里 80% 的 AI 调用其实都是重复的、模式化的任务用 dots 能把这部分成本和不确定性压下来把通用模型留给真正需要“思考”的环节。2.2 ChatGPT Spaces 解决的到底是什么痛点用 ChatGPT 久了的人都有一个共同的烦恼上下文是碎的。你上周聊的一个项目这周想接着聊得重新把背景贴一遍。文件传了又传工具配置了又配置每个新对话都是从零开始。ChatGPT Spaces 就是冲着这个来的。它把“对话”升级成了“空间”空间里可以挂载文件、挂载工具、挂载外部数据源而且这些挂载是持久的。你在这个 Space 里开的每一个新对话都自动继承这个空间的上下文。这个设计背后的逻辑是把上下文从“对话级”提升到“项目级”。对话是临时的项目是持续的。对于做长期项目的人来说这个改变是质变。你不用再维护一个巨大的“背景 prompt”Space 本身就是背景。2.3 GPT-6.1 Sol 的“求解”定位意味着什么Sol 这个名字和“solver”的关联官方没有明说但从演示内容看它的重心确实在推理链的稳定性上。过去的模型在做多步推理时中间步骤容易“漂移”走着走着就偏了。Sol 在演示里展示的是长链条任务中中间态的可保持性比如一个需要调用七八次工具、跨越多个数据源的任务它能记住自己走到哪一步、为什么走到这一步。这对开发者意味着什么意味着你可以把更复杂的任务交给它而不用在每一步之间自己做状态管理。过去你要写一堆胶水代码来维护任务状态现在模型自己扛了一部分。这三个方向合起来看其实是一条完整的链路dots 提供原子能力Sol 提供推理调度Spaces 提供上下文容器。开发者用 dots 拼能力用 Sol 做编排用 Spaces 存上下文。这是一个完整的开发范式不是三个孤立的功能。3. 核心细节解析每个发布背后的关键点3.1 dots 的能力清单与调用方式官方在台上没有把 dots 的全部清单列完但从演示和文档片段能看出几个大类抽取类从非结构化文本里抽结构化字段比如从合同里抽甲乙方、金额、期限。分类类多标签分类、意图识别输出是固定枚举。改写类润色、压缩、扩写、风格迁移。代码类补全、注释生成、上下文裁剪。检索类向量化、重排、相关性打分。调用方式上dots 走的是和主 API 一致的鉴权体系但端点不同。大致形态是这样curl https://api.openai.com/v1/dots/extract \ -H Authorization: Bearer $OPENAI_API_KEY \ -H Content-Type: application/json \ -d { dot: extract.contract.party, input: 本合同由甲方某某科技有限公司与乙方某某信息技术有限公司签订..., schema: { party_a: string, party_b: string } }注意这里的dot字段它指定了你要调用哪个原子能力。schema字段是输出约束模型会按这个结构返回。这个设计比过去靠 prompt 约束格式要可靠得多因为 schema 是硬约束不是软引导。提示dots 的计费和主模型是分开的单价明显更低但每个 dot 有独立的调用配额。做成本预估的时候别只算主模型的账。3.2 ChatGPT Spaces 的结构与权限模型Spaces 的结构大致分三层空间 → 资源 → 对话。一个空间下可以挂多个资源文件、数据源、工具资源在空间内共享对话继承空间的所有资源。权限上Spaces 支持个人空间和共享空间。共享空间可以邀请成员成员对资源的访问权限可以单独配置。这一点对企业用户很关键因为过去把敏感文件丢进对话里是有泄露风险的现在可以在空间级别做管控。我实际试下来的感受是Spaces 最适合的场景是长期项目和团队协作。如果你只是偶尔问几个零散问题Spaces 的价值体现不出来反而多了一层管理成本。但如果你有一个持续几周甚至几个月的项目把所有相关文件、数据、历史对话都放进一个 Space体验是断崖式提升的。3.3 GPT-6.1 Sol 的关键参数与能力边界Sol 的几个关键参数官方给了大致范围参数数值/说明上下文窗口显著大于上一代支持长文档整篇输入工具调用支持多工具并行调用与结果聚合推理链保持长链任务中间态可保持减少漂移输出格式支持结构化输出约束多模态文本为主图像理解能力保留能力边界上Sol 不是万能的。它在需要“求解”的任务上强比如多步推理、工具编排、复杂条件判断。但在纯创意生成、风格化写作上和上一代比提升没那么明显。所以选型的时候要看任务类型别一股脑全上 Sol成本不划算。3.4 其余十几项发布的归类20 多项发布里除了三个主角其余大致可以归成几类API 侧新的批量接口、更细的用量统计、更灵活的限流策略。工具侧Codex 相关的命令行工具更新包括安装、登录、依赖处理。平台侧Spaces 的管理后台、团队协作功能。生态侧和第三方工具的集成点。这些不是主角但都是让主角能落地的基础设施。特别是 Codex 命令行工具的更新对开发者日常影响很大后面实操部分会细讲。4. 实操落地从零开始把新能力跑起来4.1 环境准备与 Codex 命令行工具安装先把基础环境搭好。这次 DevDay 之后Codex 的命令行工具做了一次比较大的更新安装方式和登录方式都有变化。安装走 npmnpm install -g openai/codex装完之后登录现在支持用 ChatGPT 账号直接登录codex login这条命令会拉起浏览器做授权授权完成后本地会存一个凭证。这个方式比过去手动配 API key 要方便而且额度是跟着账号走的。注意如果你在 Windows 上装可能会遇到missing optional dependency openai/codex-win32-x64这个报错。这是可选依赖没装上导致的解决办法是先卸载再重装npm uninstall -g openai/codex npm install -g openai/codex --force如果还不行检查一下 npm 的 registry 和网络有时候是拉包的时候超时导致可选依赖被跳过。4.2 用 dots 搭一个结构化抽取流水线假设你要做一个合同信息抽取的功能过去你得写一大段 prompt现在用 dots 可以拆成几步。第一步调用抽取 dot 拿到原始字段import requests def extract_contract(text): resp requests.post( https://api.openai.com/v1/dots/extract, headers{ Authorization: fBearer {API_KEY}, Content-Type: application/json }, json{ dot: extract.contract.party, input: text, schema: { party_a: string, party_b: string, amount: number, deadline: string } } ) return resp.json()第二步如果抽取结果里有不确定的字段再调一个校验 dot 做二次确认。这种“抽取 校验”的组合比单次大模型调用要稳因为每个 dot 的职责单一出错概率低。第三步把结果写进你的数据库。整条链路里没有一次通用模型调用成本和延迟都压下来了。4.3 在 ChatGPT Spaces 里组织一个长期项目Spaces 的实操不复杂但有几个设置点值得注意。创建 Space 之后第一件事是把资源挂上去。资源可以是本地文件、也可以是外部数据源的连接。挂载之后Space 里的所有对话都能访问这些资源。第二件事是配置指令。Space 级别可以设一段常驻指令相当于这个空间的“系统提示”。比如你可以写“本空间所有对话都围绕 XX 项目回答时优先引用空间内文件”。这段指令会作用于空间内所有对话不用每次重复。第三件事是权限。如果是团队空间把成员加进来之后逐个配置资源访问权限。敏感文件可以只对部分成员开放。我自己的用法是给每个长期项目开一个 Space把需求文档、会议记录、代码片段都丢进去。之后问问题的时候它自动就能引用这些背景省掉了大量重复描述。4.4 用 GPT-6.1 Sol 做多步工具编排Sol 的多工具调用是这次比较实用的一个能力。举个场景你要做一个“查天气 → 根据天气推荐穿搭 → 生成购物清单”的链路。过去你得自己写代码串这三步现在可以在一次调用里让 Sol 自己编排resp client.chat.completions.create( modelgpt-6.1-sol, messages[ {role: user, content: 帮我根据今天的天气推荐穿搭并生成购物清单} ], tools[weather_tool, wardrobe_tool, shopping_tool], tool_choiceauto )Sol 会自己决定先调哪个工具、拿到结果后再调哪个。你只需要把工具定义好编排逻辑交给它。这个能力在复杂任务上省事很多但要注意工具定义的描述要清晰否则它可能选错工具。提示多工具编排的稳定性依赖工具描述的准确性。每个工具的功能、输入、输出都要写清楚模糊的描述会导致 Sol 在编排时做出错误选择。5. 常见问题与排查技巧实录5.1 安装与登录类问题问题现象可能原因解决办法missing optional dependency可选依赖未安装卸载后加--force重装登录后仍提示未授权凭证未刷新重新执行codex login命令找不到全局路径未生效检查 npm 全局 bin 是否在 PATH安装超时网络问题换 registry 或重试5.2 dots 调用类问题最常见的是 schema 不匹配。你定义的 schema 和 dot 实际支持的字段对不上会直接报错。解决办法是先查文档确认这个 dot 支持哪些字段别自己臆造。另一个是输入过长。dots 虽然便宜但每个 dot 对输入长度是有限制的超了会被截断。做长文本处理的时候要自己先分块。5.3 Spaces 使用类问题Spaces 最常见的问题是资源没生效。你挂了文件但对话里引用不到。这通常是资源索引还没建完等几分钟再试。如果一直不行检查一下资源的权限设置可能是当前对话没有访问权限。还有一个是空间指令冲突。如果你在空间指令里写了很严格的约束又在对话里给了相反的指令模型会困惑。建议空间指令只写通用的背景具体约束放在对话里。5.4 Sol 编排类问题Sol 在多工具编排时偶尔会陷入循环反复调同一个工具。这通常是因为工具返回的结果没有让它满意它想再试一次。解决办法是在工具描述里明确“如果结果已满足条件不要再调用”或者在代码层面加一个调用次数上限。另一个是工具选择错误。比如你想让它查天气它却调了穿搭工具。这基本是工具描述不够清晰导致的把每个工具的适用场景写具体一点就能改善。6. 我自己的使用体会与几个实用建议这套东西我用下来最大的感受是分工变清晰了。过去所有事都堆给一个大模型现在可以按任务类型分派模式化的任务给 dots需要推理的给 Sol需要长期上下文的放 Spaces。这个分工带来的直接好处是成本和稳定性都可控了。几个实用建议。第一别急着把所有东西都迁到新体系上先挑一两个模式化程度高的场景试水跑通了再扩。第二Spaces 的资源管理要养成习惯定期清理不用的文件不然空间会越来越臃肿检索质量会下降。第三Sol 的工具描述值得花时间打磨这是决定编排质量的关键比调 prompt 的收益大得多。最后分享一个小技巧dots 和 Sol 可以组合用。先用 dots 做一轮粗筛和结构化把干净的数据喂给 Sol 做推理这样既省成本又提质量。我试过几个场景这个组合比单用 Sol 的效果和成本都更好。
1. 这场发布会到底讲了什么从标题拆解核心信息OpenAI DevDay 2026 一口气甩出了 20 多项发布密度高到我在看直播回放的时候不得不暂停了三次做笔记。核心的几个名字先摆出来dots、ChatGPT Spaces、GPT-6.1 Sol。这三个是整场的主轴其余十几项发布基本都围绕它们展开要么是配套能力要么是底层支撑。先说清楚这三个东西分别是什么定位不然后面容易乱。dots是这次最让我意外的一个东西。它不是模型也不是一个独立 App而是一套面向开发者的“原子化能力单元”体系。你可以把它理解成把过去那些大而全的 API 拆成了一个个极小的、可组合的功能点每个 dot 只干一件事但干得很干净。比如一个 dot 专门做结构化抽取一个 dot 专门做多轮意图追踪一个 dot 专门做代码补全的上下文裁剪。开发者按需拼装而不是每次都调用一个巨型模型去干所有事。ChatGPT Spaces则是面向使用侧的空间化组织方式。过去 ChatGPT 的对话是一条条线性的 thread现在 Spaces 把对话、文件、工具、外部数据源组织成一个有边界的“空间”。一个 Space 可以是一个项目、一个团队、一个知识库里面的上下文是持续存在的不是每次开新对话就清零。GPT-6.1 Sol是这次的旗舰模型。Sol 这个后缀不是随便起的官方在台上强调的关键词是“solver”也就是它被定位成一个偏推理、偏求解的模型而不是单纯的语言生成器。上下文窗口、工具调用稳定性、长链推理的中间态保持是它主打的三个方向。适合谁来读这篇回顾如果你是开发者重点关注 dots 和 GPT-6.1 Sol 的 API 变化如果你是重度 ChatGPT 用户ChatGPT Spaces 会直接改变你的日常使用方式如果你只是想知道行业在往哪走那这三个东西的组合其实透露了一个很明确的信号能力在原子化上下文在空间化模型在求解化。下面我按“整体设计思路 → 核心细节 → 实操落地 → 问题排查”这个顺序把这场发布会里真正值得动手复现的部分拆开讲。中间会穿插我自己试用的感受和一些踩坑记录。2. 整体设计思路为什么是这三个方向2.1 从“大模型调用”到“能力原子化”的转变逻辑过去两年大家调 API 的方式基本是固定的把 prompt 拼好丢给一个通用模型等它返回。这个模式的问题在于你为了让它干一件小事往往要付出一个完整大模型调用的成本而且输出格式还得靠 prompt 去约束稳定性全靠运气。dots 这套东西的出现本质上是把“prompt 工程”往“能力编排”方向推。每个 dot 是一个预训练好的、职责单一的小单元输入输出格式是固定的。你不再需要写一大段“请你扮演一个专业的抽取助手从下面文本中提取……”这种话直接调用对应的 dot传参拿结构化结果。这么设计的好处很直接延迟低、成本低、输出稳定。坏处也有就是灵活性下降遇到 dot 覆盖不到的场景还是得回退到通用模型。所以官方在台上也说了dots 和 GPT-6.1 Sol 是互补关系不是替代关系。我个人的判断是这套思路对做产品的团队价值最大。因为产品里 80% 的 AI 调用其实都是重复的、模式化的任务用 dots 能把这部分成本和不确定性压下来把通用模型留给真正需要“思考”的环节。2.2 ChatGPT Spaces 解决的到底是什么痛点用 ChatGPT 久了的人都有一个共同的烦恼上下文是碎的。你上周聊的一个项目这周想接着聊得重新把背景贴一遍。文件传了又传工具配置了又配置每个新对话都是从零开始。ChatGPT Spaces 就是冲着这个来的。它把“对话”升级成了“空间”空间里可以挂载文件、挂载工具、挂载外部数据源而且这些挂载是持久的。你在这个 Space 里开的每一个新对话都自动继承这个空间的上下文。这个设计背后的逻辑是把上下文从“对话级”提升到“项目级”。对话是临时的项目是持续的。对于做长期项目的人来说这个改变是质变。你不用再维护一个巨大的“背景 prompt”Space 本身就是背景。2.3 GPT-6.1 Sol 的“求解”定位意味着什么Sol 这个名字和“solver”的关联官方没有明说但从演示内容看它的重心确实在推理链的稳定性上。过去的模型在做多步推理时中间步骤容易“漂移”走着走着就偏了。Sol 在演示里展示的是长链条任务中中间态的可保持性比如一个需要调用七八次工具、跨越多个数据源的任务它能记住自己走到哪一步、为什么走到这一步。这对开发者意味着什么意味着你可以把更复杂的任务交给它而不用在每一步之间自己做状态管理。过去你要写一堆胶水代码来维护任务状态现在模型自己扛了一部分。这三个方向合起来看其实是一条完整的链路dots 提供原子能力Sol 提供推理调度Spaces 提供上下文容器。开发者用 dots 拼能力用 Sol 做编排用 Spaces 存上下文。这是一个完整的开发范式不是三个孤立的功能。3. 核心细节解析每个发布背后的关键点3.1 dots 的能力清单与调用方式官方在台上没有把 dots 的全部清单列完但从演示和文档片段能看出几个大类抽取类从非结构化文本里抽结构化字段比如从合同里抽甲乙方、金额、期限。分类类多标签分类、意图识别输出是固定枚举。改写类润色、压缩、扩写、风格迁移。代码类补全、注释生成、上下文裁剪。检索类向量化、重排、相关性打分。调用方式上dots 走的是和主 API 一致的鉴权体系但端点不同。大致形态是这样curl https://api.openai.com/v1/dots/extract \ -H Authorization: Bearer $OPENAI_API_KEY \ -H Content-Type: application/json \ -d { dot: extract.contract.party, input: 本合同由甲方某某科技有限公司与乙方某某信息技术有限公司签订..., schema: { party_a: string, party_b: string } }注意这里的dot字段它指定了你要调用哪个原子能力。schema字段是输出约束模型会按这个结构返回。这个设计比过去靠 prompt 约束格式要可靠得多因为 schema 是硬约束不是软引导。提示dots 的计费和主模型是分开的单价明显更低但每个 dot 有独立的调用配额。做成本预估的时候别只算主模型的账。3.2 ChatGPT Spaces 的结构与权限模型Spaces 的结构大致分三层空间 → 资源 → 对话。一个空间下可以挂多个资源文件、数据源、工具资源在空间内共享对话继承空间的所有资源。权限上Spaces 支持个人空间和共享空间。共享空间可以邀请成员成员对资源的访问权限可以单独配置。这一点对企业用户很关键因为过去把敏感文件丢进对话里是有泄露风险的现在可以在空间级别做管控。我实际试下来的感受是Spaces 最适合的场景是长期项目和团队协作。如果你只是偶尔问几个零散问题Spaces 的价值体现不出来反而多了一层管理成本。但如果你有一个持续几周甚至几个月的项目把所有相关文件、数据、历史对话都放进一个 Space体验是断崖式提升的。3.3 GPT-6.1 Sol 的关键参数与能力边界Sol 的几个关键参数官方给了大致范围参数数值/说明上下文窗口显著大于上一代支持长文档整篇输入工具调用支持多工具并行调用与结果聚合推理链保持长链任务中间态可保持减少漂移输出格式支持结构化输出约束多模态文本为主图像理解能力保留能力边界上Sol 不是万能的。它在需要“求解”的任务上强比如多步推理、工具编排、复杂条件判断。但在纯创意生成、风格化写作上和上一代比提升没那么明显。所以选型的时候要看任务类型别一股脑全上 Sol成本不划算。3.4 其余十几项发布的归类20 多项发布里除了三个主角其余大致可以归成几类API 侧新的批量接口、更细的用量统计、更灵活的限流策略。工具侧Codex 相关的命令行工具更新包括安装、登录、依赖处理。平台侧Spaces 的管理后台、团队协作功能。生态侧和第三方工具的集成点。这些不是主角但都是让主角能落地的基础设施。特别是 Codex 命令行工具的更新对开发者日常影响很大后面实操部分会细讲。4. 实操落地从零开始把新能力跑起来4.1 环境准备与 Codex 命令行工具安装先把基础环境搭好。这次 DevDay 之后Codex 的命令行工具做了一次比较大的更新安装方式和登录方式都有变化。安装走 npmnpm install -g openai/codex装完之后登录现在支持用 ChatGPT 账号直接登录codex login这条命令会拉起浏览器做授权授权完成后本地会存一个凭证。这个方式比过去手动配 API key 要方便而且额度是跟着账号走的。注意如果你在 Windows 上装可能会遇到missing optional dependency openai/codex-win32-x64这个报错。这是可选依赖没装上导致的解决办法是先卸载再重装npm uninstall -g openai/codex npm install -g openai/codex --force如果还不行检查一下 npm 的 registry 和网络有时候是拉包的时候超时导致可选依赖被跳过。4.2 用 dots 搭一个结构化抽取流水线假设你要做一个合同信息抽取的功能过去你得写一大段 prompt现在用 dots 可以拆成几步。第一步调用抽取 dot 拿到原始字段import requests def extract_contract(text): resp requests.post( https://api.openai.com/v1/dots/extract, headers{ Authorization: fBearer {API_KEY}, Content-Type: application/json }, json{ dot: extract.contract.party, input: text, schema: { party_a: string, party_b: string, amount: number, deadline: string } } ) return resp.json()第二步如果抽取结果里有不确定的字段再调一个校验 dot 做二次确认。这种“抽取 校验”的组合比单次大模型调用要稳因为每个 dot 的职责单一出错概率低。第三步把结果写进你的数据库。整条链路里没有一次通用模型调用成本和延迟都压下来了。4.3 在 ChatGPT Spaces 里组织一个长期项目Spaces 的实操不复杂但有几个设置点值得注意。创建 Space 之后第一件事是把资源挂上去。资源可以是本地文件、也可以是外部数据源的连接。挂载之后Space 里的所有对话都能访问这些资源。第二件事是配置指令。Space 级别可以设一段常驻指令相当于这个空间的“系统提示”。比如你可以写“本空间所有对话都围绕 XX 项目回答时优先引用空间内文件”。这段指令会作用于空间内所有对话不用每次重复。第三件事是权限。如果是团队空间把成员加进来之后逐个配置资源访问权限。敏感文件可以只对部分成员开放。我自己的用法是给每个长期项目开一个 Space把需求文档、会议记录、代码片段都丢进去。之后问问题的时候它自动就能引用这些背景省掉了大量重复描述。4.4 用 GPT-6.1 Sol 做多步工具编排Sol 的多工具调用是这次比较实用的一个能力。举个场景你要做一个“查天气 → 根据天气推荐穿搭 → 生成购物清单”的链路。过去你得自己写代码串这三步现在可以在一次调用里让 Sol 自己编排resp client.chat.completions.create( modelgpt-6.1-sol, messages[ {role: user, content: 帮我根据今天的天气推荐穿搭并生成购物清单} ], tools[weather_tool, wardrobe_tool, shopping_tool], tool_choiceauto )Sol 会自己决定先调哪个工具、拿到结果后再调哪个。你只需要把工具定义好编排逻辑交给它。这个能力在复杂任务上省事很多但要注意工具定义的描述要清晰否则它可能选错工具。提示多工具编排的稳定性依赖工具描述的准确性。每个工具的功能、输入、输出都要写清楚模糊的描述会导致 Sol 在编排时做出错误选择。5. 常见问题与排查技巧实录5.1 安装与登录类问题问题现象可能原因解决办法missing optional dependency可选依赖未安装卸载后加--force重装登录后仍提示未授权凭证未刷新重新执行codex login命令找不到全局路径未生效检查 npm 全局 bin 是否在 PATH安装超时网络问题换 registry 或重试5.2 dots 调用类问题最常见的是 schema 不匹配。你定义的 schema 和 dot 实际支持的字段对不上会直接报错。解决办法是先查文档确认这个 dot 支持哪些字段别自己臆造。另一个是输入过长。dots 虽然便宜但每个 dot 对输入长度是有限制的超了会被截断。做长文本处理的时候要自己先分块。5.3 Spaces 使用类问题Spaces 最常见的问题是资源没生效。你挂了文件但对话里引用不到。这通常是资源索引还没建完等几分钟再试。如果一直不行检查一下资源的权限设置可能是当前对话没有访问权限。还有一个是空间指令冲突。如果你在空间指令里写了很严格的约束又在对话里给了相反的指令模型会困惑。建议空间指令只写通用的背景具体约束放在对话里。5.4 Sol 编排类问题Sol 在多工具编排时偶尔会陷入循环反复调同一个工具。这通常是因为工具返回的结果没有让它满意它想再试一次。解决办法是在工具描述里明确“如果结果已满足条件不要再调用”或者在代码层面加一个调用次数上限。另一个是工具选择错误。比如你想让它查天气它却调了穿搭工具。这基本是工具描述不够清晰导致的把每个工具的适用场景写具体一点就能改善。6. 我自己的使用体会与几个实用建议这套东西我用下来最大的感受是分工变清晰了。过去所有事都堆给一个大模型现在可以按任务类型分派模式化的任务给 dots需要推理的给 Sol需要长期上下文的放 Spaces。这个分工带来的直接好处是成本和稳定性都可控了。几个实用建议。第一别急着把所有东西都迁到新体系上先挑一两个模式化程度高的场景试水跑通了再扩。第二Spaces 的资源管理要养成习惯定期清理不用的文件不然空间会越来越臃肿检索质量会下降。第三Sol 的工具描述值得花时间打磨这是决定编排质量的关键比调 prompt 的收益大得多。最后分享一个小技巧dots 和 Sol 可以组合用。先用 dots 做一轮粗筛和结构化把干净的数据喂给 Sol 做推理这样既省成本又提质量。我试过几个场景这个组合比单用 Sol 的效果和成本都更好。
