Track
Inżynier AI Associate dla programistów
26 godz.
Czym jest API GPT-6 Astra?
API GPT-6 Astra to sposób dostępu do nowego flagowego modelu OpenAI, wydanego 3 września 2026 r., poprzez Responses API. W tym samouczku liczy się powierzchnia: gpt-6-astra przyjmuje tekst i obrazy przez Responses API OpenAI. Jego wysiłek rozumowania mieści się w zakresie od low do max, bez opcji none.
Przykłady w tym samouczku używają client.responses.create zamiast client.chat.completions.create, ale migracja wymaga też zmian w formatach żądań, wyjścia i wyników narzędzi. Usuń ustawienia własne temperature, top_p i log-probability, ponieważ Astra ich nie obsługuje. Zanim wykonasz pierwsze wywołanie, spójrzmy na ceny.
Ile kosztuje GPT-6 Astra?
Dla żądań z maksymalnie 272 000 tokenów wejściowych standardowa cena to 10 USD za milion zwykłych tokenów wejściowych i 50 USD za milion tokenów wyjściowych. Wejście z cache kosztuje 1 USD za milion, a zapisy do cache 12,50 USD za milion.
Po przekroczeniu tego progu OpenAI stosuje mnożnik 2× dla stawek wejścia i cache oraz 1,5× dla wyjścia. Wyższe stawki dotyczą całego żądania, nie tylko tokenów powyżej progu. Żaden z przebiegów w tym samouczku nie zbliżył się do progu.
Co zbudujemy z użyciem API GPT-6 Astra?
Aplikacja stagingowa to mała tablica zadań Flask: strona główna, formularz dodawania zadania, przycisk oznaczania ukończenia i endpoint /health. Kompletny kod, łącznie z aplikacją stagingową, znajdziesz w tym repozytorium GitHub.
Przed testem pojawiają się trzy zasiane zadania. Obraz: autor.
Aplikacja ma jedną zamierzoną usterkę. Agent ma trzy sprawdzenia, ale tylko pakiet testów jest zaprojektowany, by je wyłapać.
Dlaczego aplikacja akceptuje puste tytuły zadań?
Endpoint tworzenia zadania nie odrzuca pustego tytułu. Zostawiłem to zachowanie, żeby agent miał znaną usterkę do znalezienia, bez ujawniania jej w promptcie.
Jakie sprawdzenia wydań może uruchomić agent?
Agent może wywołać trzy narzędzia:
-
run_test_suiteuruchamia pytest, w tym test masowego importu z ok. 250 żądaniami HTTP. -
check_ui_flowużywa Playwright, aby dodać zadanie i potwierdzić, że się pojawia. -
check_staging_healthwysyła żądanie GET do/health.
Wszystkie trzy działają na stagingu, bez mocków. Test przeglądarkowy używa stałego kodu; demo modelowego użycia komputera będzie później.
Jak skonfigurować API GPT-6 Astra w Pythonie
Potrzebujesz klucza OpenAI API z dostępem do gpt-6-astra. Utwórz klucz na platform.openai.com/api-keys i sprawdź, czy twój projekt ma gpt-6-astra włączony. W przestrzeniach Enterprise Astra jest domyślnie wyłączona na starcie.
Poniższe polecenia używają Windows PowerShell i instalują wszystkie pakiety potrzebne do tego samouczka, w tym realtime OpenAI do dema sterowania.
python -m venv .venv
.venv\Scripts\Activate.ps1
Copy-Item .env.example .env
pip install "openai[realtime]" flask pytest playwright pydantic matplotlib python-dotenv streamlit
playwright install chromiumNa macOS lub Linuksie podmień polecenie aktywacji na source .venv/bin/activate oraz kopiowania na cp .env.example .env.
Następnie dodaj klucz API do nowego pliku .env: Otwórz właśnie skopiowany plik .env i dodaj OPENAI_API_KEY=sk-..., który python-dotenv wczytuje, a SDK pobiera automatycznie, więc nigdy nie przekazujesz klucza w kodzie.
Jeśli zależności projektowe lub pliki .env są dla ciebie nowe, nasze przewodniki o wirtualnym środowisku i zmiennych środowiskowych je wyjaśniają. Potwierdź, że klucz działa, zanim na nim zbudujesz.
Jeśli twój klucz API już działa z Responses API, pomiń następną podsekcję i zacznij od synchronicznej pętli narzędzi. Pierwsze żądanie tylko weryfikuje konfigurację.
Wykonaj pierwsze wywołanie API GPT-6 Astra
Gdy klucz jest gotowy, trzeba go wczytać przez dotenv. Potem możesz utworzyć klienta OpenAI i wysłać pierwsze żądanie funkcją client.responses.create(). Najmniejsze możliwe żądanie wygląda tak:
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
client = OpenAI()
response = client.responses.create(
model="gpt-6-astra",
reasoning={"effort": "low"},
input="In one sentence, what is a staging environment used for?",
)
print(response.output_text)Pole usage w odpowiedzi zawiera liczby tokenów potrzebne do późniejszego obliczenia kosztu.
Zbuduj synchroniczną pętlę narzędzi GPT-6 Astra
Poniższe fragmenty to wycinki; wersje uruchamialne są w dołączonym repozytorium GitHub.
Zanim dotknąłem czegokolwiek async, zbudowałem zwykłą wersję:
-
Wywołaj model
-
Sprawdź, czy jest element
function_call -
Uruchom pasujące narzędzie
-
Odeślij wynik z
previous_response_id -
Powtarzaj, aż model przestanie prosić o narzędzia.
Ta blokująca pętla to punkt odniesienia dla porównania z async.
for turn in range(max_turns):
response = client.responses.create(
model="gpt-6-astra",
reasoning={"effort": "low"},
tools=TOOLS,
input=next_input,
previous_response_id=previous_response_id,
)
calls = [item for item in response.output if item.type == "function_call"]
if not calls:
final_text = response.output_text
break
outputs = [
{"type": "function_call_output", "call_id": call.call_id, "output": run_tool(call)}
for call in calls
]
next_input, previous_response_id = outputs, response.idCo znalazł przebieg bazowy
W przebiegu bazowym model wywołał każde narzędzie po kolei. Znalazł znaną usterkę walidacji i zwrócił decyzję „no-go”. W trzech przebiegach łączny czas zegarowy wyniósł średnio 23,40 sekundy. Ta średnia obejmuje cały przebieg, nie czasy poszczególnych narzędzi.
Jak działa asynchroniczne wywoływanie narzędzi w GPT-6 Astra?
Oznacz narzędzie jako "async": true w jego schemacie, a twoja aplikacja może odroczyć ten wynik, podczas gdy model albo kontynuuje pracę, albo czeka. Twoja aplikacja wciąż uruchamia narzędzie i zarządza zadaniem w tle.
Jak uruchamiać niezależne sprawdzenia współbieżnie
Oznaczyłem run_test_suite i check_ui_flow jako async i dodałem zdefiniowane w aplikacji narzędzie wait_for_tasks bez argumentów, bo to demo ma w danym momencie tylko jedną partię pracy w toku. To „czekanie” bez argumentów utrzymuje przykład w małej skali.
W produkcyjnym runnerze identyfikuj zadania za pomocą uchwytów, powiąż każdy uchwyt z oryginalnym call_id i czekaj tylko wtedy, gdy następny krok zależy od oczekującego wyniku.
Zwróć każdy ukończony wynik na jego oryginalnym call_id, a potem zwróć status oczekiwania na własnym call_id narzędzia „wait”.
TOOLS = [
{"type": "function", "name": "run_test_suite", "async": True, ...},
{"type": "function", "name": "check_ui_flow", "async": True, ...},
{"type": "function", "name": "check_staging_health", ...},
{"type": "function", "name": "wait_for_tasks", ...},
]W tym przebiegu aplikacja przesłała każde oznaczone wywołanie do puli wątków. Gdy sprawdzenia w tle działały, wykonała szybkie synchroniczne sprawdzenie health. Następnie zablokowała się na wait_for_tasks, aż oczekujące sprawdzenia się zakończyły.
Czy async skraca czas zegarowy?
W trzech przebiegach async zmniejszył średni czas zegarowy o 19,1%, z 23,40 s do 18,94 s. Średnia wyglądała prosto, dopóki nie przyszły wyniki poszczególnych przebiegów; wykres poniżej pokazuje faktyczną zmienność. Trzy przebiegi wystarczą, by pokazać, co tu zaszło, nie by przewidywać latencję produkcyjną.
Czasy przebiegów wahały się w obu trybach. Obraz: autor.
Dlaczego współbieżne sprawdzenia wywołały warunek wyścigu?
Równoczesne uruchomienie testu przeglądarkowego i testu masowego importu czasem powodowało niepowodzenie asercji masowego importu, bo oba sprawdzenia modyfikowały tę samą listę zadań w pamięci. To złamało założenie testu o wyłącznym dostępie. Izolacja danych w runnerze lub testach uniknęłaby wyścigu.
Ograniczone użycie komputera GPT-6 Astra do testów UI
W przypadku użycia komputera dokumentacja GPT-6 Astra zaleca wykonywanie kodu, podczas gdy ustrukturyzowane narzędzie computer pozostaje wspierane jako alternatywa. Przy wykonywaniu kodu jedno wywołanie może łączyć kilka akcji, pętle i warunki, natomiast narzędzie computer zwraca jedną ustrukturyzowaną akcję myszy lub klawiatury naraz, którą twoja aplikacja tłumaczy i odtwarza.
Jak ograniczyć runner użycia komputera
Nazwę nadałem BrowserSandbox, ale to określenie przecenia jego ochronę. Daje kodowi pisanym przez model obiekt Playwright page, funkcję log() i helper expect_text() . Python nadal może wstrzyknąć built-ins do exec(), a strona może przejść na inny origin.
sandbox_globals = {"page": self.page, "log": log, "expect_text": expect_text}
exec(code, sandbox_globals)Traktuj to jako demo runner, nie granicę bezpieczeństwa. Kod pisany przez model potrzebuje odizolowanego procesu lub kontenera z ograniczeniami systemu plików, procesów, sieci i origin.
Co wydarzyło się w sprawdzeniu UI?
Ograniczyłem pętlę do ośmiu tur, bo ograniczone sprawdzenie potrzebuje twardego stopu. Model obejrzał stronę, znalazł pole formularza, utworzył tytuł „UI flow check, cobalt otter 73921”, przesłał zadanie i potwierdził, że tytuł się pojawił, co zajęło 13 sekund. Nasz samouczek użycia komputera GPT-5.4 omawia szczegółowy przykład z poprzednikiem Astry.
Jak działa sterowanie w trakcie tury w GPT-6 Astra?
Sterowanie w trakcie tury jest dostępne tylko dla gpt-6-astra przez połączenie WebSocket.
Otwórz połączenie i utwórz odpowiedź, a następnie wyślij zdarzenie response.steer z nowymi instrukcjami, gdy odpowiedź się generuje. Zdarzenie response.steer.accepted oznacza, że aktualizacja jest zakolejkowana, nie zastosowana. Zanim utworzy automatyczną kontynuację, serwer kończy bieżący element wyjścia i wszelką już uruchomioną hostowaną pracę narzędzia.
Jeśli nadal potrzebuje wyniku narzędzia klienta lub zgody, response.steer.pending wskaże brakujące dane.
async with client.responses.connect() as connection:
await connection.response.create(model="gpt-6-astra", input=TASK)
async for event in connection:
if event.type == "response.created" and initial_response_id is None:
initial_response_id = event.response.id
await asyncio.sleep(1.0)
await connection.response.steer(
previous_response_id=initial_response_id,
input="Also add a rollback plan, but skip mobile.",
)Jednosekundowe opóźnienie odpowiada kodowi eksperymentu i daje pierwszej odpowiedzi czas na start. Bez tego opóźnienia testowałbyś inny punkt cyklu życia odpowiedzi.
Czego sterowanie w trakcie tury nie zmienia?
Sterowanie nie przepisuje oryginalnej odpowiedzi. Jeśli aktualizacja ją przerwie, ta odpowiedź kończy się z status: "incomplete" i incomplete_details.reason: "steered". Następca kontynuuje z nową instrukcją.
Jeśli pierwsza odpowiedź skończy przed wejściem aktualizacji w życie, pozostaje ukończona. Sterowanie nie odwraca ani nie anuluje działań po stronie klienta, które już się rozpoczęły; twoja aplikacja wciąż za to odpowiada. Zakolejkowane sterowanie istnieje tylko na bieżącym połączeniu WebSocket, więc zapisz aktualizację przed próbą ponownego połączenia.
Ścieżka porównawcza pozwala pierwszej odpowiedzi skończyć, a następnie wysyła nowe żądanie ze skombinowanymi instrukcjami. W dwóch przebiegach sterowanie zajęło średnio 26,91 s wobec 50,02 s dla ścieżki „zakończ-potem-wznów”. To porównanie nie obejmuje polityki „anuluj i wznow” ani nie ocenia poprawności finalnego tekstu.
Średnie z dwóch przebiegów dla czasu i kosztu. Obraz: autor.
Ścieżka restartu generuje dwie pełne odpowiedzi, które pokrywają część tych samych żądań. To wyjaśnia część różnicy w czasie, więc nie traktowałbym tych dwóch przebiegów jako ogólnego benchmarku sterowania.
Jak zmieniać wysiłek rozumowania GPT-6 Astra w trakcie rozmowy
gpt-6-astra obsługuje wysiłek rozumowania od low do max. Wyższy wysiłek może zwiększyć użycie tokenów rozumowania, ale nie gwarantuje innej odpowiedzi. configuration_update zmienia kolejne odpowiedzi aż do nadpisania, podczas gdy ustawienie na poziomie żądania pozostaje bez zmian.
W tym pipeline raport kończy rozmowę, więc aktualizacja dotyczy tylko tego finalnego kroku.
response = client.responses.create(
model="gpt-6-astra",
previous_response_id=previous_id,
reasoning={"effort": "low"}, # default remains low
input=[
{"type": "configuration_update", "reasoning": {"effort": "high"}},
{"role": "user", "content": "Diagnose the root cause and recommend a fix."},
],
)Użyłem tego samego śladu błędu na obu poziomach wysiłku i porównałem diagnozę oraz użycie tokenów.
Jedna subtelność: pole reasoning.effort w odpowiedzi wciąż raportuje ustawienie na poziomie żądania, a nie wysiłek wybrany przez configuration_update. Nie używaj tego pola do sprawdzania, czy aktualizacja zadziałała.
Czy wysoki wysiłek rozumowania zmienił diagnozę?
W pełnym połączonym przebiegu eskalowany krok użył 108 tokenów rozumowania. Każdy inny krok na low użył zera. We wcześniejszym odizolowanym teście z dłuższym śladem błędu, niski wysiłek użył zera, a wysoki 318 tokenów. Obie wersje zidentyfikowały błąd walidacji, więc wyższy wysiłek zmienił użycie tokenów, ale nie diagnozę.
Aktualizacje konfiguracji działają tylko w standardowych, jednoagentowych żądaniach. API odrzuca sąsiadujące aktualizacje i nie można ich łączyć z automatyczną kompakcją ani automatycznym ucinaniem.
Jak używać ustrukturyzowanych wyników GPT-6 Astra
Ostatni krok pipeline wywołuje client.responses.parse, by zastąpić wolny tekst zweryfikowanym modelem Pydantic.
class GoNoGoReport(BaseModel):
decision: str
summary: str
checks_completed: list[str]
failures: list[str]
risks: list[str]
follow_up_actions: list[str]
confidence: float
response = client.responses.parse(
model="gpt-6-astra",
previous_response_id=previous_id,
text_format=GoNoGoReport,
input=[...],
)Pydantic sprawdza typy pól zadeklarowane tutaj. Nie dowodzi, że raport zgadza się z dowodami, i ta wersja nie ogranicza decision do dwóch wartości ani confidence do zakresu.
Co wychwycił raport go/no-go?
Raport zwrócił decision: "no_go". Sklasyfikował wspomnianą wcześniej usterkę walidacji pod failures i problem współbieżności pod risks. Dla tego drugiego napisał: „możliwa interferencja z równoczesnych testów UI na współdzielonych danych stagingowych”. Prompt nie nazwał tego ryzyka.
Trzymaj latencję i koszt poza tym schematem i licz je w kodzie. Model wypełnia pola raportu na podstawie dowodów z narzędzi.
Interfejs Streamlit korzysta z tego samego generatora co runner wiersza poleceń. Renderuje każde zdarzenie narzędzia na bieżąco, a potem pokazuje sparsowany raport w kartach Raport i JSON.