Asana 用 GPT-6.1 Sol 编程代理成本降 76 倍
Using GPT-6 Astra in Codex, Asana made its browser agent 76x cheaper and 5x faster in tests to offer customers more capable models.
Full article body is primarily in Chinese for SEO depth; key points above are localized. Use the language switcher and deep links for global navigation.
Asana 用 GPT-6.1 Sol 编程代理成本降 76 倍
分类： 模型 摘要： Asana 使用 GPT-6.1 Sol 优化浏览器代理工作流，成本降低 76 倍、速度提升 5 倍，适用于需要自动化工作流的企业。 slug： gc-asana-gpt-6-1-sol-programmer-agent-cost-76x 模式： feed
Asana 通过 GPT-6.1 Sol 将浏览器代理成本降低 76 倍、速度提升 5 倍，适用于希望通过 AI 代理自动化业务流程的企业。企业可根据自身任务规模选择模型中转或本地部署方案决策是否采用类似优化策略。
OpenAI 2026 年 10 月 9 日发布的案例显示，Asana 的 StackAI 浏览器代理借助 GPT-6.1 Sol 在测试中实现了这一成果。原文链接：
案例背景与适用场景
Asana 通过 StackAI 平台帮助客户构建无需编写代码的跨应用工作流，包括网页导航、表单填写和数据收集。代理任务通常涉及重复浏览和数据处理，成本和速度直接影响整体效率。
GPT-6.1 Sol 在这个场景下发挥作用，OpenAI 的 Codex 工具让团队快速迭代代理。企业若依赖 API 中转或模型天梯，可参考此优化思路降低运行成本。
核心优化方式
优化聚焦代理的输入缓存和历史管理：
- 将浏览历史（包括页面文本和截图）缓存，避免每次重发完整内容
- 增加文本保留预算（从较小到较大版本）
- 批量处理截图（每 20 张保留前 20 张，后续仅保留最新）
这些变化结合 GPT-6.1 Sol 模型，使代理能更高效完成相同任务（如采集目录中的 6 个字段）。
实验结果对比
| 模型 | 描述 | 优化后平均成本 | 运行时间 | 成本降低倍数 |
|---|---|---|---|---|
| Model B（生产原版） | 夏季 2026 发布的前沿模型 | 约 $1.24 | 22.5 分钟 | 基准 |
| GPT-6.1 Sol | OpenAI 模型 | $0.47 | 约 4 分钟 | 76 倍 |
数据来自 Asana 144 次运行研究，GPT-6.1 Sol 版本在缓存效果显著时，每次调用成本约 3 倍更低，89% 输入来自缓存（仅 5% 价格）。速度提升 5 倍，成功率从 3/18 升至 18/18。
实施参考路径
企业可参考以下步骤在现有代理中应用类似技术（需结合实际 API 环境）：
- 审计代理代码，识别缓存和历史处理逻辑
- 测试不同历史预算和截图策略（120k/480k 字符 + 6 种缓存策略）
- 通过 Command 平台记录实验结果，转化为生产优化
更多工程实践可查看我们的 API 中转指南。
风险与边界
此案例为工程优化演示，不代表任何模型的完整或安全承诺。实际使用请以官方/挂牌页当日数据为准。代理成本控制可能受网络波动、任务复杂度等因素影响，建议在生产环境前测试。非法律意见声明：以上内容仅供参考，不构成投资、法律或技术建议。
延伸阅读
English summary
In October 2026, OpenAI reported that Asana cut browser-agent costs by 76x and sped up runs by 5x using GPT-6.1 Sol via Codex experiments. The StackAI platform automates web workflows without code; optimizing caching and history retention was key. Tests across 144 runs showed the optimized GPT-6.1 Sol workflow averaging $0.47 per run (vs. $36+ baseline) and ~4 minutes, with full success rates. Asana’s team used GPT-6 Astra for rapid iteration. The case highlights practical cost reduction for enterprise automation, directly relevant for API transit and model ladder users seeking efficient, scalable AI agents.
适用于 GrokCode 倍率榜。信息仅供参考，不构成购买、投资或法律意见。