Агенти за разсъждение (GPT-5.6 Sol, високо до максимално усилие)
На тази страница
- Агенти за разсъждение (GPT-5.6, високо до максимално усилие)
- Кога да активирате разсъждение в агент
- Sol + високо/xhigh усилие: дълбоко разсъждение
- Terra + средно усилие: бързо разсъждение
- Шаблон: рутер за конфигурация
- Поведение при стрийминг с активирано разсъждение
- Оптимизиране на разходите
- Ключови изводи
Обновено на 2 ноември 2026 г. — модели.
o3,o3-proи старите снимки на GPT-5 ще бъдат премахнати от API на 11 декември 2026 г., аo4-miniотдавна е заменен. За нови агенти започнете със семейството GPT-6: GPT-6.1 Sol за баланс, GPT-6 Astra за най-взискателните задачи.
Агенти за разсъждение (GPT-5.6, високо до максимално усилие)
При семейството GPT-5.6 (налично от юли 2026 г.) разсъждението вече не се управлява от отделни модели, както при предишното поколение (o3-pro, o4-mini): то вече е настройка за всяка заявка (none, low, medium, high, xhigh, max), приложима към всеки модел. Агент, който наистина има нужда да мисли – изследвайки множество пътища, преди да отговори – обикновено използва GPT-5.6 Sol с усилие high или xhigh. Интегрирана във вашите агенти, тази способност за разсъждение отключва задачи, изискващи истинско обмисляне.
Кога да активирате разсъждение в агент
Дълбокото разсъждение блести в конкретни ситуации и опитът показва, че всички те споделят обща черта: сравняване на възможни пътища преди вземане на решение. Това важи за сложното планиране, при което разбивате задача на оптимални стъпки, и за математическия анализ – изчисления, статистика, оптимизация – където една грешна стъпка обезсмисля останалите. Прилага се и за дебъгване, което включва проследяване на симптом до първопричината му, и за вземането на решения, при което трябва да оцените няколко варианта и да изберете най-добрия. Прегледът на код попада в същата категория: откриването на тънка грешка изисква мислено симулиране на изпълнения, което линейното четене няма да разкрие.
За прости задачи (отговор на въпрос, форматиране на текст) GPT-5.6 Terra или Luna с ниско усилие (или дори none) са по-бързи и по-евтини. Плащането за разсъждение, за да се преразкаже параграф, е като оставянето на състезателна кола на празен ход в трафика.
Sol + високо/xhigh усилие: дълбоко разсъждение
GPT-5.6 Sol с високо усилие за разсъждение замества това, което правеше o3-pro. Агентът отделя повече време, но произвежда по-дълбоки анализи. Примерът по-долу е типичен: стратегически въпрос с три варианта, където правилният отговор зависи от компромиси между риск, разходи и времеви хоризонт. Имайте предвид, че инструкциите изрично дефинират измеренията, които трябва да се разгледат – разсъждението винаги се възползва от ясни ограничения.
from agents import Agent, Runner, ModelSettings
from openai.types.shared import Reasoning
strategic_advisor = Agent(
name="Strategic Advisor",
instructions="""You are a business strategy consultant.
Analyze deeply before recommending.
Always consider: risks, opportunities,
costs, and alternatives.""",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
result = Runner.run_sync(
strategic_advisor,
"""Our SaaS startup has 500 clients, €2M MRR, and is growing 15% per month.
We are debating:
A) Raise a Series B (€20M) and accelerate in the US
B) Stay bootstrapped and consolidate in Europe
C) Seek a strategic acquirer
Which strategy do you recommend and why?"""
)
print(result.final_output)
За най-критичните анализи увеличете до xhigh или max. Съществува и настройка ultra (обявена през юли 2026 г.), която по подразбиране координира 4 агента паралелно (до 16 при определени оценки) за най-тежките задачи – мощна, но със значително по-висока консумация на токени: запазете я за проблеми, които оправдават разхода.
Terra + средно усилие: бързо разсъждение
Между липсата на разсъждение и дълбокия анализ съществува златна среда, широко използвана в продукцията. GPT-5.6 Terra с усилие medium предлага добър компромис между способност за разсъждение и скорост – еквивалентът на бившия o4-mini. Идеално за агенти, които трябва да разсъждават бързо, като този диагностичен агент, който чете метрики на сървъра и трябва да свърже насищането на паметта със скок в 5xx грешките за секунди, докато сайтът преживява инцидент.
from agents import Agent, Runner, ModelSettings, function_tool
from openai.types.shared import Reasoning
@function_tool
def get_server_metrics(server: str) -> str:
"""Retrieves metrics for a server."""
import json
metrics = {
"cpu": 87.5,
"ram": 92.1,
"disk": 65.3,
"requests_per_second": 1250,
"response_time_p99": 450,
"errors_5xx": 23,
}
return json.dumps(metrics)
diagnostic_agent = Agent(
name="Diagnostic Agent",
instructions="""You diagnose infrastructure problems.
Analyze the metrics and identify the probable cause.
Propose immediate and long-term corrective actions.""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
tools=[get_server_metrics],
)
result = Runner.run_sync(
diagnostic_agent,
"The site has been slow for 30 minutes. Diagnose server web-prod-01."
)
Шаблон: рутер за конфигурация
Не е нужно да избирате една конфигурация завинаги. Използвайте лека конфигурация за маршрутизиране и подходящата за изпълнение: първи агент прочита задачата, връща типизиран обект, указващ кой модел и какво усилие да се използват, след което инстанцирате изпълнителния агент с това решение. Полето reason не е декоративно – то Ви позволява, при преглед на логовете, да проверите дали рутерът не надделява системно с ресурси.
from pydantic import BaseModel
from typing import Literal
class ConfigDecision(BaseModel):
model: Literal["gpt-5.6-luna", "gpt-5.6-terra", "gpt-5.6-sol"]
effort: Literal["none", "low", "medium", "high", "xhigh"]
reason: str
router_agent = Agent(
name="Smart Router",
instructions="""Analyze the task and decide which configuration to use:
- gpt-5.6-luna, effort none/low: simple tasks (summaries, rephrasing, factual answers)
- gpt-5.6-terra, effort medium: fast reasoning (classification, diagnostics)
- gpt-5.6-sol, effort high/xhigh: complex tasks (strategic planning, deep analysis, math)""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
output_type=ConfigDecision,
)
async def process_with_optimal_config(task: str):
# Step 1: choose the configuration
decision = await Runner.run(router_agent, task)
config = decision.final_output
print(f"Configuration: {config.model} / effort {config.effort} ({config.reason})")
# Step 2: execute with the right configuration
execution_agent = Agent(
name="Execution Agent",
instructions="Accomplish the requested task with precision.",
model=config.model,
model_settings=ModelSettings(reasoning=Reasoning(effort=config.effort)),
)
result = await Runner.run(execution_agent, task)
return result.final_output
Поведение при стрийминг с активирано разсъждение
Когато разсъждението е активирано, стриймингът има особеност: вътрешният процес на мислене на модела не се предава като обикновен текст. Вашият интерфейс следователно получава токени за крайния отговор, но нищо по време на фазата на разсъждение.
agent = Agent(
name="Analyst",
instructions="Analyze the data deeply.",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
# Streaming delivers the final answer, not the intermediate reasoning
result = Runner.run_streamed(agent, "Analyze this complex problem.")
async for event in result.stream_events():
if event.type == "raw_response_event":
if hasattr(event.data, "delta") and event.data.delta:
print(event.data.delta, end="", flush=True)
Отчетете тази латентност във вашия потребителски интерфейс: при усилие high или по-високо, първите токени може да пристигнат след значително време за мислене. Ясен индикатор за изчакване предотвратява потребителите да мислят, че приложението е замръзнало, и да опреснят страницата в най-неподходящия момент.
Оптимизиране на разходите
Разсъждението консумира допълнителни токени (вътрешното мислене се таксува). Два лоста помагат за ограничаване на разходите: намалете усилието по подразбиране и го увеличавайте само при необходимост, след това разделете решението от изпълнението – тоест, разсъждавайте, за да решите, но изпълнявайте без разсъждение. Хибридният работен поток по-долу прилага втория принцип – Terra с medium установява подхода, Luna го изпълнява с инструменти.
# Pattern: hybrid reasoning
# Terra + medium for decision, Luna without reasoning for execution
decision_agent = Agent(
name="Decider",
instructions="Decide on the optimal approach.",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
)
executor_agent = Agent(
name="Executor",
instructions="Execute the decided plan.",
model="gpt-5.6-luna", # Cheaper for execution
tools=[search_crm, generate_report],
)
async def hybrid_workflow(task: str):
plan = await Runner.run(decision_agent, f"How to handle: {task}")
result = await Runner.run(executor_agent, plan.final_output)
return result.final_output
Ключови изводи
- Разсъждението е настройка за всяка заявка във всеки модел GPT-5.6 (none → max), вече не отделни модели като o3-pro/o4-mini
- GPT-5.6 Sol с усилие
high/xhigh: стратегическо планиране, сложен анализ, математика - GPT-5.6 Terra с усилие
medium: бързо разсъждение за диагностика и маршрутизиране - Настройката
ultraкоординира множество агенти паралелно за най-тежките задачи – значително по-висока цена на токени - Шаблонът с рутер динамично избира комбинацията модел + усилие и оптимизира разходите
- Разсъждавайте, за да решите; изпълнявайте без разсъждение: най-доброто съотношение качество-цена