Schlussfolgerungs-Agenten (GPT-5.6 Sol, hohe bis maximale Anstrengung)
Auf dieser Seite
- Schlussfolgerungs-Agenten (GPT-5.6, hohe bis maximale Anstrengung)
- Wann Sie Schlussfolgerung in einem Agenten aktivieren sollten
- Sol + hohe/xhohe Anstrengung: tiefe Schlussfolgerung
- Terra + mittlere Anstrengung: schnelle Schlussfolgerung
- Muster: Konfigurations-Router
- Streaming-Verhalten mit aktivierter Schlussfolgerung
- Kosten optimieren
- Kernaussagen
Aktualisiert am 2. November 2026 — Modelle.
o3,o3-pround Legacy-GPT-5-Snapshots werden am 11. Dezember 2026 aus der API entfernt, undo4-miniwurde bereits lange durch neuere Modelle ersetzt. Für neue Agenten beginnen Sie mit der GPT-6-Familie: GPT-6.1 Sol für eine ausgewogene Leistung oder GPT-6 Astra für die anspruchsvollsten Aufgaben.
Schlussfolgerungs-Agenten (GPT-5.6, hohe bis maximale Anstrengung)
Mit der GPT-5.6-Familie (seit Juli 2026 verfügbar) wird Schlussfolgerung nicht mehr durch separate Modelle wie in der vorherigen Generation (o3-pro, o4-mini) abgedeckt: Es handelt sich nun um eine pro-Anfrage-Einstellung (none, low, medium, high, xhigh, max), die auf jedes Modell anwendbar ist. Ein Agent, der wirklich nachdenken muss – also mehrere Pfade vor der Antwort erkundet – wird typischerweise GPT-5.6 Sol mit high oder xhigh Anstrengung verwenden. In Ihre Agenten integriert, schaltet diese Schlussfolgerungsfähigkeit Aufgaben frei, die echte Deliberation erfordern.
Wann Sie Schlussfolgerung in einem Agenten aktivieren sollten
Tiefe Schlussfolgerung glänzt in spezifischen Situationen, und Erfahrung zeigt, dass sie alle ein gemeinsames Merkmal teilen: den Vergleich möglicher Pfade vor einer Entscheidung. Dies gilt für komplexes Planen, bei dem Sie eine Aufgabe in optimale Schritte zerlegen, sowie für mathematische Analysen – Berechnungen, Statistiken, Optimierung –, bei denen ein falscher Schritt den Rest ungültig macht. Es gilt auch für das Debugging, das das Zurückverfolgen eines Symptoms auf seine Ursache erfordert, und für Entscheidungsfindung, bei der Sie mehrere Optionen bewerten und die beste auswählen müssen. Code-Reviews fallen in dieselbe Kategorie: Das Auffinden eines subtilen Bugs erfordert die mentale Simulation von Ausführungen, die ein lineares Lesen nicht offenbart.
Für einfache Aufgaben (Antworten auf Fragen, Formatieren von Text) ist GPT-5.6 Terra oder Luna mit niedriger Anstrengung (oder sogar none) schneller und kostengünstiger. Das Bezahlen für Schlussfolgerung, um einen Absatz umzuformulieren, ist wie das Leerlaufen eines Rennwagens im Stau.
Sol + hohe/xhohe Anstrengung: tiefe Schlussfolgerung
GPT-5.6 Sol mit hoher Schlussfolgerungsanstrengung ersetzt, was früher o3-pro tat. Der Agent benötigt mehr Zeit, liefert aber tiefere Analysen. Das folgende Beispiel ist typisch: eine strategische Frage mit drei Optionen, bei der die richtige Antwort von Abwägungen zwischen Risiko, Kosten und Zeitrahmen abhängt. Beachten Sie, dass die Anweisungen explizit die zu berücksichtigenden Dimensionen definieren – Schlussfolgerung profitiert immer von klaren Einschränkungen.
from agents import Agent, Runner, ModelSettings
from openai.types.shared import Reasoning
strategic_advisor = Agent(
name="Strategischer Berater",
instructions="""Sie sind ein Berater für Unternehmensstrategie.
Analysieren Sie tief, bevor Sie Empfehlungen aussprechen.
Berücksichtigen Sie immer: Risiken, Chancen,
Kosten und Alternativen.""",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
result = Runner.run_sync(
strategic_advisor,
"""Unser SaaS-Startup hat 500 Kunden, 2 Mio. € MRR und wächst um 15 % pro Monat.
Wir debattieren:
A) Eine Serie B (20 Mio. €) aufnehmen und in den USA beschleunigen
B) Bootstrapped bleiben und sich in Europa konsolidieren
C) Einen strategischen Erwerber suchen
Welche Strategie empfehlen Sie und warum?"""
)
print(result.final_output)
Für die kritischsten Analysen steigern Sie die Anstrengung auf xhigh oder max. Es gibt auch eine ultra-Einstellung (im Juli 2026 angekündigt), die standardmäßig 4 Agenten parallel koordiniert (bei bestimmten Evaluierungen bis zu 16) für die schwersten Aufgaben – leistungsstark, aber mit deutlich höherem Tokenverbrauch: Reservieren Sie sie für Probleme, die die Kosten rechtfertigen.
Terra + mittlere Anstrengung: schnelle Schlussfolgerung
Zwischen keiner Schlussfolgerung und tiefer Analyse liegt ein „Sweet Spot”, der in der Produktion weit verbreitet ist. GPT-5.6 Terra mit medium Anstrengung bietet einen guten Kompromiss zwischen Schlussfolgerungsfähigkeit und Geschwindigkeit – das Äquivalent zum früheren o4-mini. Ideal für Agenten, die schnell schlussfolgern müssen, wie diesen Diagnose-Agenten, der Server-Metriken liest und innerhalb von Sekunden die Speicherverfüllung mit einem Anstieg von 5xx-Fehlern verknüpfen muss, während die Website einem Vorfall ausgesetzt ist.
from agents import Agent, Runner, ModelSettings, function_tool
from openai.types.shared import Reasoning
@function_tool
def get_server_metrics(server: str) -> str:
"""Ruft Metriken für einen Server ab."""
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="Diagnose-Agent",
instructions="""Sie diagnostizieren Infrastrukturprobleme.
Analysieren Sie die Metriken und identifizieren Sie die wahrscheinliche Ursache.
Vorschlagen Sie sofortige und langfristige Korrekturmaßnahmen.""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
tools=[get_server_metrics],
)
result = Runner.run_sync(
diagnostic_agent,
"Die Website ist seit 30 Minuten langsam. Diagnostizieren Sie den Server web-prod-01."
)
Muster: Konfigurations-Router
Sie müssen nicht für immer eine einzige Konfiguration wählen. Verwenden Sie eine leichte Konfiguration für die Routing-Entscheidung und die geeignete für die Ausführung: Ein erster Agent liest die Aufgabe, gibt ein typisiertes Objekt zurück, das angibt, welches Modell und welche Anstrengung zu verwenden sind, und dann instantanzieren Sie den Ausführung-Agenten mit dieser Entscheidung. Das Feld reason ist nicht dekorativ – es ermöglicht Ihnen, Ihre Logs beim Überprüfen zu konsultieren, zu verifizieren, dass der Router nicht systematisch überdimensioniert.
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="Intelligenter Router",
instructions="""Analysieren Sie die Aufgabe und entscheiden Sie, welche Konfiguration zu verwenden ist:
- gpt-5.6-luna, Anstrengung none/low: einfache Aufgaben (Zusammenfassungen, Umformulierung, faktische Antworten)
- gpt-5.6-terra, Anstrengung medium: schnelle Schlussfolgerung (Klassifizierung, Diagnostik)
- gpt-5.6-sol, Anstrengung high/xhigh: komplexe Aufgaben (strategisches Planen, tiefe Analyse, Mathematik)""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
output_type=ConfigDecision,
)
async def process_with_optimal_config(task: str):
# Schritt 1: Konfiguration wählen
decision = await Runner.run(router_agent, task)
config = decision.final_output
print(f"Konfiguration: {config.model} / Anstrengung {config.effort} ({config.reason})")
# Schritt 2: Ausführung mit der richtigen Konfiguration
execution_agent = Agent(
name="Ausführungs-Agent",
instructions="Erfüllen Sie die angeforderte Aufgabe mit Präzision.",
model=config.model,
model_settings=ModelSettings(reasoning=Reasoning(effort=config.effort)),
)
result = await Runner.run(execution_agent, task)
return result.final_output
Streaming-Verhalten mit aktivierter Schlussfolgerung
Wenn Schlussfolgerung aktiviert ist, weist Streaming eine Besonderheit auf: Der interne Denkprozess des Modells wird nicht als reiner Text gestreamt. Ihr Interface erhält daher Tokens für die endgültige Antwort, aber während der Schlussfolgerungsphase nichts.
agent = Agent(
name="Analyst",
instructions="Analysieren Sie die Daten tiefgehend.",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
# Streaming liefert die endgültige Antwort, nicht die Zwischen-Schlussfolgerung
result = Runner.run_streamed(agent, "Analysieren Sie dieses komplexe 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)
Rechnen Sie diese Latenz in Ihre UX ein: Bei high Anstrengung oder höher können die ersten Tokens nach einer erheblichen Denkzeit eintreffen. Ein expliziter Wartungsindikator verhindert, dass Benutzer denken, die Anwendung sei eingefroren, und die Seite zum ungünstigsten Zeitpunkt neu laden.
Kosten optimieren
Schlussfolgerung verbraucht zusätzliche Tokens (internes Denken wird abgerechnet). Zwei Hebel helfen, die Kosten zu begrenzen: Senken Sie die Standard-Anstrengung und steigern Sie sie nur, wenn nötig, und trennen Sie dann Entscheidung von Ausführung – das heißt, schlussfolgern Sie, um zu entscheiden, aber führen Sie aus, ohne Schlussfolgerung. Der hybride Workflow unten wendet das zweite Prinzip an – Terra mit medium legt den Ansatz fest, Luna führt ihn mit Tools aus.
# Muster: hybride Schlussfolgerung
# Terra + medium für Entscheidung, Luna ohne Schlussfolgerung für Ausführung
decision_agent = Agent(
name="Entscheider",
instructions="Entscheiden Sie sich für den optimalen Ansatz.",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
)
executor_agent = Agent(
name="Ausführer",
instructions="Führen Sie den entschiedenen Plan aus.",
model="gpt-5.6-luna", # Günstiger für die Ausführung
tools=[search_crm, generate_report],
)
async def hybrid_workflow(task: str):
plan = await Runner.run(decision_agent, f"Umgang mit: {task}")
result = await Runner.run(executor_agent, plan.final_output)
return result.final_output
Kernaussagen
- Schlussfolgerung ist eine pro-Anfrage-Einstellung für jedes GPT-5.6-Modell (
nonebismax), nicht mehr separate Modelle wieo3-pro/o4-mini - GPT-5.6 Sol mit
high/xhighAnstrengung: Strategisches Planen, komplexe Analyse, Mathematik - GPT-5.6 Terra mit
mediumAnstrengung: Schnelle Schlussfolgerung für Diagnostik und Routing - Die
ultra-Einstellung koordiniert mehrere Agenten parallel für die schwersten Aufgaben – deutlich höherer Tokenverbrauch - Das Router-Muster wählt dynamisch die Modell- und Anstrengungskombination aus und optimiert die Kosten
- Schlussfolgern Sie, um zu entscheiden, führen Sie aus, ohne Schlussfolgerung: Das beste Verhältnis von Qualität zu Preis