GPT-5.6 可编程工具调用 — 过滤中间数据、动态调整工作流

从手动到可编程

在 GPT-5.5 及之前的模型中，工具调用通常遵循"模型决定调用 → 你执行工具 → 把结果全部传回模型 → 模型决定下一步"的循环。这个模式的问题是：

每次工具返回的所有中间数据都要传回模型，造成大量 Token 浪费
模型的决策过程被工具输出的噪音干扰，容易偏离主线
你无法动态干预工作流，只能被动地把所有控制权交给模型

GPT-5.6 的可编程工具调用（Programmatic Tool Calling） 解决了这些问题。它让开发者可以：

在模型和工具之间插入过滤层，只回传关键信息
让模型自己决定哪些中间结果值得保留，哪些可以丢弃
在运行过程中动态调整工作流，而不是一开始就写死所有步骤

核心价值

OpenAI 在发布博客中总结了可编程工具调用的三大改进：

"能够编写并运行轻量级程序，在工作开展过程中协调工具、处理中间结果、监控进度并自主选择下一步操作。这使得重度依赖工具的任务能够以更少的 Token、更少的模型交互次数及更少的人工干预顺利推进。"

Lovable 联合创始人 Fabian Hedin 的实际反馈：

"帮助用户以比前代模型减少约 25% 的步骤和 35–48% 的工具调用量完成任务，同时将项目成功率提升了 15%。"

Responses API 中的用法

可编程工具调用是 Responses API 的内置功能。基础结构如下：

# 定义工具
tools = [{
    "type": "function",
    "name": "run_tests",
    "description": "运行测试套件并返回结果摘要",
    "parameters": {...},
    # 新增：可编程处理配置
    "programmable": {
        # 告诉模型它可以在收到完整输出前就开始规划下一步
        "streaming": True,
        # 指定后处理函数名
        "post_process": "summarize_test_output"
    }
}]

# 模型自动协调工具
response = client.responses.create(
    model="gpt-5.6-sol",
    input=[task],
    tools=tools
)

过滤中间数据

可编程工具调用最直接的效果是大幅减少不必要的 Token 往返。传统模式 vs 可编程模式对比：

维度	传统工具调用	可编程工具调用
工具输出回传	完整输出（含大量非关键信息）	仅关键信息摘要
模型交互次数	每次工具调用都需要一轮对话	可并行调用多个工具后统一汇报
工作流调整	需要人工干预	模型自主根据中间结果调整
Token 效率	基准	PlayCo 实测减少 63.5%

PlayCo 的 Unity 场景构建案例：

"借助 GPT-5.6 的可编程工具调用功能，在整个场景构建工作流中，总 Token 使用量减少了 63.5%，模型交互次数减少了 50.1%。"

Clio 的法律文档分析案例：

"针对多步骤文档分析，可编程工具调用功能在不损失质量的前提下，将提示词 Token 消耗降低了 38%。"

动态工作流调整

传统的工具调用流程是预定义的、线性的：

工具 A → 工具 B → 工具 C → 结束

可编程工具调用允许模型在运行中调整：

工具 A → 结果 X：跳过 B，直接 C
       → 结果 Y：并行调用 B 和 D，合并后再 E
       → 结果 Z：重新规划，调用 F 和 G

这个能力对于长周期智能体工作流至关重要——因为真实世界的任务经常出现"运行到一半发现需要换方案"的情况。

与多智能体的关系

可编程工具调用是每个子智能体都具备的能力。在 ultra 四智能体模式下：

每个子智能体独立使用可编程工具调用
Router 层面也可以用可编程工具调用来协调子智能体之间的信息交换
Critic 角色可以用过滤后的工具输出来做交叉验证，而不会被原始数据淹没

迁移建议

如果你之前的代码是基于 Chat Completions API 的传统工具调用，迁移到 Responses API 的可编程模式需要注意：

tool_choice 的语义变化：从"选择哪个工具"变成"允许模型自主决定工具策略"
新增 programmable 配置块：你需要为每个工具定义后处理逻辑
流式处理：可以在工具执行过程中就开始规划下一步，而不必等完整输出

对于新开发者，建议直接从 Responses API 入手——它完全支持 GPT-5.6 的所有新特性。