OpenAI 发布 GPT-5.6 系列时，没有只推出一个通用模型，而是同时给出旗舰 Sol、均衡型 Terra 和经济型 Luna 三个层级。这种产品结构会直接改变应用架构：开发者不再只是决定“要不要调用 GPT-5.6”，而要在每次请求进入系统时判断任务难度、延迟目标、失败成本和预算上限。
已披露的价格中，Sol 的输入与输出价格分别为每百万 token 5 美元和 30 美元，Terra 分别为 2.5 美元和 15 美元。摘要没有给出 Luna 的完整价格，也没有提供多智能体协议、安全接口或具体能力评测，因此下面的工程方案属于可以这样实践的架构示例，不应被视为官方 API 说明。
三个层级不是三个下拉选项
最直接的接入方式，是让用户手动选择 Sol、Terra 或 Luna。但在生产系统中，这通常会把技术决策推给并不了解 token 成本和任务复杂度的用户。更稳妥的做法是增加一个模型路由层，根据请求特征自动分配模型。
三个层级可以承担不同职责：
- Sol：处理高风险决策、复杂推理、最终审校，或者负责解决低层模型多次失败的任务。
- Terra：作为默认工作模型，承担代码生成、资料整理、结构化抽取和多数对话请求。
- Luna：执行分类、改写、意图识别、批量预处理等高频低风险任务。由于摘要未披露完整定价和能力边界，上线前仍需实测。
路由时不能只看输入长度。一个 50 token 的授权判断可能比 5000 token 的摘要任务风险更高。建议至少综合以下信号：
| 信号 | 典型判断 | 路由影响 |
|---|---|---|
| 业务风险 | 是否涉及付款、权限、医疗或合规 | 高风险任务升级到更强模型，并要求人工确认 |
| 任务复杂度 | 是否需要规划、跨文档推理或代码修改 | 复杂任务优先 Terra 或 Sol |
| 输出规模 | 是否生成长报告或大量代码 | 重点控制输出 token，因为输出单价更高 |
| 失败历史 | 同一任务是否已重试 | 连续失败后升级模型，避免无限重试 |
| 延迟目标 | 请求是否位于交互主链路 | 在满足质量要求的模型中选择延迟更低者 |
先算输出成本，再谈智能体数量
从已披露价格看，Sol 与 Terra 的输出 token 单价都是输入 token 的 6 倍。多智能体系统如果让每个角色重复阅读上下文并生成长篇意见，成本会迅速放大。
以 Sol 为例，一次请求使用 20,000 个输入 token、生成 4,000 个输出 token，估算成本为：
20,000 / 1,000,000 × $5 + 4,000 / 1,000,000 × $30 = $0.22
如果规划、执行、审查三个智能体都完整重复这次调用，单个业务任务的模型成本就可能接近 0.66 美元，而且还没有计算重试。多智能体协作的关键不是增加角色，而是减少无效上下文和重复输出。
可以采用“低成本分流、中层执行、旗舰审校”的流水线：
用户请求
↓
Luna：分类、抽取约束、过滤明显无效请求
↓
Terra：生成主要结果或调用工具
↓
风险检查 ── 低风险 → 直接返回
↓ 高风险或置信度不足
Sol：复核关键结论、修正结果
↓
人工审批或最终响应
这里的 Luna、Terra 和 Sol 分工是工程假设。实际部署前，需要用自己的任务集验证各层模型的准确率、延迟、工具调用成功率和安全表现。
可运行的预算路由器
下面是一个不依赖第三方库的 Python 示例。它不会调用未披露的官方接口，而是根据任务属性选择模型，并使用已公布的 Sol、Terra 价格估算成本。Luna 价格保持为空，避免用猜测填补来源信息。
将代码保存为 router.py，然后运行 python router.py：
from dataclasses import dataclass
from typing import Optional
@dataclass(frozen=True)
class Model:
name: str
input_per_million: Optional[float]
output_per_million: Optional[float]
MODELS = {
"sol": Model("sol", 5.0, 30.0),
"terra": Model("terra", 2.5, 15.0),
"luna": Model("luna", None, None),
}
def choose_model(*, risk: str, complexity: str, previous_failures: int) -> Model:
if risk == "high" or previous_failures >= 2:
return MODELS["sol"]
if complexity in {"medium", "high"} or previous_failures == 1:
return MODELS["terra"]
return MODELS["luna"]
def estimate_cost(model: Model, input_tokens: int, output_tokens: int) -> Optional[float]:
if model.input_per_million is None or model.output_per_million is None:
return None
return (
input_tokens * model.input_per_million
+ output_tokens * model.output_per_million
) / 1_000_000
def main() -> None:
jobs = [
{"name": "标签分类", "risk": "low", "complexity": "low", "failures": 0},
{"name": "修改服务端代码", "risk": "medium", "complexity": "high", "failures": 0},
{"name": "付款审批建议", "risk": "high", "complexity": "medium", "failures": 0},
]
for job in jobs:
model = choose_model(
risk=job["risk"],
complexity=job["complexity"],
previous_failures=job["failures"],
)
cost = estimate_cost(model, input_tokens=20_000, output_tokens=4_000)
cost_text = "价格待确认" if cost is None else f"${cost:.4f}"
print(f"{job['name']}: model={model.name}, estimated_cost={cost_text}")
if __name__ == "__main__":
main()
预期输出如下：
标签分类: model=luna, estimated_cost=价格待确认
修改服务端代码: model=terra, estimated_cost=$0.1100
付款审批建议: model=sol, estimated_cost=$0.2200
接入真实服务时，可以保留 choose_model，把模型名称交给独立的 API 适配器。适配器应集中管理超时、重试、限流和响应解析，不要让每个智能体各自实现一套调用逻辑。
新安全体系不能只停留在模型层
来源标题提到全新的安全体系，但摘要没有给出策略分类、审核端点或行为保证。工程上不能据此假设模型会自动解决提示注入、越权工具调用或敏感数据泄漏。应用仍需建立自己的执行边界。
多智能体场景尤其要控制四类风险：
- 工具权限：规划智能体可以提出操作建议，但不应天然拥有数据库写入、付款或部署权限。
- 上下文污染：网页、邮件和用户上传文件都属于不可信输入，不能把其中的指令直接提升为系统规则。
- 身份与审计：记录最终执行者、模型层级、工具参数、审批结果和请求 ID，而不是只保存自然语言对话。
- 失败升级：安全检查失败时应停止执行或转人工，不能通过自动切换到 Sol 来绕过策略。
可以把模型输出限制为结构化提案，再由确定性代码执行。例如让智能体只生成下面的数据：
{
"action": "create_refund",
"order_id": "ORD-1042",
"amount": 49.90,
"reason": "duplicate_charge"
}
服务端随后验证订单归属、退款上限和操作人权限。模型负责提出参数，业务代码负责决定参数是否可以执行。对于不可逆操作，还应增加人工审批或幂等键。
上线前的决策清单
GPT-5.6 的三层产品结构适合用来构建动态路由，但不要只根据厂商定位完成模型分工。上线前应准备一套来自真实业务的评测集，分别记录 Sol、Terra 和 Luna 的任务成功率、P95 延迟、平均输入输出 token、工具调用错误率和单任务成本。
建议按以下顺序落地：
- 先用 Terra 建立默认基线，明确当前质量和成本。
- 把低风险、高频任务下沉到 Luna，并设置抽样复核。
- 仅将高风险、复杂任务和失败重试升级到 Sol。
- 为每个智能体设置独立 token 上限、超时和工具白名单。
- 对付款、权限修改、生产部署等不可逆动作保留确定性校验和人工审批。
- 等官方接口、安全机制和 Luna 定价信息完整后，再更新预算模型与路由规则。
真正有价值的不是在一个流程里堆叠三个模型，而是让每一层只处理它擅长且值得付费的部分。模型路由决定成本，多智能体边界决定可靠性，服务端权限控制则决定系统能否安全进入生产环境。