北京
星期三下午，Ploy.ai的工程師把最后一條遷移管線推到生產環境。界面上跳出第一個構建結果：2.22美元，計時器停在原來的一半。幾分鐘前，同樣一次構建在Claude Opus 4.8上還要花3.06美元。他們不是在做成本優化實驗，而是在驗證一個剛正式發布的能力——GPT-5.6的程序化工具調用。
OpenAI把GPT-5.6分成Sol、Terra、Luna三個版本，但這次最讓人注意的不是任何榜單分數。新能力允許智能體在兩次工具調用之間自行編寫并執行輕量級程序，用來過濾數據、編排工具、監控進度，中間結果不必塞回上下文窗口再丟給模型。簡單說，少寫了很多token，少走了很多次模型調用，任務完成時間被壓短。
這個設計的支持者會立刻點出那么幾個數字：Ploy.ai從Claude Opus 4.8遷到GPT-5.6 Sol，單次構建成本從3.06美元降到2.22美元，壁鐘時間砍掉一半。他們認為這才是工程上該卷的方向——不是讓模型多回答一道題，而是讓模型在真正干活時少說廢話、少做無用功。程序化工具調用就像一個拿到執行權限的協作者，它不用每走一步就回來匯報，而是直接跑去把一連串臟活處理完，再把干凈結果交回來。
可是另一邊的聲音也被同一期周報里的另一條消息放大了：OpenAI審計了SWE-Bench Pro，發現大約30%的任務本身就有問題。SWE-Bench是評估代碼智能體的常用基準，如果里面三成題目是裂的，那么任何在這個基準上揚言“改變一切”的結論，你都得多想一想。謹慎的那方會說，連量尺都可能不準的時候，僅憑一個遷移案例和幾項內部測試，就宣布程序化工具調用重新定義了智能體開發，是不是有點早？
這兩組信息放在一起，恰好把辯論的線條拉得很清楚。正方抓的是工程實效：更少的token、更少的調用次數、更快的端到端時間，成本數字實實在在地擺在那里，不是基準分數那種隔著好幾層的抽象指標。反方抓的是評估框架的裂縫：當行業還在爭論一個被廣泛使用的測試集到底有沒有修干凈，新能力到底把競爭力往前推了多少，其實沒人能精確算出來。
我的判斷是，Programmatic Tool Calling的確切中了一個一直被忽略的痛點。過去一年智能體框架做了那么多流程編排，本質上就是在繞著上下文窗口的高延遲和高成本打轉。現在把這個優化直接做到模型調用層，等于把之前需要開發者用一堆中間件拼起來的邏輯，交給了模型自己的一小段運行時，價值很直接。但要說它“改變一切”，恐怕還要看三件事：一是Ploy.ai這類案例能不能在更多非同質化的場景里復現，二是SWE-Bench這類基準在修完錯誤之后，能否給出更干凈的量化對比，三是這個能力在長期運行任務中會不會帶來新的穩定性和可解釋性問題，而這些目前都還沒有數據。
這期《Agentic Engineer》還夾帶了幾個同樣值得放在這面棱鏡下看的消息。Anthropic的J-Space給Claude設置了一個靜默的內部推理工作區，用來做欺騙檢測，且這個工作區從不寫出來。騰訊開源了CubeSandbox，用硬件隔離的KVM沙箱跑代碼，啟動60毫秒，額外內存開銷不到5MB，兼容E2B協議。還有OfficeCLI——專為AI代理設計的命令行辦公套件，以及Orca這種并行代理IDE，各自都已經把星數攢到了15.7K和17.6K。每一條單獨看都像在說，讓智能體更果決、更少依賴外部回路，正在成為多個團隊同時押注的方向。
如果把這些新東西和GPT-5.6的程序化工具調用擺在同一張桌子上，你會發現一個正在成型的共識：讓智能體學會自己動手干雜活，而不是把每一步中間念頭都拋回給人類或者拋回給大模型，這個方向可能比任何單點基準的排名都更接近“改變一切”的真實定義。只是眼下，我們還缺一本更可靠的手冊，來度量這個改變到底有多重。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
