AI代理与自动化：RAG、工作流与实战指南

GPT-5.5 发布仅两个半月后，OpenAI 便推出了 GPT-5.6，最大的变化并非单纯提速，而是从单一旗舰重组为 Luna / Terra / Sol 三款模型体系。其中中位的 Terra 以远低于 GPT-5.5 的价格提供同级质量：发布时为半价，2026年7月30日降价后更降至 GPT-5.5 的四成单价（$2/$12），成为多数现有工作负载的实质后继；最高端的 Sol 则在同价 $5/$30 下把 SWE-Bench Pro 从 58.6% 提升到 64.6%（OpenAI 公布值）。本文基于官方发布与独立分析，梳理规格差异、基准提升、新增功能与实际成本，并给出“先降到 Terra 把账单降六成、只把需要性能的处理升到 Sol”的两段式迁移建议。

深度对比 OpenAI 当时的最高端 GPT-5.6 Sol（7月9日）与 Anthropic 发布时定位为“面向公众发布的史上最强”的 Claude Fable 5（6月9日）。与 Opus 4.8 那种同价位段的正面对决不同，这一次的主题是“半价全能型 Sol（$5/$30）”对“贵一倍但为顶级的 Fable 5（$10/$50）”这一成本与实力的权衡。在生产级实战编码的 SWE-Bench Pro 上，按同时列出两者的 OpenAI 表，Fable 5 以80.0%把 Sol 的64.6%甩开15pt以上，差距比对阵 Opus 4.8 时更大。此外 Fable 5 能在数百万 token 中保持专注，按 Anthropic 的说法自主工作时间比以往任何 Claude 都长，Stripe 在一天内完成5000万行 Ruby 迁移的“完赛能力”是其看家本领。另一方面，Sol 在终端操作的 TerminalBench 2.1（88.8% vs Fable 83.1%）、Agents' Last Exam（53.6 vs 40.5）、Coding Agent Index（80 vs 77.2）上居首位，且凭半价+token 效率+54%在性价比上更强。本文将从规格速览表、基准详情、OpenAI 评测表缺少部分指标并质疑 SWE-bench Pro 的“未公开基准问题”、长时间自主、实际成本（以每完成一项任务来看）、强项弱项地图，到按使用场景的选择方法，基于官方与独立基准逐一梳理。

对 2026 年 7 月时两大 AI 编程巨头的深度对比：Claude Opus 4.8（5 月 28 日）与 GPT-5.6 的最高端 Sol（7 月 9 日）。两者擅长领域几乎相反：Sol 在终端操作与智能体综合能力上领先（TerminalBench 2.1 88.8% vs Opus 78.9%、Agents' Last Exam 53.6、Coding Agent Index 80），而 Opus 4.8 在生产级编程上领先（SWE-bench Pro 69.2% vs Sol 64.6%），并突出诚实性（放过自己代码缺陷的比率约为上一代的四分之一、未指出重要失败的比率仅 3.7%）。被称为未公布的 GPQA Diamond 与 FrontierMath 其实列在 OpenAI 的评测表中且 Sol 领先（GraphWalks 1M 同样如此），而在 SWE-bench Pro 上即便 OpenAI 自家的评测表也是 Opus 领先，因此在编程的核心阵地上 Opus 更占优势。本文涵盖规格速览表、基准详细、未公开基准问题、实际成本（$25 vs $30 单价与 +54% token 效率）、优势/劣势地图、按场景选择，以及双供应商策略。

OpenAI 于 2026年7月9日正式向公众开放 GPT-5.6，以三模型阵容取代旧的“基础版+Pro”结构：Luna（高速·低成本，$0.20/$1.20）、Terra（均衡，$2/$12，以 Sol 四成的单价达到 GPT-5.5 水准）、Sol（旗舰，$5/$30）（价格为 2026年7月30日修订后）。Sol 在 Agents' Last Exam（53.6）和 Coding Agent Index（80）上位居首位，TerminalBench 2.1 的 88.8% 也超过 Claude Fable 5（83.1%）——然而在生产级实战的 SWE-Bench Pro 上，Claude Fable 5 以 80.0% 对 Sol 的 64.6% 明显领先。本文基于 OpenAI 官方公告与独立基准测试，讲解三款模型的区别、价格、基准测试、新功能（Programmatic Tool Calling、ChatGPT Work、全双工语音模型 GPT-Live）、按 ChatGPT 套餐的提供情况、与 Claude（Fable 5 / Opus 4.8）的对比，以及如何按用途选择。

你基于 OpenAI 把应用搭好，后来想试 Claude、比一比 Gemini——却因为每家提供商的 SDK、格式、错误处理各不相同而白白耗掉数小时。LLM 网关（AI 网关 / LLM 代理）是你塞在应用与各提供商之间的中转层：它对外暴露一个兼容 OpenAI 的 API 以触达所有模型，并接管那些横切性的杂活——回退、成本追踪、虚拟密钥、缓存、限流与可观测性。本指南讲清为什么需要它、网关到底是什么、三种类型（自托管代理 = LiteLLM / 托管 = OpenRouter / SDK = Vercel AI SDK）、如何在 LiteLLM、OpenRouter 和 Vercel AI SDK 之间取舍、只需换端点的最小配置代码，以及它的局限——一跳延迟、网关成为新的故障点、费用（OpenRouter 充值时收 5.5%）、功能损失与隐私。

当你构建完一个 AI 智能体后，总会撞上同一堵墙：“好了，但它真的能用吗？”用来凭数据而非凭感觉判断提示词或模型改动是变好还是变差的机制，就是 Evals。LLM 对同一个输入每次都可能产出不同的结果，所以精确匹配的单元测试并不契合。本文以实际动手搭建并跑通的步骤为主线，讲清衡量质量的五种方法（① 标准答案匹配 ② 基于规则的检查 ③ LLM-as-judge ④ 回归测试 ⑤ 生产环境监控）、面向智能体的专属评估（任务成功率、工具调用是否正确、执行轨迹、成本）、如何从 20 个失败样例开始从小做起、常见陷阱，以及主要工具（Anthropic Console/Evals、OpenAI Evals、LangSmith、Langfuse、Ragas）——写给实践者。

关于自动化的老问题：“用 AI 智能体还是 RPA？”答案不是二选一——按角色分工，而 2026 年的制胜模式是两者的混合。RPA 是确定性的“手”，快速精准地执行既定流程（但屏幕/规格一变就失灵）；AI 智能体是概率性的“脑”，解读情境并做判断（擅长应对模糊与例外，但并非每次都一样）。本文讲解工作原理的差异、对比表（可复现性与适应力的取舍）、如何选择（标准是“能否用规则完整写出来？”——能→RPA，写不全的判断→AI 智能体）、2026 年趋势（RPA 大厂 UiPath、Automation Anywhere、Blue Prism 纷纷智能体化——走向融合；问题不再是“选哪个”而是“把判断放在哪里”=编排优先），以及实战答案：混合方案，由脑（AI 智能体）负责判断/编排、手（RPA）执行确定性任务——不要在需要确定性的地方放智能体，委派判断时务必配套护栏与人工审批。基于各厂商官方信息，附常见问题。

能把 AWS 运维交给 AI 吗？2026 年你已经可以大量委派。AWS 自己推出了 Amazon Q Developer 和 Agent Toolkit for AWS（2026 年 5 月——40+ 个 agent skills + 托管的 AWS MCP Server + 插件），让 AI 从 IaC 生成延伸到资源操作。本文把“委派”拆成三个层级（① 代码/IaC 生成、② 以读取为主的运维/排查、③ 真正操作 AWS 的自主智能体），介绍主要工具（Amazon Q Developer、Agent Toolkit、AWS MCP Server、Terraform MCP、Bedrock AgentCore）——包括把 AWS CLI 交给 Claude Code 或 Codex、从 shell 运行“aws”的自带方案——讲清优点（IaC 更快、自动化定位、成本优化建议、知识民主化），再进入真正的重点即缺点（IAM 权限膨胀、过度授权成为失误/提示注入的爆炸半径放大器、比任务活得更久的权限、成本失控——并有 2025-26 年真实的生产 DB 删除事故），均基于 AWS 官方与安全厂商信息。关键转折在于：问题不是“能不能”，而是“如何委派才不会失控或账单爆炸”——而 AWS 自己把 IAM 护栏、CloudTrail 审计和沙箱内置进 Agent Toolkit，正勾勒出答案的形态。文末给出五条原则（IAM 最小权限、破坏性操作的人工审批、可观测性、JIT 短时效凭证、沙箱）及 FAQ。

把 AI 智能体接入实际工作时，第一道坎就是“到底用哪个框架来搭建”。本文站在开发者与技术选型者的视角，从编排方式（有向图/基于角色的 crew/对话型 GroupChat/交接/层级树/自主工具循环）、语言、学习曲线、可控性、生产成熟度、token 成本与适配用途，比较六大主流框架——LangGraph、CrewAI、AutoGen（已并入 2026 年 4 月 GA 的 Microsoft Agent Framework）、OpenAI Agents SDK、Google ADK 与 Claude Agent SDK。关键提醒：那个“最好试作”的框架（CrewAI）在生产环境里可能最贵——token 约为 3 倍（某基准测试中为 41k，而 LangGraph 为 18.5k），且非确定性，因此不适合金融与医疗。文中还说明 2026 年如何通过 MCP（工具）与 A2A（智能体之间）实现互操作，使不同框架的智能体如今能够协同工作、厂商锁定随之淡化。附带按用途的选型指南与 FAQ。

在《如何搭建多智能体系统》中我们说过，增加智能体前先为每次交接装上度量；支撑这种度量的技术正是 AI 可观测性。它让你看清 LLM 与智能体在生产环境中究竟在做什么，从而能回溯到原因。与普通应用监控的决定性区别在于：AI 可以返回 200 OK、50ms 却仍自信地产生幻觉，所以多数 AI 故障是质量故障而非基础设施故障。可观测性基于三大支柱：trace、metrics 与 logs。可观测性展示“发生了什么”，评估（evals）则衡量答案好不好，两者需成套使用。本文梳理关键指标与 LangSmith、Langfuse、Arize Phoenix、MLflow、AgentOps、OpenTelemetry 等主要工具，并讲解如何起步以及为何对智能体至关重要。

继“什么是多智能体”之后的实践篇。核心原则是先用单一智能体构建，碰到瓶颈后再以最小规模增加（Google Research 的研究发现，在严格按顺序推理的任务上，多智能体配置全部比单一差 39%～70%；Anthropic 报告多智能体系统消耗的 token 约为聊天的 15 倍）。基本形态是主管模式：Claude Agent SDK 中是子智能体，OpenAI Agents SDK 中是 Agents as tools。除了分解、定义工作者、设计主管、交接、测量这 5 步，还按两个 SDK 的官方文档给出最小代码（主管 1 个+调研员、核查员），说明如何限定每个角色的工具、maxTurns、max_turns、费用三重上限、何时改用交接、好的拆分与坏的拆分，以及 Anthropic 实际遇到的失败（简单问题派出 50 个子智能体、重复调查）与对策。

AI 智能体已日益普及，下一个挑战是如何让智能体彼此协作。如果说 MCP 把智能体连接到工具，那么 A2A（Agent2Agent）就是把智能体连接到另一个智能体 —— 一套开放标准，让基于不同厂商和框架构建的 AI 通过共同约定相互发现、通信与协作。Google 于 2025 年 4 月发布，同年 6 月将其捐赠给 Linux Foundation，到 2026 年达到 v1.0。这篇初学者指南涵盖：A2A 是什么（用“企业间业务合作的礼仪”作比喻）、为什么需要它（各有专长的智能体接力工作 —— 规划智能体到酒店预订智能体再到支付智能体）、它与 MCP 有何不同（MCP 是纵向，智能体 ↔ 工具；A2A 是横向，智能体 ↔ 智能体；把两者叠加是标准的双层结构）、它如何运作（通过 Agent Card —— 位于 /.well-known/agent-card.json 的 JSON“名片”—— 来发现能力，然后用 Task 携带请求经过 working、input-required、completed 等状态，并以 Artifact 返回结果，全部基于 HTTP、Server-Sent Events 和 JSON-RPC 2.0，且智能体保持内部细节隐藏），以及现状与落地实现（截至 2026 年 4 月，150+ 家组织支持，22,000+ GitHub stars，提供五种语言的 SDK —— Python、JavaScript、Java、Go、.NET —— Microsoft、Salesforce、SAP、ServiceNow 均有参与）。口诀：连接工具 = MCP，连接同伴 = A2A。