
2026年7月9日,GPT-5.6发布。
大多数人的注意力, 被三件事给吸引啦, 分别是: Sol所呈现的跑分情况, Terra具备的性价比实例, Codex被并入其中的这一事件。
然而, 有一项更新, 它藏在API文档的角落里, 可这才是真正能够改变游戏规则的事物。
把它叫做" Tool "------程序化工具调用。
以现在的这情况来说, 有个模型呀它能够在内存里头构造出一段代码, 依靠使用的这段代码去按照一定规则巧妙排列组合对好几个工具进行调用操作, 之后紧接着会把经过整理得出的结果弄好呈现出来再给回予你。
这听起来很技术,但它正在重写AI编程Agent的底层架构。
从"你叫它干什么"到"它自己写代码来干"
过去一年所有AI编程Agent的基本模式是一样的:
存在这样一种情况, 即你先是将任务描述为自然语言, 之后借助某种模型生成代码, 接着让工具开始执行, 最终出现返回结果。
你喂它一口,它吃一口。一个任务拆成十个步骤,你就得喂十口。
GPT-5.6的 Tool 打破了这个模式。
如今, 模型在接到一项任务之时, 能够自行撰写一段内容, 于这段代码当中去编排多个工具展开调用, 诸如调用API, 获取数据, 进行过滤, 实施排序, 予以合并, 随后将最终得出的结果进行打包并返回, 它已然无需你在中间的每一步都去参与介入。
比如说, 以往你让人工智能帮你剖析一个代码仓库的安全性, 其流程是这样子的: 人工智能首先会罗列出所有的文件, 之后等待你去进行确认, 接着人工智能逐个去读取文件, 随后又等待你去确认, 然后人工智能展开分析, 最后返回结果。在这中间, 你兴许得点上七八次"继续"。
在有了PTC之后, 你提出需求, AI自行编写一段编排代码, 该代码会批量读取所有文件, 于内存之中过滤掉无关内容, 分析安全风险, 随后一次性返回完整报告。
一次交互。一个结果。
不是工具更好用了,是Agent的"大脑"变了
PTC真正的意义不在效率提升。
在于它改变了Agent的推理结构。
架构之中的传统Agent, 模型同工具之间存在着"请求 - 响应"的循环, 模型思考一步, 便调用一个工具, 等待结果, 之后再思考下一步, 这从本质上来看, 是将人类的工作流复制到了模型身上, 只不过执行者由人转变为了AI。
PTC把工具调用从"交互层"下沉到了"编程层"。
模型不再只是"调用工具"。模型开始"编写调用工具的程序"。
这个差异极为细微, 然而带来的结果却十分重大。恰似工厂从依靠手工进行操作, 转变到了能够进行编程设定顺序的流水作业线------并非是工人的速度提升了, 而是整体的生产模式发生了改变。
API文档有提及一个关键场景, 模型能够借助PTC在一次API工作流当中, 针对工具返回的诸多数据予以过滤以及整理, 以此减少模型往返的次数并降低上下文的消耗。
这究竟意味着啥? 意味着Agent已不再像是一个被动至极的 "回答者", 而是摇身一变成为了一个主动的 "编排者" 。它不再等着你去清清楚楚地告诉它接下来要做些什么事儿了。它会自行去进行规划, 自行去实施编排, 自行去予以输出。
Token消耗的逻辑被反转了
PTC带来的另一个变化更直接:省钱。
于传统模式当中, 复杂任务是需要多轮交互的, 每一轮都得 将之前的上下文再次送给模型。你提出一个问题, 模型予以回答 , 你进行追问, 模型再度回答 ------ 每一次追问时, 整个对话历史都得重新传送一回。Token消耗如同滚雪球一般。
PTC存在的状况下, 模型是于内存之中去办结中间环节的步骤, 单单是将最终的成果回返于你。其中间那些借助工具予以调用所获取的结果, 既没必要经由你的眼睛, 也无需占用你的上下文窗口。
也就是说, PTC将Token消耗, 由"用户与模型的对话量", 转变为"模型自身内部的执行量"。
这对于AI编程所产生的影响属于结构性的, 以往你为了对Token成本加以控制, 不得不把任务拆分得极为细碎, 每一步都要精打细算, 而今你能够直接向模型抛出一个完整任务, 让模型自行去规划执行的路径了。
成本的逻辑出现了反转, 以往的情况是, 任务倘若越复杂, 交互也就会越多, 进而价格就会越贵, 当前改变为, 任务一旦越复杂, 模型便越发需要自行编排, 然而交互有可能会更少。
Agent架构正在被重写,而大多数人还没注意到
PTC出现后,AI编程Agent的架构面临一轮重新设计。
现在存在的Agent框架, 基本都是构建与搭建于"模型调工具"的那种模式之上的, 开发者是要亲自手动去进行编排工具调用链这般行止的, 要对每一步的输入以及输出予以明确的定义, 还要针对异常状况展开处理并且进行重试操作的。
要是模型自身能够写出代码用以编排工具调用, 那么这般框架的超多中间层就变得没必要了。
研究员于Code其中的架构演进笔记当中提及过相同类别的方向, 当模型具备的能力达到足够强大的程度时, 工具链所附属的复杂度应当下沉到模型的内部范围当中, 绝非于模型的外面搭建数量越来越多的脚手架。
PTC是给这个方向盖的第一个官方戳。
"这意味着什么呢? 意味着在过去的两年当中 , 整个AI编程生态所搭建的那个'框架层, --那个令Agent能够调用工具的胶水代码, --正在被模型自身的能力给取代 "。
这并非是不好的事情。然而, 这表明着数量众多的"Agent框架工程师"所从事的工作, 正从"搭建基础设施"转变为"撰写更为优质的需求描述"。
从工具到编译器
把时间线拉长来看,PTC的出现是一个标志性事件。
它进行了标记, 标记的是, AI编程Agent, 从"工具使用者"这一状态, 进化到了"工具编排者"这样的新阶段。
用更技术的语言说:模型正在从"解释执行"走向"编译执行"。
下达指令, 模型依据指令执行, 执行完毕返回结果, 之后再下达下一指令, 如此循环。
根据给的目标, 模型自行编写一段编排代码, 然后实施一次执行从而输出完整结果 依次进行编译执行操作。
这个区别,就是脚本语言和编译语言的差距。
当人工智能编程智能体着手"编译"你的需求, 而非"解释"需求时, 整个软件工程的节奏便发生了变化。你不再逐个地分派任务了, 而是一次性明确目标, 接着坐等智能体将成果放置于桌上。
这并非GPT - 5.6的一项微小功能,这乃是AI编程范式正进行换挡的声响。
框架层的价值正在被重新定价
PTC出现了, 它对于AI编程生态所造成的影响, 还远远不不止是"效率得到提升"这简简单单的四个字而已, 是有着更多方面影响的。
历经过去的两年时间, 在此期间, 环绕着AI编程Agent, 呈现出了规模颇大的中间件市场。一一此类框架所能化解的重心难题是同一之处如此: 给予模型具备调用工具的能力。
它们所做之事能够被归纳成, 定义工具接口, 管理调用链, 处理异常以及重试, 格式化返回结果。
开发者得手写代码在每一 层, 仅是那"将工具调用结果整理成结构化输出"的功能, 就存在要好几百行的胶水代码。
现在PTC把这个需求直接吃进了模型内部。
框架所具备的核心价值, 也就是工具编排这一价值, 被模型自身给消化掉了, 剩余的那些外围功能, 像状态管理、权限控制以及日志记录, 这些还无法充分支撑起一个独立框架所具有的商业价值。
虽说这并非意味着明天就会 , 但它在过去两年所积攒而成的技术凭借稳固深度状况, 现今却正遭受着因模型能力向上提高致使从根基位置逐渐被彻底挪移抽空的情况。恰似一家专门从事生产拨号上网 Modem 的企业, 忽然发觉光纤已实现接入到家中的这种情景。
编写编排代码的能力,比编写业务代码更值钱
PTC带来了一个变化, 这个变化更为微妙, 它改变了AI编程Agent的"关键技能"。
在PTC以前, Agent进行开发时, 其核心方面的技能是"写好"。你能够写得良好, 模型所输出的质量便会处于高层次, 如此一来, Agent显示出的表现就会较为出色。以整体而言的行业, 在" "那里展开竞争已历经一年半所耗费的时间。
在PTC之后, Agent进行开发时, 变为核心技能的是, 要将编排逻辑设计得好。
要让那个模型自行去撰写出用于完成编排工具调用的内容来, 这就已然表明不再需要开发者对所谓的"如何去调用工具"予以关注了。然而, 开发者却得关注另外的一类事体, 那便是编排逻辑的架构设计方面, 具体来说就是, 何时应当让模型自行去进行编排操作, 何时则需要进行人工干预, 多个Agent之间究竟该采取怎样的分工行事策略, 编排代码的边界到底处于何处?
这些问题,都不是能解决的。它们需要系统设计能力。
PTC发布之后, 一位工程师在技术博客里写下了这样一段话: "最好的Agent开发者, 并非那些最擅长书写的人, 而是那些对软件架构最为了解的人。"。
这句话是AI编程领域2026年最重要的招聘信号。
从"教AI写代码"到"教AI运营代码库"
把PTC放到AI编程的完整进化链上看,它的位置更清晰。
在第一阶段的时候, 是要进行AI补全代码的操作, 由你先撰写出一半的内容, 再借助AI来完成剩余部分的补全。其代表产品有初版的。
划分的第二个阶段是, 由AI去生成整个文件, 你将需求详细描述出来, AI就会吐出完整的代码, 具有代表性的产品是。
第三阶段, 是AI去接管任务, 紧接着, 你要定义一个Issue, 接下来, AI自行去改代码, 随后, AI去跑测试, 最后, AI去提PR, 其代表产品为Code、Codex Agent。
以PTC所标记的, 乃是第四阶段的起始点, 即AI接手工具编排这件事。你去界定一个目标, 然后AI自行编写编排代码, 对多个工具予以调度安排, 使其并行开展执行操作, 进行交叉验证, 最终返回完整的结果。
每一阶段,人的角色都在往后退一步。
在第一阶段的时候, 人是那种"写代码的人" , 到了第二阶段, 人转变成为"描述需求的人" , 进入第三阶段, 人又成了"验收结果的人" , 而在第四阶段, 人正朝着"定义目标的人"转变。
你的本职工作由"操作工具"转变为"定义目标"了焉。工具其自身, 工具彼此间的编排, 编排代码的撰写------统统下沉至了模型的内部哟。
这个下沉的过程, 是不会停止下来的。PTC仅仅只是最新的一步而已。接下来所能出现的步骤, 有可能是这样的: AI依靠自身去设计编排策略, AI凭借自身去优化编排效率, AI通过自身去选择最为合适的工具组合。
人的位置放置于这个链条之上, 最终将会收缩至一个极小的核心, 这个核心的内容是, 判断AI是否做对了事情。