文档里藏着的信息量

翻了一遍这份开发者文档的结构，发现 OpenAI 现在对"AI 写代码"这件事的理解已经相当体系化了。不只是简单的 code generation，而是围绕整个开发流程搭了一套完整框架：

  • Prompt 工程：专门有 prompt engineering 和 prompt guidance 两个章节，说明光会写需求描述还不够，怎么组织 prompt 的结构、怎么给模型足够的上下文，这些都有讲究
  • 代码生成：独立的 code generation 指南，估计会涉及语言指定、逻辑拆解、输出格式控制这些实操层面的东西
  • 结构化输出：structured output 这个能力对开发者太重要了，意味着你可以让 AI 直接输出 JSON、特定格式的数据结构，而不是一堆需要自己解析的自然语言
  • Function calling：函数调用能力，这是搭 Agent 的核心积木之一

值得关注的几个模块

让我比较意外的是文档里关于 Agent 搭建的部分已经相当完善了。Agent Builder、Agents SDK、还有安全指南（Safety in building agents），甚至连 Agent 的评估（agent evals）和 trace grading 都有了。这说明 OpenAI 已经把 Agent 当作一个正式的产品形态在推了，不是实验性质的玩具。

另外几个对一人公司开发者特别实用的点：

  • Background mode：后台模式，可以让耗时任务异步执行，不用干等着
  • Prompt caching：提示缓存，重复调用相同前缀的 prompt 可以省 token，直接省钱
  • Compaction：上下文压缩，长对话不会因为超出 token 限制就崩掉
  • Shell 工具和 Computer use：这两个能力组合起来，基本就是让 AI 直接操作你的电脑干活

推理模型那块也别忽略

文档里单独列了 reasoning models 和 reasoning best practices。现在最新的模型已经到了 GPT-5.4，推理能力比之前强了不少。对于写复杂业务逻辑、做代码重构这类需要"想清楚再动手"的场景，用推理模型配合好的 prompt 策略，效果会好很多。

还有 fine-tuning 那部分——supervised fine-tuning、reinforcement fine-tuning 都有，虽然对大多数独立开发者来说暂时用不上，但如果你在做垂直领域的 AI 产品，这就是你的护城河所在。

我觉得对于正在用 AI 辅助开发的人来说，与其到处找野路子的 prompt 技巧，不如把官方这套文档系统过一遍。毕竟做工具的人最清楚工具该怎么用，这份指南值得收藏慢慢消化。