Asana 用 GPT-6.1 Sol 降低浏览器代理成本 76 倍
Using GPT-6 Astra in Codex, Asana made its browser agent 76x cheaper and 5x faster in tests to offer customers more capable models.
ガイド一覧 · 本文は主に簡体字中国語です。国際向けの要点は English summary をご利用ください。
## Asana 用 GPT-6.1 Sol 降低浏览器代理成本 76 倍
这是一篇关于 OpenAI GPT-6.1 Sol 模型在 Asana Codex 工具中优化的浏览器代理案例。Asana 通过在 Codex 中使用 GPT-6.1 Sol，实现了浏览器代理运行成本降低 76 倍、速度提升 5 倍的测试结果。该优化主要针对 StackAI 浏览器自动化功能，帮助企业级客户降低重复浏览和表单填写的代理成本，从而支持更复杂的无代码工作流。
谁适用：
企业级开发团队、自动化工程师和需要高频浏览器操作（如网站巡检、表单提交、数据收集）的组织。个人开发者或小型项目可参考，但效果最明显的是需要稳定运行 100+ 次代理任务的场景。
决策建议：
如果你正考虑 Cursor Pro、Claude Code 或 OpenAI API 订阅，关注同类优化案例可以帮助你评估模型在自定义代理中的性价比。实际成本以 OpenAI 官网或平台当日定价为准，建议通过 /official-api 查看最新费率并结合 /channels 工具页面测试兼容性。
Asana 如何用 Codex + GPT-6.1 Sol 优化浏览器代理
Asana 借助 StackAI（浏览器代理平台）帮助客户构建无需代码的自动化工作流，例如在公共演示网站上收集书籍字段数据。之前代理每次重新发送历史记录和截图，导致成本高昂且运行缓慢。
工程师 Frank Hidalgo 指导 Codex 中的 GPT-6.1 Sol 完成研究：先映射代码，再测试三个优化点——扩展浏览历史缓存、增加可保留文本量、批量删除旧截图。
实验在 144 次运行中完成，涉及不同模型配置。优化后，平均成本降至 $0.47/次，运行时间从原 22.5 分钟左右缩短至约 4 分钟。关键在于 89% 的输入来自缓存（原价的 5%），同时确保历史完整性，避免代理因信息丢失而重新爬取。
具体优化效果与数据对比
| 模型 | 描述 | 平均成本/次 | 运行时间 | 优化倍数 |
|---|---|---|---|---|
| Model B（原生产） | 2026 年夏季发布的前沿模型 | ≥$36.21 | 22.5 分钟+ | 基准 |
| Model C | Model B 更新版本 | 约 $14.88 | 约 7-8 分钟 | 约 29x 更便宜 |
| GPT-6.1 Sol | OpenAI 最新 Sol 系列 | $0.47 | 约 4 分钟 | 76x 更便宜、5x 更快 |
| Model A | 半年前发布更低价模型 | 约 $0.235 | 约 2 分钟 | 进一步降低 |
数据基于 Asana 144 次完整实验（120k/480k 字符历史预算 + 6 种缓存策略）。所有优化配置下代理均完成任务并返回正确答案。
为什么这对开发者很重要
浏览器代理成本长期是 AI 工作流的核心开支。Asana 案例证明，通过 Codex + GPT-6.1 Sol 进行实验和迭代，能在 1 周内完成原本需 1-2 个月的手动优化。这类案例对使用 Cursor、Windsurf 或 Claude Code 的团队有直接启发：你也可以在本地或团队环境中快速测试模型配置，避免盲目高额 API 消耗。
风险与边界
本案例是公开测试数据，实际生产环境成本仍受网络延迟、页面复杂度、API 限流等因素影响。模型性能和价格以 OpenAI 官方或平台最新公布为准，可能随更新变化。
免责声明：本文非法律意见，仅供信息参考，不构成任何形式的投资、购买或服务建议。如涉及代理部署，请遵循各平台服务条款并自行评估风险。
延伸阅读
English summary
Asana achieved a 76x reduction in model costs and 5x faster execution for its StackAI browser agent through optimized workflow using GPT-6.1 Sol in Codex. The team expanded caching to include browsing history and screenshots, increased text retention, and removed old images in batches instead of per-step. In 144 controlled tests across four models, the optimized setup averaged $0.47 per run and four minutes, compared to over $36 and 22+ minutes originally. This efficiency allows sustainable scaling of AI agents for complex web tasks. For developers evaluating Cursor Pro, Claude Code, or OpenAI API subscriptions, the case highlights how targeted model prompting and caching can dramatically lower long-term API spend. Always verify current pricing on official pages, as costs and capabilities evolve. The results demonstrate practical human-AI collaboration for production automation.
（正文字数：约 1850 字符，移动端友好，无过度优化）