GPT-5.6 程序化工具调用实战：把多步 Agent 流程变成受控执行

如果你正在维护一个需要连续查数据、筛选、去重、聚合再输出报告的 AI Agent，常见痛点并不是模型“不会调用工具”，而是中间结果太多、往返轮次太长、成本和延迟难以预测。本文面向已经用过 Function Calling 或 Responses API 的开发者，解释 GPT-5.6 的 Programmatic Tool Calling（程序化工具调用，简称 PTC）适合什么任务，并给出一套可落地的编排与评估方法。

从“模型逐步思考”到“程序批量处理”

传统工具调用通常是一个交替循环：模型决定调用哪个工具，应用执行工具，结果再交给模型判断下一步。这个模式的优势是每一步都能重新做语义判断，遇到异常也容易改变计划；缺点是当任务包含几十个结构相同的调用时，大量中间数据会反复进入模型上下文。

PTC 的思路不同。模型先写出一段受控程序，让程序在托管运行环境中调用被明确授权的工具，并在本地完成过滤、连接、排序、聚合或校验，只把压缩后的结构化结果交回模型。它不是“让模型拥有任意代码执行权”，而是把一段边界清楚、可验证的数据处理阶段交给程序完成。

#mermaid-svg-uIqBp2yuEAHGLa0Q{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-uIqBp2yuEAHGLa0Q .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-uIqBp2yuEAHGLa0Q .error-icon{fill:#552222;}#mermaid-svg-uIqBp2yuEAHGLa0Q .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-uIqBp2yuEAHGLa0Q .marker{fill:#333333;stroke:#333333;}#mermaid-svg-uIqBp2yuEAHGLa0Q .marker.cross{stroke:#333333;}#mermaid-svg-uIqBp2yuEAHGLa0Q svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-uIqBp2yuEAHGLa0Q p{margin:0;}#mermaid-svg-uIqBp2yuEAHGLa0Q .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-uIqBp2yuEAHGLa0Q .cluster-label text{fill:#333;}#mermaid-svg-uIqBp2yuEAHGLa0Q .cluster-label span{color:#333;}#mermaid-svg-uIqBp2yuEAHGLa0Q .cluster-label span p{background-color:transparent;}#mermaid-svg-uIqBp2yuEAHGLa0Q .label text,#mermaid-svg-uIqBp2yuEAHGLa0Q span{fill:#333;color:#333;}#mermaid-svg-uIqBp2yuEAHGLa0Q .node rect,#mermaid-svg-uIqBp2yuEAHGLa0Q .node circle,#mermaid-svg-uIqBp2yuEAHGLa0Q .node ellipse,#mermaid-svg-uIqBp2yuEAHGLa0Q .node polygon,#mermaid-svg-uIqBp2yuEAHGLa0Q .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-uIqBp2yuEAHGLa0Q .rough-node .label text,#mermaid-svg-uIqBp2yuEAHGLa0Q .node .label text,#mermaid-svg-uIqBp2yuEAHGLa0Q .image-shape .label,#mermaid-svg-uIqBp2yuEAHGLa0Q .icon-shape .label{text-anchor:middle;}#mermaid-svg-uIqBp2yuEAHGLa0Q .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-uIqBp2yuEAHGLa0Q .rough-node .label,#mermaid-svg-uIqBp2yuEAHGLa0Q .node .label,#mermaid-svg-uIqBp2yuEAHGLa0Q .image-shape .label,#mermaid-svg-uIqBp2yuEAHGLa0Q .icon-shape .label{text-align:center;}#mermaid-svg-uIqBp2yuEAHGLa0Q .node.clickable{cursor:pointer;}#mermaid-svg-uIqBp2yuEAHGLa0Q .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-uIqBp2yuEAHGLa0Q .arrowheadPath{fill:#333333;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-uIqBp2yuEAHGLa0Q .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-uIqBp2yuEAHGLa0Q .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-uIqBp2yuEAHGLa0Q .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-uIqBp2yuEAHGLa0Q .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-uIqBp2yuEAHGLa0Q .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-uIqBp2yuEAHGLa0Q .cluster text{fill:#333;}#mermaid-svg-uIqBp2yuEAHGLa0Q .cluster span{color:#333;}#mermaid-svg-uIqBp2yuEAHGLa0Q div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-uIqBp2yuEAHGLa0Q .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-uIqBp2yuEAHGLa0Q rect.text{fill:none;stroke-width:0;}#mermaid-svg-uIqBp2yuEAHGLa0Q .icon-shape,#mermaid-svg-uIqBp2yuEAHGLa0Q .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-uIqBp2yuEAHGLa0Q .icon-shape p,#mermaid-svg-uIqBp2yuEAHGLa0Q .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-uIqBp2yuEAHGLa0Q .icon-shape .label rect,#mermaid-svg-uIqBp2yuEAHGLa0Q .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-uIqBp2yuEAHGLa0Q .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-uIqBp2yuEAHGLa0Q .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-uIqBp2yuEAHGLa0Q :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

否

是

用户目标

模型规划

是否为有界批处理?

直接工具调用

PTC 程序

允许调用的工具

过滤/去重/聚合

小型结构化结果

模型完成语义判断

关键变化可以概括为：直接调用把“每个结果都交给模型看”，PTC 则把“规则明确的中间加工”下沉到程序。前者适合探索，后者适合稳定的数据流水线。

哪些任务适合 PTC

判断标准不是“工具多不多”，而是中间阶段能否被明确描述为一个有限计算问题。以下任务通常适合：

相反，以下情况应保留直接工具调用：只需要一次调用；工具结果很小；每一步结果都可能改变下一步策略；调用涉及用户审批；最终回答必须完整保留原生引用或文件。尤其是审批场景，不应把决定和执行都包进不可见的批处理程序。

一个实用问题是：“如果把中间结果换成表格，普通程序员能否仅靠规则完成处理？”答案为“能”时，PTC 往往值得评估；答案为“还要理解语境、判断例外”时，应让模型在关键节点重新参与。

一个有边界的日志分析示例

假设我们有两个只读工具：list_services() 返回服务清单，query_errors(service, window) 返回错误摘要。目标是找出最近一小时错误率最高的 10 个服务，并保留可审计证据。

不要只写“高效使用 PTC”。应该把程序阶段的合同写清楚：

使用程序化工具调用完成有界的数据阶段：
1. 仅允许调用 list_services 与 query_errors。
2. 服务查询最多并发 8 个，单服务失败最多重试 1 次。
3. 过滤请求量少于 100 的服务，按 error_rate 降序排列。
4. 输出最多 10 项，每项包含 service、request_count、error_count、error_rate、evidence_id。
5. 不执行任何写操作；若成功服务少于总数的 90%，返回 structured_failure。
最终根因判断和处置建议仍由模型通过直接推理完成。

这段合同包含六类真正影响可靠性的约束：允许的工具、并发量、重试次数、过滤规则、输出模式和停止条件。程序执行只是中间层，最终答案仍需检查数据是否完整、证据是否能追溯，以及是否遗漏用户要求。

接入时必须处理的输出类型

根据 OpenAI 当前模型指导，启用 PTC 时需要加入 programmatic_tool_calling 工具，并在可被程序调用的工具上设置允许的调用者。应用侧不能只等待普通函数调用，还要正确处理 program、由程序发起的函数调用以及 program_output 等输出项，并保留 call_id 和 caller 的关联。

这意味着接入代码至少要有三层状态：

如果应用丢失调用关联，常见后果不是立刻报错，而是把某次工具结果接到错误的请求上，导致“看起来合理、实际上串线”的答案。因此，调用标识应当作为数据模型的一部分持久化，而不是仅打印到日志。

如何评估是否真的更好

工具调用次数减少并不等于产品质量提高。建议在一组固定样本上同时运行直接调用版和 PTC 版，至少记录以下指标：

• 任务完成率：最终结果是否满足全部验收条件；
• 证据完整率：每个关键结论是否能回溯到工具结果；
• 最终答案完整度：程序输出正确时，模型是否仍遗漏字段；
• 总 Token、端到端延迟和费用；
• 工具调用数、失败数、重试数与并发峰值；
• 人工复核发现的错误类型。

评估时要特别检查 program_output 与最终消息之间的差异。程序可能返回了完整的 10 条记录，但最终消息只讲了 8 条；也可能程序正确标记部分失败，而总结时把结果说成“全部成功”。对生产系统而言，这类最后一公里损失和工具执行错误同样重要。

可以把上线门槛设为：任务完成率不下降、证据完整率不下降，在此基础上再比较成本和延迟。先守住质量，再谈效率。

安全与可运维设计

PTC 最适合只读或风险较低的计算阶段。对于删除、发布、转账、修改权限等操作，应当保留显式审批和直接执行边界。即使程序只能调用白名单工具，也要限制单次调用数量、参数范围、网络目标、执行时间和结果大小。

运维侧建议把以下字段写入结构化日志：程序版本哈希、允许工具列表、每次调用的 caller、输入摘要、输出摘要、错误类型、重试原因和停止条件。不要记录访问令牌、完整用户数据或不必要的工具原文。

最后准备三个降级路径：PTC 不可用时退回直接调用；部分工具失败时返回部分结果和缺口；程序输出未通过模式校验时不继续做自动动作。可降级的 Agent 往往比“所有逻辑一次跑完”的 Agent 更容易长期维护。

实施清单

把一个现有流程迁移到 PTC，可以按以下顺序进行：

PTC 的价值不在于“让 Agent 更自治”，而在于把确定性的中间处理变成边界可见、成本可测的程序阶段。只要坚持有界任务、最小授权、结构化证据和最终复核，它就能有效缩短长链路 Agent 的往返，同时不牺牲可审计性。

参考资料

• OpenAI Model guidance：GPT-5.6 与 Programmatic Tool Calling（OpenAI Developers，访问于 2026-09-03）
• GPT-5.6 Sol 模型说明（OpenAI Developers，访问于 2026-09-03）