作者注:多项目 Agent 需要独立上下文、持久状态、任务调度和恢复机制,并行工作才能做到可追踪、互不干扰。
一个 AI 助手能否同时推进多个项目,关键在四件事:每项工作有独立上下文,执行状态持久保存,调度器统一安排优先级和并发,中断后可以从检查点恢复。同时调用多个模型并不难,难的是让这些调用各自记得自己在做什么。OpenAI 于 2026 年 9 月 29 日发布的 Dots 采用了这套模式。官方文档说明,一个 Dot 可以维护多个责任事项,把工作拆给后台 Agent 并行处理。每个新任务拥有自己的对话上下文,不会自动获得用户与 Dot 的全部历史对话。开发者可以用 Checkpointer、Store、任务队列和状态机搭建类似的多项目管理系统。
下文先根据官方资料拆解 Dots 的多任务和记忆机制,再用一个贯穿全文的项目管理示例,依次设计四层任务结构、并行调度、中断恢复、执行追踪和成本边界。标题中的“十个项目”只是对工作模式的示例表达,Dots 和自建系统都没有固定的十路并发,也不能无限并行。文中的自建 Agent 代码属于设计方案,没有附带虚构的运行结果。

To Know:Dots 多任务调度相关术语
| 术语 | 解释 |
|---|---|
| Workspace | 组织项目与权限的工作空间,通常对应一个用户或一个团队。 |
| Project | 项目单元,包含目标、资料和相关任务。 |
| Task | 一项有明确目标的工作,例如“检索今日 OpenAI 新闻”。 |
| Run | 任务的一次实际执行记录,同一个 Task 可以执行很多次。 |
| 后台 Agent | Dot 派出去并行处理子任务的执行者,完成后向 Dot 汇报。 |
| Checkpointer | 保存任务执行检查点的组件,负责中断后恢复。 |
| Store | 保存跨任务长期信息的存储组件,负责延续项目背景。 |
| 状态机 | 按规则管理任务各阶段转换的机制,如待执行、执行中、等待审批。 |
| 并发限制 | 同时执行任务的数量上限,受 API 额度、服务器资源和成本约束。 |
| Tracing | 记录模型调用、工具调用和交接过程的追踪能力。 |
| Proactive Research | Dots 在没有新消息时对已授权资料源做的只读后台研究。 |
1 Dots 多任务调度:一个 Dot 为什么能同时承担多个责任
1.1 Dots 官方披露的多项目能力
按照官方定位,Dots 是一个常驻型个人 Agent。它拥有自己的云端计算机和浏览器,用户离开后仍能继续推进已委派的工作。在多任务方面,Tasks and memory 文档列出了以下能力:
- 同时保留多个工作事项的状态,并在同一对话中切换任务;
- 用户可以随时补充信息、调整优先级;
- 把复杂任务拆成若干部分,交给后台 Agent 并行处理;
- 创建独立的可见任务线程,再收集各任务结果并汇总;
- 工作出现阻塞时请求用户介入,后台任务运行期间用户仍可继续发消息。
这些能力合起来,让 Dot 承担的角色更接近项目协调者。它负责决定哪件事先做、哪件事拆出去、哪件事交还用户,单个任务的具体执行可以由后台 Agent、ChatGPT Work 任务或 Codex 任务完成。
1.2 多对话、多任务与多 Agent 的区别
这三个概念经常被混用,它们解决的问题各不相同。用统一的示例来看:假设用户的工作空间里有 AI Radar(AI 新闻日报)、Website(网站改版)、Research(竞品研究)三个项目。
| 模式 | 运作方式 | 在示例中的表现 | 解决的问题 |
|---|---|---|---|
| 多对话 | 用户为每个项目开一个聊天窗口 | 用户自己记住 Research 做到了哪一步 | 隔离聊天内容,进度仍由人管理 |
| 多任务 | 一个协调者维护多个任务的状态 | Dot 记录三个项目各自的进度和优先级 | 统一调度和状态追踪 |
| 多 Agent | 协调者把子任务派给多个执行者 | 后台 Agent 收集资料,另一个执行者写报告 | 并行执行与专业分工 |
Dots 把三者叠加在一起:用户在一个入口与 Dot 沟通,Dot 维护多项任务,并按需派出后台 Agent。自建系统要复刻这种效果,三层能力都要实现,只开多个聊天窗口远远不够。
1.3 一位用户自述的并行观察
Reddit 上一位用户自述了一天的测试。他把数百份 PDF、数千页文档交给 Dot 审查,同时运行法律研究任务。他观察到三个执行过程同时存在:Dot 自己的云端计算机处理任务 A,他连接的一台 Linux 电脑处理任务 B,另一个后台研究 Agent 处理任务 C。他还提到,启动独立法律研究任务时曾遇到执行环境不可用,连接本地电脑后才派发成功。
这份个人观察说明,Dot 的云端计算机、本地电脑和 Work/Codex 环境是不同的执行资源。作者本人也指出,他没有验证这些路径是否拥有独立且无限的额度。所以这次测试只能说明 Dots 能把工作分派到不同环境,不能据此推断每位 Pro 用户都能获得同样的并行规模。
2 Dots 长期记忆:一个任务为什么需要独立记忆
2.1 新任务的上下文边界
官方文档明确写道:每个新任务有自己的对话上下文,不会自动获得 Dot 与用户之间的全部历史对话。Dot 可以检索过去的 ChatGPT 对话来寻找背景,检索到的内容只作为当前工作的上下文使用。
这个设计很实际。如果每个任务都载入全部历史,Research 项目的竞品报告就可能混入 Website 项目的改版讨论,上下文也会越来越长、越来越贵。长期项目需要显式管理“这个任务该知道什么”,单靠一条越拉越长的聊天记录做不到这一点。
2.2 Dots 记忆的四个数据层
根据官方资料,Dot 的上下文来自四个不同来源:
- ChatGPT Memory:Dot 可以读取 ChatGPT 的相关记忆和近期对话;
- Dot 自身的笔记:积累用户偏好、工作习惯、项目决策和长期责任事项;
- 当前任务上下文:本次对话中的指令、文件、检索结果和工具执行结果;
- 已连接应用的数据:Dot 读取已授权应用的数据,并可通过主动研究形成记忆。
这几层的生命周期各不相同。ChatGPT Memory 和 Dot 笔记属于不同的数据层,关闭 ChatGPT Memory 共享不会自动删除 Dot 已获取的信息,断开插件也只会停止新的访问。截至 2026 年 11 月 16 日,用户还不能逐条查看、修改或删除 Dot 的独立记忆,删除 Dot 会启动对其自身上下文的删除。自建系统设计记忆层时,可以参考这套分层思路,同时补上可查看、可删除的管理界面。
3 Checkpointer 与 Store:多任务 Agent 的两种记忆
LangGraph 的持久化文档把 Agent 的记忆分成两类,这个划分正好对应 Dots 的“任务上下文”和“长期笔记”。下面仍以 Research 项目的月度竞品报告为例说明。
3.1 Checkpointer:记住工作做到哪一步
Checkpointer 保存单个任务线程的执行快照,内容包括当前步骤、已调用的工具、工具返回结果,以及哪一步在等待人工审批。在示例中,月度报告任务已经抓完 6 家竞品的价格页,正准备分析时服务重启了。有了检查点,任务可以从“分析”这一步继续,已经抓取的资料不必重抓。
存储介质决定了检查点能否撑过重启。内存型实现适合开发测试,进程重启后状态就会丢失;本地持久化可以用 SQLite,长期部署的服务更适合 PostgreSQL。检查点会持续增长,生产系统还要制定旧状态的清理策略。
3.2 Store:记住项目背景
Store 保存跨任务、跨会话的长期资料,例如用户偏好、项目背景、历史决策和多个任务共享的知识。在示例中,“报告读者是产品团队”“只跟踪 API 价格和功能更新”“上月已决定不再跟踪某家停更的竞品”都属于 Store 的内容。下个月新建报告任务时,它会读取这些决策,用户无需重新交代。
3.3 Checkpointer 与 Store 职责对比
| 维度 | Checkpointer | Store |
|---|---|---|
| 作用范围 | 单个任务线程 | 多任务、跨线程 |
| 保存内容 | 执行状态快照 | 长期资料与事实 |
| 核心价值 | 中断后恢复工作 | 新任务延续项目背景 |
| 示例内容 | “已抓取 6 家价格页,下一步分析” | “报告读者是产品团队” |
| 生命周期 | 跟随任务状态,完成后可清理 | 按长期记忆策略保留和更新 |
两者分工明确,缺一不可。只有 Checkpointer,每个新任务都像新员工入职;只有 Store,任务一中断就要从头再来。

上图中的“读取背景—写入快照—回写决策”循环,可以直接映射到第 6 节的代码。示例代码通过 API易 apiyi.com 的 OpenAI 兼容接口调用模型,换模型时只需修改模型名。
4 多项目任务管理系统设计:Workspace、Project、Task、Run
4.1 四层结构与独立 ID
自建多项目 Agent 建议采用四层结构,每一层都有独立 ID:
| 层级 | 作用 | 示例 |
|---|---|---|
| Workspace | 管理一个用户的工作空间和权限 | regulus |
| Project | 管理独立项目的目标与资料 | AI Radar、Website、Research |
| Task | 管理具体任务 | Daily News、Monthly Report |
| Run | 记录某次实际执行 | Daily News 在 2026-11-16 09:00 的执行 |
对应的树形结构如下:
Workspace: regulus
├── Project: AI Radar
│ ├── Task: Daily News
│ │ ├── Run: 2026-11-16
│ │ └── Run: 2026-11-17
│ └── Task: Topic Discovery
├── Project: Website
│ ├── Task: UI Improvement
│ └── Task: Bug Fix
└── Project: Research
├── Task: Competitor Analysis
└── Task: Monthly Report
Task 和 Run 分开记录是关键。Daily News 每天运行一次,每次 Run 都有自己的输入、输出、耗时和状态,出了问题可以精确定位到某一天的某一次执行。
4.2 记忆访问范围与项目隔离
一个 Agent 管理多个项目时,各项目的文件默认不能互相读取。建议按层级划分记忆的访问范围:
- 用户通用偏好(如报告用中文、结论先行):所有授权项目可读;
- 项目背景(如 Research 的读者和跟踪范围):仅该项目的任务可读;
- 单次任务记录:仅当前任务和明确授权的关联任务可读;
- 企业客户资料:仅指定客户项目可读;
- 敏感凭证:放在独立的安全存储中,永远不进入模型上下文。
跨项目共享资料时,要记录来源和授权范围。这与 Dots 的做法一致:官方说明 Dot 的上下文不保留凭证、图片和截图,权限边界由插件授权和 Custom Rules 共同控制。
5 多任务调度:如何让任务并行又互不干扰
5.1 调度器与 Agent 推理分离
建议把“什么时候做”和“怎么做”交给两个组件。调度器负责启动时机、项目选择、当前运行数、优先级、超时和重试;Agent 负责理解任务、制定步骤、选择工具、分析结果和提交成果。这样,调度规则可以确定性地执行,模型只处理需要推理的部分。
技术选型可以参考这套组合:APScheduler 管理周期性任务,Celery 做后台任务队列,Redis 负责消息和短期协调,PostgreSQL 保存项目与执行状态,LangGraph 这类框架管理 Agent 流程与持久化状态。小规模原型用 Python 的 asyncio 加 SQLite 也能跑通,第 6 节的代码就是这样设计的。
5.2 三种并行方式
多任务 Agent 至少有三种并行:
- 独立任务并行:AI Radar 的每日新闻和 Research 的月度报告互不依赖,可以同时运行;
- 子任务并行:一个项目拆成资料收集、事实核查等子任务分头进行;
- 模型角色并行:不同模型负责不同专业工作,最后汇总。
决定能否并行的约束包括 API 并发额度、服务器资源、任务依赖、数据库写入竞争、模型成本、结果冲突和重复执行。
5.3 示例:资料收集、数据分析、报告生成
Research 项目的月度报告拆成三个子任务。资料收集可以和 AI Radar 的每日新闻并行;数据分析依赖资料收集的结果,必须等它完成;报告生成依赖分析结论,完成后进入等待审批状态,由用户确认后才算交付。

把三个子任务一起启动看起来更快,数据分析却会因为拿不到资料而产生空结论,甚至自行编造数据。依赖关系决定了哪些任务必须串行,并发上限决定了能同时跑多少个,两者都应写进调度器,交给模型临场判断很容易出错。
5.4 模型角色分工
| 子任务 | 推荐模型类型 | 选择理由 | 可用平台 |
|---|---|---|---|
| 资料收集与摘要 | 轻量快速模型 | 调用量大,对成本敏感 | API易 apiyi.com、官方 API |
| 数据分析 | 推理能力强的模型 | 需要多步比较和计算 | API易 apiyi.com、官方 API |
| 报告生成 | 长文写作能力强的模型 | 结构与表达质量要求高 | API易 apiyi.com、官方 API |
| 事实核查 | 与写作模型不同的模型 | 交叉验证,减少同源错误 | API易 apiyi.com、官方 API |
具体模型以平台当前的模型列表为准。一个 Key 对接多家模型时,角色分工可以通过配置调整,代码结构无需改动。
6 快速上手:用统一接口搭建多任务 Agent 原型
6.1 极简示例:给任务注入项目背景
下面的代码演示最核心的一点:任务执行前,从长期记忆中只取出所属项目的背景。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # API易 OpenAI 兼容接口
)
# Store:按项目隔离的长期背景
project_memory = {
"research": "读者:产品团队;只跟踪 API 价格与功能更新;报告结论先行",
"ai-radar": "每日 09:00 汇总 OpenAI、Anthropic、Google 官方动态",
}
def run_task(project_id: str, goal: str) -> str:
resp = client.chat.completions.create(
model="gpt-4.1-mini",
messages=[
{"role": "system", "content": f"项目背景:{project_memory[project_id]}"},
{"role": "user", "content": goal},
],
)
return resp.choices[0].message.content
print(run_task("research", "列出本月需要关注的竞品更新清单"))
6.2 完整设计方案:状态机、检查点、依赖与并发
以下代码是一个设计方案,覆盖 Store、Checkpoint、状态机、依赖调度、并发限制、重试、超时和执行记录,用于说明各组件如何协作。它没有经过生产环境验证,文中也不提供虚构的运行结果。
查看完整设计方案代码
import asyncio, json, sqlite3, time, uuid
from dataclasses import dataclass, field
from enum import Enum
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # API易统一接口,一个 Key 切换多家模型
)
class Status(str, Enum):
PENDING = "pending"; RUNNING = "running"; WAITING = "waiting"
APPROVAL = "approval"; COMPLETED = "completed"
FAILED = "failed"; CANCELLED = "cancelled"; PAUSED = "paused"
db = sqlite3.connect("agent.db")
db.executescript("""
CREATE TABLE IF NOT EXISTS store(
scope TEXT, key TEXT, value TEXT, source TEXT, PRIMARY KEY(scope, key));
CREATE TABLE IF NOT EXISTS checkpoint(
run_id TEXT, task_id TEXT, step TEXT, state TEXT, ts REAL);
CREATE TABLE IF NOT EXISTS runs(
run_id TEXT PRIMARY KEY, workspace_id TEXT, project_id TEXT, task_id TEXT,
model_id TEXT, input_tokens INT, output_tokens INT,
duration REAL, retry_count INT, final_status TEXT);
""")
def store_get(scopes: list[str]) -> str:
"""只读取被授权的作用域:user 与 project:<id>"""
marks = ",".join("?" * len(scopes))
rows = db.execute(f"SELECT key, value FROM store WHERE scope IN ({marks})", scopes)
return "\n".join(f"- {k}: {v}" for k, v in rows)
def save_checkpoint(run_id, task_id, step, state):
db.execute("INSERT INTO checkpoint VALUES (?,?,?,?,?)",
(run_id, task_id, step, json.dumps(state, ensure_ascii=False), time.time()))
db.commit()
def log_run(run_id, task, usage, duration, retries, status):
db.execute("INSERT OR REPLACE INTO runs VALUES (?,?,?,?,?,?,?,?,?,?)",
(run_id, "regulus", task.project_id, task.task_id, task.model,
getattr(usage, "prompt_tokens", 0), getattr(usage, "completion_tokens", 0),
duration, retries, status.value))
db.commit()
@dataclass
class Task:
task_id: str
project_id: str
goal: str
model: str
depends_on: list[str] = field(default_factory=list)
needs_approval: bool = False
async def run_task(task: Task, done: dict, sem: asyncio.Semaphore,
max_retry: int = 2, timeout: int = 120):
run_id = f"run-{uuid.uuid4().hex[:8]}"
background = store_get(["user", f"project:{task.project_id}"])
upstream = "\n\n".join(done[d] for d in task.depends_on)
messages = [
{"role": "system", "content": f"长期背景:\n{background}"},
{"role": "user", "content": f"{task.goal}\n\n上游结果:\n{upstream or '无'}"},
]
async with sem: # 并发限制
for attempt in range(max_retry + 1):
start = time.time()
save_checkpoint(run_id, task.task_id, f"attempt-{attempt}", messages)
try:
resp = await asyncio.wait_for(
client.chat.completions.create(model=task.model, messages=messages),
timeout)
output = resp.choices[0].message.content
status = Status.APPROVAL if task.needs_approval else Status.COMPLETED
log_run(run_id, task, resp.usage, time.time() - start, attempt, status)
save_checkpoint(run_id, task.task_id, status.value, {"output": output})
if status == Status.COMPLETED:
done[task.task_id] = output
return
except Exception as e: # 超时或接口错误:指数退避后重试
save_checkpoint(run_id, task.task_id, "error", {"error": str(e)})
await asyncio.sleep(2 ** attempt)
log_run(run_id, task, None, 0, max_retry, Status.FAILED)
async def schedule(tasks: list[Task], max_concurrency: int = 2) -> dict:
sem = asyncio.Semaphore(max_concurrency)
done: dict[str, str] = {}
pending = {t.task_id: t for t in tasks}
while pending:
ready = [t for t in pending.values() if all(d in done for d in t.depends_on)]
if not ready: # 前置任务失败、待审批或存在循环依赖
print("阻塞任务:", list(pending))
break
await asyncio.gather(*(run_task(t, done, sem) for t in ready))
for t in ready:
pending.pop(t.task_id)
return done
tasks = [
Task("daily-news", "ai-radar", "汇总今日 AI 官方动态", "gpt-4.1-mini"),
Task("collect", "research", "收集本月竞品 API 价格与功能变更", "gpt-4.1-mini"),
Task("analyze", "research", "对比变更并归纳趋势", "gpt-4.1", depends_on=["collect"]),
Task("report", "research", "生成月度竞品报告", "gpt-4.1",
depends_on=["analyze"], needs_approval=True),
]
asyncio.run(schedule(tasks))
代码里有几处对应前文的设计。store_get 只读取 user 和当前项目作用域,实现项目隔离;checkpoint 表按 run 记录每一步,配合 runs 表记录 Token 与最终状态;schedule 用依赖关系决定串行,用信号量限制并发。真实系统还需要补上工具调用、审批回调和恢复入口。
🚀 快速开始:搭建原型阶段,推荐通过 API易 apiyi.com 获取免费测试额度,用同一个 Key 分别给收集、分析、写作三个角色配置不同模型,对比效果和成本后再确定分工。
7 多任务 Agent 如何处理中断、失败和人工审批
7.1 任务状态机
任务进度应当由明确的状态记录,模型在聊天里描述的进度只能作参考。推荐的主流程是 Pending(待执行)→ Running(执行中)→ Waiting(等待外部条件)或 Approval(等待审批)→ Completed(完成),另设 Failed、Cancelled、Paused 三个终止或暂停状态。每次状态转换都写入数据库,调度器只依据数据库里的状态做决策。
7.2 重试、超时与暂停恢复
- 重试:接口错误或超时后指数退避重试,并记录 retry_count,便于发现经常失败的步骤;
- 超时:每个 Run 设置执行时限,超时转为 Failed 并告警,防止一个卡死的任务长期占用并发名额;
- 暂停恢复:暂停时保存检查点,恢复时从最后一个检查点继续,已经完成的工具调用无需重复执行;
- 幂等性:发邮件、写数据库这类有副作用的步骤,重试前先检查是否已执行,避免重复操作。
Dots 的官方资料里有一个相关细节:停止正在运行的任务和取消已创建的周期计划是两件事,暂停 Dot 时,独立的 Work、Codex 和计划任务也可能继续运行。自建系统应把“停止本次 Run”“暂停 Task”“取消周期计划”设计成三个独立操作。
7.3 人工审批:参考 Dots 的 Custom Rules
Dots 用 Custom Rules 把行为分成四档:无需询问直接执行、预先授权后执行、执行前询问、交还用户。修改密码、转移资金等操作必须由用户接管,永久删除数据、安装软件可能要求每次批准。用户批准也无法覆盖核心安全限制。
自建系统可以照此给工具打标签。只读检索直接执行;起草报告完成后进入 Approval;对外发送、付款、删除一律交给人。示例中的报告任务设置了 needs_approval=True,生成后停在审批状态,用户确认后才写入 Completed。
8 多任务 Agent 的执行追踪:Tracing 与日志
多项目并行时,用户最常问的问题是“它到底做了什么”。OpenAI Agents SDK 的 Tracing 可以记录调用了哪个 Agent、使用了哪个模型、发生了哪些工具调用、哪里进行了 handoff、触发了哪些安全检查,以及任务最终如何结束。
Tracing 擅长还原单次执行过程,项目级的统计还需要业务日志补充。建议每个 Run 至少记录 project_id、task_id、run_id、model_id、input_tokens、output_tokens、tool_calls、duration、retry_count 和 final_status。有了这些字段,就能回答“Research 项目本月花了多少 Token”“哪个步骤重试最多”“哪个模型的分析任务最常超时”这类管理问题。第 6 节的 runs 表就是这套字段的最小实现。
9 多任务 Agent 的成本和管理边界
9.1 Dots 的费用结构
截至 2026 年 11 月 16 日,个人用户可通过 ChatGPT Pro 100、Pro 200、Pro 500 三档订阅使用 Dots,月费分别为 100、200、500 美元。官方没有在个人 Pro 的 Dots 说明中列出单独的 Dot 月费。Dot 委派出去的 ChatGPT Work 或 Codex 任务按对应产品的额度和规则计算,消耗取决于模型、上下文、推理、工具调用和检索。个人 Pro 的使用还有年龄(18 岁以上)和地区限制,不包括欧洲经济区、英国和瑞士。
企业工作区的计费方式不同。现行官方文档说明,符合条件的企业工作区可以选择按工作类型的固定费率,或者按用量计费;预览期免费,2026 年 11 月 18 日起对已启用的 Dots 开始计费;委派到 Work 或 Codex 的任务另行收费。具体金额以工作区实际适用的报价为准。
9.2 自建系统的成本来源
自建多任务 Agent 的成本主要来自四处:
- 重复读取上下文:每个任务都注入项目背景,背景越长,每次调用的输入 Token 越多,Store 里的内容需要定期精简;
- 重试与失败:一次失败的分析任务会把上游资料重新送入模型一遍;
- 模型选择:所有子任务都用最强模型,成本会成倍上升;
- 并发额度:API 的速率限制决定了实际可用的并行数。
9.3 并行数量与有效工作量
并行数量和有效工作量是两回事。依赖未满足的任务提前启动只会产出废结果,相互冲突的结论要花人工去合并,一个项目的错误数据经共享记忆传到另一个项目,返工成本会更高。合理的做法是先保证项目隔离和依赖正确,再根据监控数据逐步调高并发上限。
10 常见问题 FAQ
Q1:Dots 的多任务调度是什么?
一个 Dot 同时维护多个责任事项。用户可以切换任务、调整优先级,Dot 把复杂工作拆给后台 Agent 并行处理,汇总结果后在需要决策时交还用户。
Q2:Dots 的长期记忆会记住所有历史对话吗?
不会全部载入。新任务有自己的对话上下文,Dot 依靠 ChatGPT Memory、自身笔记、当前任务上下文和已连接应用的数据工作,需要时再检索过去的对话。
Q3:Checkpointer 和 Store 能互相替代吗?
两者职责不同。Checkpointer 保存单个任务的执行快照,用于中断恢复;Store 保存跨任务的项目背景和决策,用于让新任务延续上下文。长期项目两者都需要。
Q4:Dots 能同时并行多少个任务?
官方资料没有公布固定的并发数。Dots 支持并行,执行环境和使用额度都有边界。Reddit 用户自述观察到三个执行过程同时运行,这只是个人测试结果。
Q5:自建多项目 Agent 如何快速调用多种模型?
可以使用 OpenAI 兼容的聚合接口。在 API易 apiyi.com 注册获取 API Key 和免费测试额度后,把本文代码的 base_url 设为 `https://api.apiyi.com/v1`,即可用同一套代码给不同子任务配置 GPT、Claude、Gemini 等模型。
Q6:如何控制多任务 Agent 的模型成本?
按角色分配模型:资料收集用轻量模型,分析和写作再用强模型;精简 Store 中的项目背景;用 runs 表统计每个项目的 Token。通过 API易 apiyi.com 按量计费调用,便于先小规模测试再决定配额。
Q7:Dots 和自建系统在安全上要注意什么?
Agent 可能误解任务、误判资料或遭遇 Prompt Injection,官方也表示现有防护措施无法消除全部风险。涉及账户、资金、对外发送的操作应设置人工审批,敏感凭证不进入模型上下文。
11 Dots 多任务调度与长期记忆 Key Takeaways
- 核心难点:多任务 Agent 的关键在独立上下文、持久状态、调度与恢复。
- Dots 机制:一个 Dot 协调多个事项,后台 Agent 并行执行,新任务上下文相互独立。
- 两种记忆:Checkpointer 负责恢复执行,Store 负责延续项目背景。
- 四层结构:Workspace、Project、Task、Run 各有独立 ID,项目之间互相隔离。
- 调度原则:依赖决定串行,并发上限决定规模,规则写进调度器。
- 可追踪性:每个 Run 记录模型、Token、耗时、重试次数和最终状态。
- 上手方式:通过 API易 apiyi.com 统一接口给不同子任务配置不同模型。
12 总结
Dots 展示了个人 Agent 管理多个长期项目的产品形态:常驻运行,任务上下文相互独立,记忆分层保存,后台 Agent 并行执行,高风险操作交还用户。它的多项目能力建立在状态管理之上,单纯增加并行数量做不到这一点。
自建类似系统时,可以按本文的顺序落地:先用四层结构和作用域划分实现项目隔离,再用 Store 与 Checkpointer 分别解决“记得背景”和“能够恢复”,然后用调度器管理依赖与并发,最后用状态机、审批和执行日志让每一步可控、可查。原型阶段推荐通过 API易 apiyi.com 快速验证不同模型在各个角色上的效果,再根据日志数据调整分工和并发。
参考资料
- OpenAI:Introducing dots:产品发布公告
- 链接:
openai.com/index/introducing-dots - 说明: 产品定位、云端计算机与多项目执行
- ChatGPT Learn:Tasks and memory:Dots 任务与记忆文档
- 链接:
learn.chatgpt.com/docs/dots/tasks-and-memory - 说明: 后台 Agent、任务独立上下文、主动研究
- OpenAI Help Center:Dots privacy, security, and safety FAQs:隐私与安全说明
- 链接:
help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs - 说明: 权限、审批、记忆删除与数据保留
- ChatGPT Learn:Dots admin guide:企业版管理与计费
- 链接:
learn.chatgpt.com/docs/enterprise/dots-admin-guide - 说明: 企业工作区计费方式与开始计费日期
- About ChatGPT Pro tiers:Pro 订阅档位说明
- 链接:
help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers - 说明: Pro 100、200、500 的价格与额度规则
- LangGraph Persistence 文档:Checkpointer 与 Store
- 链接:
github.com/langchain-ai/docs/blob/main/src/oss/langgraph/persistence.mdx - 说明: 短期执行状态与长期记忆的划分
- OpenAI Agents SDK:Tracing 与工作流
- 链接:
developers.openai.com/api/docs/guides/agents/sdk - 说明: Agent 执行过程的追踪与调试
作者:APIYI 技术团队
技术交流:欢迎在 API易 apiyi.com 首页联系我们,更多接入资料可访问 docs.apiyi.com 文档中心