Asana cuts model costs 76x in browser tests with GPT-6.1 Sol

该事件不是新模型或新产品的发布，而是一份厂商客户案例：Asana 用 Codex 中的 GPT-6 Astra 对浏览器 Agent 做工程优化，把单次运行成本从 36.21 美元降到 0.47 美元、时间从 22.5 分钟压到 4 分钟。它的价值在于揭示了一套可复用的 Agent 成本工程范式——把 prompt caching 从静态指令扩展到动态浏览历史、并通过批量化上下文裁剪来保持缓存前缀稳定——这对所有做长链路 Agent 的团队都有直接借鉴意义，且改动已进入 StackAI 生产环境。但它本质是 OpenAI 借客户之口做的缓存经济学背书，不改变模型能力边界，也不构成行业范式转移。综合：属于重要但局部的成本/工程优化事件，改变的是 Agent 落地成本预期，而非竞争格局本身。

此次事件的核心复利价值不在于 Asana 单个工作流的降本，而在于它把『浏览器 Agent 的上下文管理与缓存策略』沉淀为可复用的工程范式：将不断增长的页面文本与截图历史纳入 prompt caching、扩大历史保留预算、批量而非逐步剔除截图，这套组合拳把单次运行成本压到约 0.47 美元、耗时从 22.5 分钟降到约 4 分钟，且全部返回正确答案。这标志着『长程浏览器 Agent 在经济上可行』这一拐点，一旦成为行业标准做法，3-5 年后大概率仍是 Agent 基础设施的底层模式（缓存命中率、上下文预算、状态缩减策略）。但需注意：其一，该案例由 OpenAI 撰写的 PR 叙事，含明显厂商立场，认识论状态仅为 pr_statement，缺乏第三方复现；其二，具体数字（76x/5x）高度依赖任务单一性（32 本书 6 字段的固定任务），外推到复杂、异构的客户工作流时会打折。因此是有潜力成为细分基础设施、但仍需持续验证的 7 分区间，而非 8 分以上的确定性基石。