GPT-5.5 驱动深度模式：更强，但也可能更贵
来自 Amp 团队的模型说明文：GPT-5.5 更"agent-shaped"，但"同等质量更便宜"的效率故事不成立。
开篇：更 agent-shaped，但效率故事被夸大了
⏰ 时效声明：本课内容整理自 Amp 团队模型页面的说明文（2026 年，原文未标注具体发布日期），价格与评测数字截至原文发布时，请以官方最新页面为准。
GPT-5.5 是 OpenAI 驱动"深度模式"（deep mode）的新模型。Amp 团队的评价很直接：它更 "agent-shaped"（更适合做 agent），但同时要戳破一个流传的说法——"GPT-5.5 cheaper for the same quality"（同等质量下 GPT-5.5 更便宜），不成立。
这篇来自真实部署经验，讲三件事：能力到底涨了多少、价格到底贵了多少、提示词和档位该怎么配。
能力：质量确实领先，集中在 agent 任务
以下来自 Amp 团队的内部评测（102-task SWE eval，样本不大，原文自己也提醒"别过度解读"）：
GPT-5.5 xhigh：55/102 通过（pass rate 0.598 / 0.588），质量领先；GPT-5.5 medium：54/102，大约等于 GPT-5.4 high 的 53/102。Terminal-Bench 上，medium 从 65.2% → 79.8%，xhigh 从 74.7% → 82.0%。
OpenAI 公开的评测数字（新 vs 旧）：Terminal-Bench 2.0：75.1% → 82.7%；Expert-SWE：68.5% → 73.1%；GDPval：83.0% → 84.9%；OSWorld-Verified：75.0% → 78.7%；MCP Atlas：70.6% → 75.3%；Tau2-bench Telecom：92.8% → 98.0%。
但有两个地方要诚实：SWE-Bench Pro 只从 57.7% 涨到 58.6%，而且落后于 Claude Opus 4.7；另外 5.5 保留了 5.4 的毛病——literalness（字面化）：它不会"读空气"，任务描述模糊时，会干净利落地把错事做完。
诚实并列：Amp 的 102-task eval 样本不大，原文明确提醒不要过度解读；OpenAI 官方数字是自报成绩。
价格：2 倍单价，"同等质量"反而贵了 39%
以下来自 Amp 团队。GPT-5.5 的 API 价格是 GPT-5.4 的 2 倍：每百万 token 输入 5 美元、输出 30 美元（5.4 是 $2.50 / $15）。
关键对比来了：在内部 eval 里，GPT-5.5 medium 的质量 ≈ GPT-5.4 high，但成本是 $312 vs $225——贵了 39%。这就是"同等质量更便宜"不成立的证据：质量曲线确实右移了，但价格曲线右移得更多。
另外：上下文 1M token，但超过 272K 输入 token 按 2x 输入 / 1.5x 输出计价；新增了 view_image 工具（直接看图，防止模型用 OCR 脚本绕路补偿）。
这像"新款跑车"：极速确实更快了（质量领先），但油耗翻倍还不止。销售说"每公里更快所以更划算"是偷换概念——你要算的是"跑完同一段路，总共花多少油钱"。
档位：low 和 xhigh 是答案，high 是尴尬的中间
以下来自 Amp 团队。GPT-5.5 的推理档位：low / medium / xhigh（注意没有 high 档的推荐位）。
low——小任务上"surprisingly good"（惊人地好），便宜又快，适合简单改动。medium——默认档，平衡之选。xhigh——质量杠杆，难任务、长程 agent 工作上它。
high 是尴尬档位：内部 eval 里 high 花了 $425，比 medium（$312）贵得多，表现反而更差。Amp 的原话：不要把 high 当成安全的默认选择。
选档思路（与本专题第 02 课 Opus 4.7 的 xhigh 默认档呼应）：默认 medium，任务难上 xhigh，任务小用 low——high 直接跳过。
选档位像"点外卖选规格"：小份（low）够吃又便宜，大份（xhigh）管饱；中份（high）价格接近大份、分量接近小份——菜单上有它，但老食客都知道跳过。
提示新范式：结果导向，而不是过程导向
以下来自 Amp 团队，这是 GPT-5.5 时代最重要的提示变化：结果导向（outcome-focused）优于流程导向（process-focused）。
好的提示形状是四件套：Outcome（要什么结果）/ What good means（什么叫好）/ Constraints（约束）/ How to verify（怎么验证）。不要写"第一步先读文件，第二步……"这种过程脚手架——那些应该进 harness / AGENTS.md（agent 的固定装备），而不是每轮提示里重复一遍。
原文的经验：给模型结果和验收标准，它自己会安排过程；你替它安排过程，反而限制了它的长处。这与第 01 课"工单式提示词"（目标/验收/约束）是同一个思想，换了个说法。
验证要按风险定级，不要一刀切
以下来自 Amp 团队。GPT-5.5 的系统提示大约只有 GPT-5.4 deep 模式的一半长度——更短，但多了几条关键约束：
第一，把 guidance files（指导文件）当约束，而不是任务扩张的邀请：AGENTS.md 说"别碰生产数据库"是红线，不是"顺便把生产库也优化一下"的灵感来源。
第二，验证按风险定级：typo 级别的小改动不需要验证；只读任务可以跳过验证；高风险改动才做完整验证。一刀切地"每次都全量验证"是在烧钱。
第三，新增约束原文大意：不要把指导文件里的每一句话都当成要执行的任务——区分"规则"和"任务"。
验证定级像"机场安检分通道"：普通旅客走快速通道，托运大件才开箱。每个改动都全量验证，等于让所有旅客都脱鞋开箱——安全感有了，队伍排到航站楼外了。
缓存、合规与弱点：上线前要知道的三件事
以下来自 Amp 团队。
缓存：GPT-5.5 不支持 in-memory prompt caching（内存级提示缓存），要用 extended prompt caching（默认 24 小时）。长上下文任务记得配好，不然账单会疼。
合规：OpenAI 保留在"严重风险调查"时取消 GPT-5.5 的 ZDR（zero data retention，零数据保留）资格的权利，但会提前书面通知。用 ZDR 跑敏感任务的团队要把这个例外写进风险评估。
弱点 literalness：GPT-5.5 不会读空气。任务描述模糊时，它不会停下来问你，而是干净利落地把错事做完。所以"可检验的任务描述"不是加分项，是必需品——验收标准写得越具体，它错得越少。
ZDR 例外条款是原文明确指出的合规风险：平时 ZDR 有效，但 OpenAI 保留在严重风险调查时暂停它的权利。
术语翻卡：点卡片看解释
自测一下：点问题展开参考答案
Amp 实测：GPT-5.5 medium 的质量 ≈ GPT-5.4 high，但成本 $312 vs $225，贵了 39%。质量曲线右移了，价格曲线右移得更多。
是 5.4 的 2 倍：每百万 token 输入 5 美元、输出 30 美元（5.4 为 $2.50/$15）。超 272K 输入 token 按 2x 输入/1.5x 输出计价。
内部 eval 里 high 花了 $425，比 medium（$312）贵得多，表现反而更差。Amp 建议不要把 high 当安全默认：默认 medium，难任务上 xhigh，小任务用 low。
Outcome（要什么结果）、What good means（什么叫好）、Constraints（约束）、How to verify（怎么验证）。过程脚手架应进 harness/AGENTS.md，不在每轮提示重复。
它不会读空气：任务描述模糊时不会停下来问，而是干净利落地把错事做完。所以验收标准必须写具体，"可检验的任务描述"是必需品。