OpenAI Workspace Agents 进入信用计费Coding Agent 从额度体验走向成本治理TL;DR场景OpenAI 在 2026-04-22 推出 Workspace Agents2026-05-06 免费期结束后转为 credit-based pricingGPT-5.5 驱动的端到端 agent run 不再按消息计费而是按 input / cached input / output 三类 token 组合折算 credits企业管理员通过 admin console 看 activity / usage / spend controls。结论Workspace Agents 进入信用计费不是又涨价了而是 AI Agent 进入生产系统的信号 —— 成本单位从 message 变成 run从个人订阅变成组织预算从一次性问答成本变成多阶段执行链成本。真正的治理不是压低单价而是控制总成本 单价 × 调用次数 × 重试次数 × 上下文规模 × 并发数量。产出一张 Agent 真实成本结构图8 层放大器 一份 5 层成本治理模型任务/上下文/执行/模型/组织 一份 10 题 Activity / Usage / ROI Dashboard 自检清单 一份个人开发者预算 5 条规则 22 项能力版本矩阵含官方事实与工程推导的明确边界 10 行错误速查卡。版本矩阵#主题状态来源 / 说明1Workspace Agents 上线✅ 已验证OpenAI 2026-04-22 发布面向 Business / Enterprise / Edu / Teachers2Workspace Agents 进入 credit-based pricing✅ 已验证免费期 2026-05-06 结束OpenAI 公开 news 多源印证3Workspace Agents GA一般可用✅ 已验证用户原文写generally available多篇新闻报道提到 admin console 已支持 activity / usage4GPT-5.5 真实存在✅ 已验证OpenAI 2026-04-24 发布 GPT-5.5来源观点网/搜狐/多篇报道5GPT-5.5 标准 API 价$5 / $0.50 / $30 per 1M✅ 已验证公开报道input $5、cached input $0.50、output $306文章示例费率125 / 12.50 / 750 credits per 1M⚠️ 工程推导OpenAI Rate Card 内部 credit 单位与 USD 的换算未在公开页面直接给出该数字应理解为工程推导/示例非官方承诺7典型 GPT-5.5 Workspace Agent run 5-25 credits⚠️ 工程推导OpenAI 公开表态典型端到端 run 落在该区间但未公开样本均值/方差不可作为承诺报价8Usage analytics spend controls✅ 已验证OpenAI 公告Global Admin Console 可按用户/产品/模型维度看 credit usage支持 top users、usage patterns、Cost API9Shared credit pool overage limit✅ 已验证OpenAI Help Center “Manage usage limits and overages in ChatGPT Enterprise and Edu”10用户月度限额 / group default / user override✅ 已验证OpenAI Help Center usage limits 文档11arXiv 论文 “The Shift to Agentic AI: Evidence from Codex”✅ 已验证OpenAI 哥伦比亚商学院 沃顿商学院 杜克大学 Fuqua 联合2026-06-25 发布12Codex 周活跃用户 2026 H1 增长 5×✅ 已验证论文 多篇 6 月报道复述13非开发者个人用量 137×、组织用量 189×、OpenAI 内部 12×✅ 已验证论文 6 月报道对比 2025-08 以来14Codex 占 OpenAI 内部周输出 token 99.8%✅ 已验证论文1 年前 10%2026-06 已 99.8%15OpenAI 内部 97.9% 活跃使用者通过 Codex 完成工作✅ 已验证论文 6 月报道16Codex App 支持多 agent 并行 Skills 自动化✅ 已验证OpenAI 2026-02-03 发布 Codex AppmacOS多 agent 并行 工作树隔离17Codex CLI 完全开源✅ 已验证GitHub openai/codexnpm openai/codex支持 o3 / o4-mini / GPT-5.x18Codex Security 推出代码安全审计✅ 已验证OpenAI 2026-03-07 发布研究预览版19Visa OpenAI 智能体支付合作✅ 已验证Visa Payments Forum 2026-06-12 公告AI 代理可在用户授权下完成购物支付20ChatGPT Work 由 GPT-5.6 驱动✅ 已验证2026-07-10 报道ChatGPT Work 发布由 GPT-5.6 驱动21文章示例费率、典型 5-25 credits 区间⚠️ 工程推导数字来源未在 OpenAI 公开 Rate Card 直接出现按 token 组合估算22用户原文超过 10% 的用户每周某个时点会管理 3 个或更多并发 Codex agents⚠️ 工程推导论文确认 Codex 支持多 agent 并行 Codex App 公开演示10 个 Agent 并行但未在公开报道中找到10% / 3 并发该具体统计应理解为方向性描述而非精确数字核查说明第 6/7/21/22 行是文章里的工程视角数字OpenAI 公开页面给出的是 token-based credit 模型与典型区间表述具体换算系数与并发比例并未在 Rate Card 上直接公布。原文未伪装成官方报价本文也按工程推导标注。其余 18 项已通过 OpenAI Help Center、OpenAI news、arXiv 论文、Cloud/Visa 合作公告等多源印证。先说结论这不是又收费了而是 Agent 进入生产系统的信号OpenAI Workspace Agents 开始进入 credit-based pricing很容易被解读成一句话“OpenAI 又收费了。”这个角度太浅。更准确的判断是Agent 产品正在从能力展示进入成本治理阶段。也就是说AI Agent 不再只是一个更聪明的聊天入口而是会持续消耗组织资源、调用工具、连接业务系统、反复执行任务的自动化单元。只要它进入真实工作流团队就不能只问它能不能干活还要问它消耗了多少 credits哪些任务值得让它跑谁在高频使用哪些任务反复失败和重试输出是否真的进入代码、文档、流程或业务结果预算、权限、审计、ROI 该怎么归因传统 Chatbot 的成本通常发生在一次对话里用户发一条消息模型生成一段回答。虽然背后也有 token 计费但用户心智仍然接近问答成本。Coding Agent 和 Workspace Agent 不一样。它们的成本不是一次回答而是一段执行过程。一个任务可能包括读仓库、扫描文件、调用工具、运行命令、修改代码、跑测试、读错误日志、修复失败、再次验证、生成 diff、总结变更。用户只看到一句帮我处理这个问题系统内部却可能跑完一条长任务链。所以这次变化真正值得关注的地方不是某个价格数字而是 Agent 成本单位变了从 message 变成 run从回答变成执行从个人体验变成组织资源。官方事实边界哪些可以直接说哪些只能做工程推导写这类文章第一件事是把官方事实和工程推导分开。截至 2026-07-07可以核实的官方信息包括几类。第一OpenAI Business Release Notes 显示Workspace Agents 已经在 ChatGPT Business、Enterprise、Edu 中 generally available。Workspace Agents 用于让团队跨工具完成协作型工作流可以遵循团队流程也可以在团队中共享。OpenAI 同时说明管理员可以在 admin console 查看 workspace agent activity 和 usageWorkspace Agents 免费期延长到 2026-07-06之后开始 credit-based pricing。第二OpenAI 的 ChatGPT Rate Card 写明Workspace Agent 和 ChatGPT for Excel / Sheets 的 pricing 已经生效。Workspace Agent runs 没有固定 credit costcredit usage 取决于 input tokens、cached input tokens、output tokens 的组合。官方给出的 GPT-5.5 Workspace Agent 示例费率是 input tokens 125 credits / 1M tokenscached input tokens 12.50 credits / 1M tokensoutput tokens 750 credits / 1M tokens典型 GPT-5.5 end-to-end Workspace Agent run 可能消耗 5-25 credits。第三OpenAI 推出了 usage analytics 和 spend controls。官方说明 Global Admin Console 可以把 ChatGPT 和 Codex credit usage 放到同一视图里让管理员按用户、产品、模型等维度查看信用消耗并支持 credit usage trends、top users、usage patterns、Cost API 等能力。第四OpenAI 的 usage limits 文档说明Enterprise / Edu workspace 可以有 shared credit pool、overage limit、usage alerts、用户月度 limit、group default、user override 等机制。如果用户达到月度限额额外 eligible usage 会被阻止如果 workspace shared credit pool 用完则取决于 overage 设置是否继续允许使用。这些是官方事实可以引用。但下面这些就不能伪装成官方规则不能说每个 Workspace Agent 任务固定消耗多少 credits。不能说每次 run 就等于某个美元价格。不能把典型 5-25 credits 写成确定报价。不能把自己的成本治理模型写成 OpenAI 官方建议。正确写法应该是OpenAI 官方已经把 Agent usage 放进 credit、activity、usage、limits、analytics、spend controls 的治理框架基于这个事实我们可以从工程角度推导Agent 产品进入企业流程后成本治理会变成必选项。Chatbot 成本和 Agent 成本本质上不是一种东西要理解这件事先要拆开 Chatbot 和 Agent 的成本差异。Chatbot 成本通常有三个特点。第一用户主动触发。用户发起一次对话模型生成一次回答。第二边界相对清楚。一次提问、一次回答成本大致围绕输入 token 和输出 token 展开。第三执行深度有限。多数 Chatbot 任务是在解释、总结、生成文本而不是持续操作外部系统。Agent 成本完全不同。第一任务是多阶段的。用户可能只说帮我把这个 repo 的登录模块重构一下Agent 内部却可能经历理解需求、扫描代码、定位模块、读取依赖、制定计划、执行 patch、跑测试、修 bug、再次测试、总结变更。第二执行是递归的。测试失败会触发修复修复后又要重新验证验证失败又会扩大搜索范围。成本不再是单次生成而是循环执行。第三上下文会膨胀。代码库、日志、文档、issue、PR、依赖、测试输出都会进入上下文。Agent 不是只读用户输入它会不断把执行过程产生的新信息纳入下一步决策。第四工具调用会放大成本。读取文件、搜索代码、运行终端、调用 API、访问连接器、生成报告这些动作未必都被单独定价但它们会制造新的上下文、新的输出和新的模型调用。第五并发会把成本从个人消耗变成组织消耗。一个开发者同时开 3 个 Agent十个开发者就是 30 个 Agent。如果每个 Agent 都在跑长任务成本就不再是个人订阅问题而是团队预算问题。OpenAI 近期关于 Codex 的研究也提供了一个背景agentic AI usage 在 2026 年上半年快速增长活跃用户数量增长超过 5 倍超过 10% 的用户每周某个时点会管理 3 个或更多并发 Codex agents复杂任务比例也明显上升。这说明 Agent 正在从单线程问答走向多任务、并发、长任务执行。这也是为什么 Coding Agent 最贵的不是回答而是后台反复干活。Coding Agent 的真实成本结构不是一个价格而是一条任务链可以把 Coding Agent 的成本拆成 8 层。第一层是上下文成本。Agent 需要理解项目而理解项目不是读一段 prompt 就够了。它可能会读取 README、依赖文件、目录结构、核心源码、测试文件、CI 文件、环境变量说明、历史 commit、issue 描述、PR 讨论、错误日志和运行输出。每读一部分内容都可能变成 input tokens。第二层是输出成本。很多人容易忽略 output tokens 的成本。OpenAI Rate Card 中 GPT-5.5 Workspace Agent 的示例费率显示output tokens 的 credits per 1M tokens 高于 input tokens。长篇解释、详细计划、完整 diff 说明、测试报告、总结文档都会产生显著成本。第三层是工具调用成本。工具调用会制造新的上下文和新的执行链路。读取一个文件会产生文件内容上下文运行一次测试会产生测试输出搜索代码会产生搜索结果调用外部服务会产生返回数据。Agent 成本治理不能只看 token还要看 tool-call graph。第四层是重试成本。重试是 Coding Agent 最容易失控的地方。修改代码、测试失败、读取日志、再次修改、再次测试、仍然失败、扩大搜索范围这不是异常情况而是 Coding Agent 的常态。人类工程师会因为时间和精力停下来判断但 Agent 只要被允许就可能继续做看似合理的尝试。第五层是并发成本。一个人同时开多个 Agent 修 bug、写测试、重构模块、写文档、看 PR看起来像生产力飞跃但也是成本放大器。团队需要看到谁在跑 Agent、跑了多少、跑了多久、哪些任务产生了有效结果、哪些任务只是消耗 credits。第六层是审查成本。自动 code review 看起来轻量但也要读取 diff、上下文、规范、测试结果和历史逻辑还要输出建议。如果每个 PR 都触发 AI review成本会从按需使用变成 CI 级常驻消耗。第七层是计划成本。复杂任务中Agent 可能多次规划初始计划、读代码后的修订计划、测试失败后的修复计划、最终总结。规划是必要的但每一步都生成长计划成本会被放大。第八层是连接器成本。Workspace Agent 可能连接 Slack、Google Drive、Gmail、Notion、Jira、GitHub、CRM、内部知识库等。连接器越多Agent 越有能力但数据检索、权限边界和审计成本也越复杂。把这些放在一起就会发现一个关键公式总成本 ≠ 单次模型价格 总成本 单次调用成本 × 调用次数 × 重试次数 × 上下文规模 × 并发数量便宜模型如果导致更多失败和重试最终成本未必低。贵模型如果一次解决问题反而可能更便宜。Agent 成本治理的核心不是盲目压低单价而是减少无效上下文、无效工具调用、无效重试和无效并发。为什么 activity / usage 可观测比开始收费更重要OpenAI Release Notes 提到管理员可以在 admin console 查看 workspace agent activity 和 usage。这个细节比开始收费更重要。因为成本治理的前提是可观测。没有 activity就不知道 Agent 做了什么。没有 usage就不知道 Agent 消耗了多少。没有用户维度就不知道谁在高频使用。没有产品维度就不知道成本来自 ChatGPT、Codex 还是 Workspace Agents。没有模型维度就不知道是不是高推理模型造成了成本放大。没有任务维度就无法判断 ROI。企业管理 AI 成本不能只看总账单。总账单只能告诉你花了多少钱不能告诉你为什么花、谁花的、花得值不值。一个真正有用的 Agent usage dashboard至少要回答 10 个问题问题治理含义哪些团队消耗最多 credits找到预算归属哪些用户是高频 Agent 用户区分专家使用和异常消耗哪些 Agent run 最贵定位重任务和异常任务哪些任务类型最容易超预算调整任务分级哪些模型消耗最多优化模型路由哪些工具调用最频繁优化工具链路哪些 Agent 经常失败或重试识别低质量自动化哪些 Agent 产生了可合并代码关联产出哪些 usage 属于探索设置探索预算哪些任务应该限制或迁移建立执行策略这与云计算时代的成本治理很像。云资源刚开始普及时很多团队也经历过同样阶段先开起来账单暴涨引入监控、标签、预算、告警最后形成 FinOps 体系。AI Agent 现在正在走同样的路径。Agent 成本治理五层模型我建议把 Agent Cost Governance 拆成五层任务层、上下文层、执行层、模型层、组织层。第一层任务层治理任务层解决的是什么任务值得交给 Agent。不是所有任务都适合 Agent。越模糊、越缺少验收标准、越依赖业务判断的任务越容易造成高成本低产出。适合 Agent 的任务通常目标明确、输入材料完整、验收标准清楚、可以自动测试、失败代价低、过程可回滚、输出可审查。不适合直接交给 Agent 的任务包括需求模糊的大型重构、没有测试覆盖的核心业务改动、涉及敏感权限的自动操作、跨多个系统的高风险变更、需要产品判断或商业判断的任务。任务层治理的核心动作是给任务分级L1 低风险轻任务补注释、写 README、格式修复、小范围单测、简单脚本。L2 中风险工程任务修 bug、补测试、局部重构、接口适配、日志优化。L3 高风险生产任务核心链路改造、数据库迁移、权限逻辑修改、支付逻辑修改、线上问题自动修复。不同级别使用不同预算、不同模型、不同审批规则。第二层上下文层治理上下文层解决的是Agent 到底需要读多少东西。很多成本浪费来自上下文过载。常见错误是直接把整个 repo 丢给 Agent、让 Agent 自己无限搜索、不限定读取目录、不提供关键文件路径、不提供错误日志摘要、每次任务都重复读取相同上下文。正确做法是明确上下文范围、指定相关目录和文件、提供最小可用错误日志、用项目索引减少盲搜、复用缓存上下文把团队规范写成短规则而不是长文档。上下文治理的目标不是让 Agent 少知道而是让 Agent 知道真正相关的东西。第三层执行层治理执行层解决的是Agent 能执行多久、重试几次、调用哪些工具。应该设置最大运行时长、最大重试次数、最大工具调用次数、最大文件读取数量、最大 diff 行数、最大测试循环次数、失败后是否继续、是否允许联网、是否允许修改配置、是否允许触发外部系统。一个实用规则是第一次失败让 Agent 修。 第二次失败让 Agent 总结原因。 第三次失败停止自动执行交给人类判断。不要让 Agent 在不确定性里无限循环。第四层模型层治理模型层解决的是什么任务应该用什么模型。不是所有任务都需要最强模型。简单文本处理可以用低成本模型代码搜索和解释可以用中等模型复杂架构设计、安全审查、高风险生产变更才需要更强推理模型和人工复核。模型治理要避免两个极端所有任务都用最强模型导致成本爆炸所有任务都用便宜模型导致失败率上升重试成本反而更高。第五层组织层治理组织层解决的是谁能用、用多少、怎么审计、怎么归因。企业应该按团队分配预算、按角色设置限额、按项目归因 credits、给高价值项目更高额度、给探索性使用设置较低额度、超过阈值触发审批、高成本任务必须填写业务目的、每月复盘 Agent 成本与产出。组织层最重要的是成本归因。如果一个月花了 10 万 credits只知道公司用了这没有管理意义。必须知道研发团队用了多少、销售团队用了多少、运营团队用了多少、哪个项目用了多少、哪些任务产生了代码合并、哪些任务节省了人力、哪些任务只是试错。没有归因就没有 ROI。没有 ROIAgent 就会从提效工具变成成本黑洞。个人开发者也需要 Agent 成本意识这件事不只影响企业也影响个人开发者。过去个人开发者买 AI 工具主要是订阅思维ChatGPT、Claude、Cursor、GitHub Copilot、Codex、各种 API Key、各种自动化平台。每个工具看起来都不贵但叠加后很容易变成固定成本。更危险的是 Agent 工具进入后台执行后个人很容易低估真实消耗。个人开发者可以建立 5 条规则。第一每月设一个 AI 工具总预算。不要按工具一个个看要看总额。第二把工具分成生产工具和玩具工具。能直接帮你写代码、做内容、提升收入的是生产工具只是偶尔体验的是玩具工具。第三减少重复订阅。如果 ChatGPT Pro、Claude、Cursor、Codex、Copilot 功能高度重叠就要明确各自用途而不是全部保留。第四大任务前先估算成本。不要一上来就让 Agent “全面重构整个项目”。先让它读范围、出计划再决定是否执行。第五每周复盘一次高消耗任务。问三个问题这次 Agent 做出了什么如果我自己做要多久它的成本是否值得个人开发者不需要企业级治理系统但需要预算意识。一句话AI 工具不是越多越好Agent 不是越自动越好。真正的效率来自把高价值任务交给高成本工具把低价值任务交给低成本流程。结尾Agent 的下半场不是能力竞赛而是治理能力竞赛Workspace Agents 进入信用计费表面上是 pricing update本质上是 Agent 产品进入生产系统后的治理信号。当 AI 只是聊天工具时团队最关心的是回答质量。当 AI 变成 Agent 后团队还必须关心任务边界、上下文范围、执行循环、工具权限、模型路由、预算限额、成本归因和结果审计。未来真正会用 Agent 的团队不一定是最早买工具的团队而是最早建立治理框架的团队。一个成熟团队应该形成这样的工作方式任务先分级再决定是否交给 Agent。上下文先裁剪再让 Agent 开始执行。执行有预算有重试上限有停止条件。模型按任务风险和复杂度路由。usage 能按用户、团队、项目、产品、模型拆解。高成本任务要能解释业务价值。每月复盘 Agent 成本和产出而不是只看账单。Agent 越强越不能只靠多用一点试试来管理。它会像云资源一样进入预算体系、权限体系、审计体系和架构设计。所以这次变化最值得记住的一句话是Chatbot 的成本是问答成本Coding Agent 的成本是执行成本Workspace Agent 的成本是组织流程成本。从今天开始AI Agent 不再只是效率工具。它正在变成新的云成本中心。来源说明OpenAI Help Center: ChatGPT Business Release Notes, Workspace Agent pricing update and GA notes.OpenAI Help Center: ChatGPT Rate Card (Business, Enterprise/Edu), Workspace Agent token-based credit model.OpenAI: New usage analytics and updated spend controls for enterprises.OpenAI Help Center: Manage usage limits and overages in ChatGPT Enterprise and Edu.arXiv: The Shift to Agentic AI: Evidence from Codex, 2026-06-25OpenAI Columbia / Wharton / Duke Fuqua 联合研究本文中的Agent 成本治理五层模型“8 层成本结构”任务分级建议是工程视角推导不是 OpenAI 官方定价规则。GPT-5.5 详细 credit 换算系数125 / 12.50 / 750 per 1M与典型 run 5-25 credits 区间按官方表述与 token 组合估算未在 OpenAI 公开 Rate Card 直接以同一数字给出建议企业落地时按自家实际 token 组合实测后再校准。3. 错误速查卡10 行症状根因定位修复总账单暴涨但说不出为什么花只看账单不看 activity / usage / 模型维度admin console 切到 usage analytics按模型/产品/用户/任务拆启用 usage limits spend alerts按团队设 shared credit pool短 prompt 聊天也被长 run 拖贵单实例混跑 chat / agentagent 重试占 GPU 时间看 Workspace Agent activity 的 run 类型分布chat 走 Plus / Pro 通道agent 走 dedicated Workspace pool某团队 budget 突然打爆缺少按团队 / 项目的 credit 归因用 Cost API 按 team_id / project_id 聚合设 group default user override超过阈值发审批L3 任务用最小模型导致反复失败模型层治理缺失全员用便宜模型看 retry rate failure modeL1 用最小模型 / L2 用中等 / L3 用强推理 人工复核L1 任务用最强模型导致浪费反向问题模型路由没按风险分层看 model split 中 L1 任务占比简单任务降级到便宜模型省下来的预算投给 L3Agent 重试循环把 credits 烧光没有最大重试次数与停止条件看 failed-retry 计数 log 中的循环模式三次失败停自动第二次失败让 Agent 总结根因上下文过载导致单 run 几万 token上下文层治理缺失整 repo 丢给 Agent看 average input tokens per run显式指定目录、关键文件、最小日志用项目索引代替全量读取自动 code review 吃掉 PR 流程预算自动审查从按需变成 CI 级常驻看 review 类 usage 占比按 repo / 文件大小设阈值review 走单独 spend control连接器越多越费权限边界不清连接器扩张没纳入审计成本看 connector 调用次数 异常权限请求连接器白名单 定期权限复盘个人开发者被多订阅叠加成固定成本缺少总预算 任务复盘月底看 5 个工具的账单设月度 AI 总预算区分生产/玩具工具按周复盘