GPT-5.5 发布后，不少开发者开始尝试将它的 Agent 能力落地到实际项目中。本文分享一个比较典型的应用场景：用 GPT-5.5 API 搭配住宅IP，搭建一个能自动监控竞品价格并生成报告的 Agent。
本文假设你对 GPT-5.5 的 Agent 基础能力已有了解（如果没有，可以先阅读我们的GPT-5.5 Agent）。我们将直接从代码入手，逐步完成一个可运行的演示项目。
目录
项目概述：我们要搭建什么？
功能目标
最终成品是一个 Python 脚本，能够：
- 定时访问竞品页面，抓取指定商品的价格
- 通过 GPT-5.5 API 解析页面内容（不依赖固定的 HTML 选择器）
- 将结果写入 CSV 文件，方便后续分析
整体架构
定时触发
↓
Python 主脚本
↓
代理IP服务（动态住宅IP）
↓
目标竞品页面
↓
GPT-5.5 API 解析内容
↓
结果写入 CSV为什么这个项目适合用 GPT-5.5 + 代理IP？
竞品页面通常有一定的反爬措施。如果直接从本地 IP 高频访问，较容易触发限制。代理IP 在这里的作用是分散请求来源，降低被拦截的概率。而 GPT-5.5 的优势在于：它可以根据页面内容灵活提取信息，即使目标网站的 HTML 结构发生变化，也不太需要手动调整解析逻辑。
准备工作：环境和账号配置
Step 0：获取 GPT-5.5 API 访问权限
你需要一个可用额度充足的 OpenAI API Key。可以在 OpenAI 官方平台 注册并申请。
官方文档：https://platform.openai.com/docs
Step 1：安装 Python 依赖
本项目需要以下库：
pip install openai requests pandasopenai：调用 GPT-5.5 APIrequests：发送 HTTP 请求pandas：处理结果并写入 CSV
Step 2：代理IP服务接入配置
本项目使用动态住宅IP。原因是：竞品监控属于高频采集场景，每次请求轮换 IP 有助于降低单一地址的请求密度。
在 IPWeb 后台购买或开通代理资源后，通常可以拿到以下连接信息：
- 代理服务器地址（host）
- 端口（port）
- 用户名和密码（或 IP 白名单验证）
下面是一个将代理配置到 requests 会话中的示例：
import requests
# 代理配置（示例，请替换为你的实际信息）
proxy_host = "gate1.ipweb.cc"
proxy_port = "7778"
proxy_user = "your_username"
proxy_pass = "your_password"
proxy_url = f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}"
proxies = {
"http": proxy_url,
"https": proxy_url,
}
# 测试代理是否生效
try:
test_res = requests.get(
"https://api.ipify.org?format=json",
proxies=proxies,
timeout=10
)
print("当前代理IP：", test_res.json())
except Exception as e:
print("代理连接失败：", e)核心代码实现（分步讲解）
Step 3：封装一个带代理IP的 HTTP 请求函数
先封装一个带有重试机制的请求函数，后续的页面抓取都通过它来完成。
import requests
import time
from typing import Optional
def fetch_page(url: str, proxies: dict, max_retries: int = 3) -> Optional[str]:
"""
通过代理IP获取页面内容，带重试逻辑
"""
for attempt in range(max_retries):
try:
response = requests.get(
url,
proxies=proxies,
timeout=15,
headers={
"User-Agent": (
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
"AppleWebKit/537.36 (KHTML, like Gecko) "
"Chrome/120.0.0.0 Safari/537.36"
)
}
)
response.raise_for_status()
return response.text
except requests.exceptions.RequestException as e:
print(f"第 {attempt + 1} 次请求失败：{e}")
if attempt < max_retries - 1:
time.sleep(2 * (attempt + 1)) # 简单退避
return None说明：实际项目中，可能需要更完善的重试策略（例如根据 HTTP 状态码区分处理方式）。此处保持代码简洁，便于理解核心流程。
Step 4：让 GPT-5.5 解析竞品页面内容
传统爬虫通常依赖固定的 CSS 选择器来提取价格信息，一旦目标网站改版就会失效。GPT-5.5 的推理能力可以在一定程度上缓解这个问题。
from openai import OpenAI
from typing import Optional
# 初始化客户端（请替换为你的 API Key）
client = OpenAI(api_key="your_openai_api_key")
def extract_price_with_gpt(html_content: str, product_name: str) -> Optional[str]:
"""
将页面HTML传给GPT-5.5，让其提取指定商品的价格
"""
prompt = f"""
以下是某个电商页面的HTML内容片段。
请从中找出「{product_name}」的价格，只返回数字部分（例如 299.00）。
如果找不到，返回 "NOT_FOUND"。
HTML内容（已截断）：
{html_content[:4000]}
"""
try:
response = client.chat.completions.create(
model="gpt-5.5", # 请确认你的API账号支持此模型名称
messages=[{"role": "user", "content": prompt}],
temperature=0.0,
)
result = response.choices[0].message.content.strip()
return result if result != "NOT_FOUND" else None
except Exception as e:
print(f"GPT-5.5 API 调用失败：{e}")
return NoneStep 5：定时执行 + 结果写入表格
将前面的组件组合起来，形成完整的主流程：
import pandas as pd
from datetime import datetime
import time
# 竞品列表（示例，请替换为真实URL）
products = [
{"name": "竞品A-无线耳机", "url": "https://example.com/product/A"},
{"name": "竞品B-无线耳机", "url": "https://example.com/product/B"},
]
def run_monitoring(proxies: dict):
results = []
for product in products:
print(f"正在抓取：{product['name']}")
html = fetch_page(product["url"], proxies)
if not html:
print(" 抓取失败，跳过")
continue
price = extract_price_with_gpt(html, product["name"])
results.append({
"产品": product["name"],
"价格": price if price else "获取失败",
"时间": datetime.now().strftime("%Y-%m-%d %H:%M"),
"来源URL": product["url"]
})
time.sleep(3) # 礼貌性延迟
# 写入CSV
df = pd.DataFrame(results)
df.to_csv(
"price_monitor.csv",
mode="a",
header=not __import__('os').path.exists("price_monitor.csv"),
index=False,
encoding="utf-8-sig"
)
print(f"本轮共记录 {len(results)} 条数据，已写入 price_monitor.csv")
if __name__ == "__main__":
# 代理配置（与上文 Step 2 相同的配置）
proxy_host = "gate1.ipweb.cc"
proxy_port = "7778"
proxy_user = "your_username"
proxy_pass = "your_password"
proxy_url = f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}"
proxies = {
"http": proxy_url,
"https": proxy_url,
}
# 测试代理连接
try:
test = requests.get("https://api.ipify.org?format=json",
proxies=proxies, timeout=10)
print("代理IP：", test.json().get("ip"))
except Exception as e:
print("警告：代理连接测试失败，请检查配置", e)
run_monitoring(proxies)动态住宅IP vs 静态住宅IP：代码层面如何切换？
本教程使用的是动态住宅IP（每次请求可轮换地址）。如果你监控的网站需要登录后才能查看价格，则可能需要改用静态住宅IP（会话期间 IP 保持不变，避免触发异地登录风控）。
切换方式通常比较简单，以某代理服务为例：
# 动态住宅IP（每次请求轮换）
proxy_url_dynamic = "http://user:pass@gate1.ipweb.cc:7778"
# 静态住宅IP（会话期间保持同一IP）
# 许多代理服务商通过 session 参数实现，具体语法请参考对应官方文档
proxy_url_static = "http://user:pass@gate1.ipweb.cc:7778?session=my_session_001"扩展：这个框架还能做什么？
本文的代码示例是一个比较通用的「Agent + 代理IP + 网页解析」框架，只需调整 prompt 和部分参数，就可以扩展到其他场景：
- 舆情监控：让 GPT-5.5 从抓取的社交媒体内容中提取情感倾向
- SEO 排名追踪：结合代理IP模拟不同地区用户的搜索结果
- 多网站聚合监控：扩展 products 列表，一次性追踪多个信息源
FAQ
Q：GPT-5.5 API 如何获取？
A：可以在 OpenAI 官网注册账号并申请 API 访问权限，具体支持的模型名称以官方文档为准。
Q：Python 中如何配置代理IP？
A：可以在 requests 库的 proxies 参数中填入代理地址，格式通常为 http://用户名:密码@代理地址:端口。
Q：这个代码可以直接用于生产环境吗？
A：本文代码以演示思路为主，生产使用前建议增加更完善的错误处理、日志记录和安全措施。
Q：请求超时或失败，应该怎么排查？
A： 目标网站的响应速度、代理IP的质量，都可能影响请求成功率。除了代码中的简单重试，还可以对不同类型的异常分别处理，例如超时、HTTP 4xx、HTTP 5xx 等，并记录失败日志，方便后续分析。
Q：GPT-5.5 API 限流时，如何控制调用频率？
A：如果监控的竞品数量较多，需要注意 OpenAI API 的每分钟请求数（RPM）限制。可以在循环中加入 time.sleep()，或者采用更精细的速率控制方案，例如令牌桶算法。
Q：目标网站改版后，GPT-5.5 还能自动解析价格吗？
A：在一定程度上可以。但如果页面结构变化较大，GPT-5.5 的解析效果可能会下降。实际使用中，建议定期检查输出结果的质量，必要时调整 prompt 或增加后处理逻辑。
结语
本文演示了如何将 GPT-5.5 的推理能力和代理IP结合起来，搭建一个具有一定自适应能力的竞品监控工具。这个项目还有不少可以完善的地方，例如更健壮的错误处理、更精细的代理IP调度策略、以及更低的 token 消耗方案。
如果你在生产环境中打算长期使用这类方案，代理IP的稳定性和并发能力会比较关键，建议在实际部署前做充分测试。
