OpenAI 如何为 Responses API 构建智能体运行时

我们正从使用擅长特定任务的模型，转向使用能处理复杂工作流的智能体（Agent）。单纯提示模型只能调用训练好的智能，但给模型一个计算机环境，就能解锁更多用例，比如运行服务、调用 API 获取数据，或生成电子表格、报告等实用成果。

构建智能体时会遇到一些实际问题：中间文件放哪、如何避免把大表格塞进提示词、怎么安全地给工作流网络访问权限，以及如何处理超时和重试而不必自己造轮子。

与其让开发者自己搭建执行环境，我们构建了必要组件，为 Responses API 配备计算机环境，可靠地执行真实世界任务。

OpenAI 的 Responses API，加上 shell 工具和托管容器工作区，就是为解决这些问题设计的。模型提出步骤和命令；平台在隔离环境中运行它们，提供文件系统用于输入输出、可选的结构化存储（如 SQLite）和受限制的网络访问。

这篇文章会拆解我们如何为智能体构建计算机环境，并分享一些早期经验，教你用它实现更快、更可重复、更安全的生产工作流。

智能体工作流的核心：执行循环

一个好的智能体工作流始于紧密的执行循环：模型提出一个动作（比如读取文件或用 API 获取数据），平台执行它，结果反馈给下一步。我们先从 shell 工具——这个循环最简单的体现——开始，然后覆盖容器工作区、网络、可复用技能（Skills）和上下文压缩（Compaction）。

要理解 shell 工具，先得明白大语言模型（LLM）如何使用工具：比如调用函数或与计算机交互。训练时，模型会看到工具使用示例及其效果，一步步学习何时以及如何使用工具。当我们说“使用工具”，模型实际上只是提议一个工具调用，它自己无法执行。

shell 工具让模型能力大幅提升：它通过命令行与计算机交互，执行从搜索文本到发送 API 请求的各种任务。基于熟悉的 Unix 工具，我们的 shell 工具能做任何你期望的事，grep、curl、awk 等工具开箱即用。

相比我们现有的代码解释器（只执行 Python），shell 工具支持更广泛的用例，比如运行 Go 或 Java 程序，或启动 NodeJS 服务器。这种灵活性让模型能完成复杂的智能体任务。

Responses API：模型与工具的编排器

模型自己只能提议 shell 命令，但这些命令如何执行？我们需要一个编排器（Orchestrator）来获取模型输出、调用工具，并将工具响应传回模型，循环直到任务完成。

Responses API 是开发者与 OpenAI 模型交互的方式。使用自定义工具时，Responses API 会将控制权交还给客户端，客户端需要自己的执行框架（Harness）来运行工具。但这个 API 也能开箱即用地编排模型和托管工具。

当 Responses API 收到提示时，它会组装模型上下文：用户提示、之前的对话状态和工具指令。要让 shell 执行生效，提示必须提及使用 shell 工具，且所选模型必须经过训练能提议 shell 命令——GPT‑5.2 及后续模型都为此训练过。有了这些上下文，模型决定下一步动作。如果选择 shell 执行，它会返回一个或多个 shell 命令给 Responses API 服务。API 服务将这些命令转发给容器运行时，流式传回 shell 输出，并在下一个请求的上下文中喂给模型。模型可以检查结果、发出后续命令或生成最终答案。Responses API 重复这个循环，直到模型返回一个不包含额外 shell 命令的完成响应。

Responses API 执行 shell 命令时，会与容器服务保持流式连接。输出产生时，API 会近乎实时地中继给模型，让模型决定是等待更多输出、运行另一个命令，还是转向最终响应。

模型可以在一步中提议多个 shell 命令，Responses API 可以使用独立的容器会话并发执行它们。每个会话独立流式输出，API 将这些流多路复用到结构化工具输出作为上下文。换句话说，智能体循环可以并行工作，比如搜索文件、获取数据和验证中间结果。

当命令涉及文件操作或数据处理时，shell 输出可能变得非常大，消耗上下文预算却不增加有用信号。为控制这点，模型为每个命令指定输出上限。Responses API 强制执行该上限，返回一个保留输出开头和结尾的有界结果，同时标记省略的内容。例如，你可以将输出限制在 1000 个字符，保留开头和结尾：

text at the beginning ... 1000 chars truncated ... text at the end

并发执行和有界输出一起，让智能体循环既快速又上下文高效，模型能持续推理相关结果，而不是被原始终端日志淹没。

上下文压缩：应对长任务

智能体循环的一个潜在问题是任务可能运行很长时间。长任务会填满上下文窗口（Context Window），而上下文窗口对于跨轮次和跨智能体提供上下文很重要。想象一个智能体调用技能（Skill）、获得响应、添加工具调用和推理摘要——有限的上下文窗口很快就被填满。为避免在智能体继续运行时丢失重要上下文，我们需要一种方法来保留关键细节并移除无关内容。与其要求开发者设计和维护自定义摘要或状态携带系统，我们在 Responses API 中添加了原生压缩（Compaction），旨在与模型行为和训练方式对齐。

我们最新的模型经过训练，能分析先前的对话状态，并生成一个压缩项，以加密且 token 高效的方式保留关键先前状态。压缩后，下一个上下文窗口由这个压缩项和先前窗口的高价值部分组成。这使得工作流能跨窗口边界连贯地继续，即使在扩展的多步骤和工具驱动会话中也是如此。Codex 依赖这个机制来维持长运行编码任务和迭代工具执行，而不降低质量。

压缩功能可以通过服务器内置或独立的 /compact 端点使用。服务器端压缩让你配置阈值，系统自动处理压缩时机，无需复杂的客户端逻辑。它允许稍大的有效输入上下文窗口，在压缩前容忍少量溢出，这样接近限制的请求仍能被处理和压缩，而不是被拒绝。随着模型训练演进，原生压缩解决方案也会随每个 OpenAI 模型版本一起演进。

Codex 在作为早期用户的同时，帮助我们构建了压缩系统。当一个 Codex 实例遇到压缩错误时，我们会启动第二个实例来调查。结果是 Codex 通过解决这个问题，获得了一个原生、有效的压缩系统。Codex 检查和改进自身的能力，已成为在 OpenAI 工作的一个特别有趣的部分。大多数工具只需要用户学习如何使用；Codex 则与我们一同学习。

容器：状态与资源的工作环境

容器不仅是运行命令的地方，也是模型的工作上下文。在容器内，模型可以读取文件、查询数据库，并在网络策略控制下访问外部系统。

容器上下文的第一部分是文件系统，用于上传、组织和管理资源。我们构建了容器和文件 API，给模型提供可用数据的地图，帮助它选择有针对性的文件操作，而不是执行宽泛、嘈杂的扫描。

一个常见的反模式是将所有输入直接塞进提示上下文。随着输入增长，过度填充提示变得昂贵且模型难以导航。更好的模式是将资源暂存在容器文件系统中，让模型决定用什么 shell 命令打开、解析或转换。就像人类一样，模型在有组织的信息上工作得更好。

容器上下文的第二部分是数据库。在许多情况下，我们建议开发者将结构化数据存储在 SQLite 等数据库中并查询它们。例如，与其将整个电子表格复制到提示中，你可以给模型表格的描述——存在哪些列及其含义——让它拉取需要的行。

例如，如果你问“本季度哪些产品销售额下降？”，模型可以查询_仅_相关行，而不是扫描整个电子表格。这更快、更便宜，对更大数据集更具可扩展性。

容器上下文的第三部分是网络访问，这是智能体工作负载的重要组成部分。智能体工作流可能需要获取实时数据、调用外部 API 或安装软件包。同时，给容器无限制的互联网访问可能带来风险：可能将信息暴露给外部网站、无意中触及敏感的内部或第三方系统，或使凭证泄露和数据外泄更难防范。

为解决这些担忧而不限制智能体的实用性，我们构建了托管容器来使用边车出口代理（Sidecar Egress Proxy）。所有出站网络请求流经集中策略层，强制执行允许列表和访问控制，同时保持流量可观测。对于凭证，我们在出口处使用域范围秘密注入（Domain-scoped Secret Injection）。模型和容器只看到占位符，而原始秘密值保持在模型可见上下文之外，仅应用于批准的目的地。这降低了泄露风险，同时仍支持经过身份验证的外部调用。

技能：可复用的工作流模块

shell 命令很强大，但许多任务重复相同的多步骤模式。智能体每次运行都得重新发现工作流——重新规划、重新发出命令、重新学习惯例——导致结果不一致和执行浪费。智能体技能将这些模式打包成可复用、可组合的构建块。具体来说，一个技能（Skill）是一个文件夹包，包含 [SKILL.md](http://skill.md/)（包含元数据和指令）以及任何支持资源，如 API 规范和 UI 资产。

这种结构自然映射到我们之前描述的运行时架构。容器提供持久文件和执行上下文，shell 工具提供执行接口。两者就位后，模型可以在需要时使用 shell 命令（ls、cat 等）发现技能文件、解释指令，并在同一个智能体循环中运行技能脚本。

我们提供API 来管理 OpenAI 平台中的技能。开发者上传并存储技能文件夹作为版本化包，之后可以通过技能 ID 检索。在将提示发送给模型之前，Responses API 加载技能并将其包含在模型上下文中。这个序列是确定性的：

1. 获取技能元数据，包括名称和描述。
2. 获取技能包，复制到容器中并解包。
3. 用技能元数据和容器路径更新模型上下文。

在决定技能是否相关时，模型逐步探索其指令，并通过容器中的 shell 命令执行其脚本。

整合所有组件

将所有部分整合起来：Responses API 提供编排，shell 工具 提供可执行动作，托管容器 提供持久运行时上下文，技能 层叠可复用工作流逻辑，压缩 允许智能体长时间运行并获得所需上下文。

有了这些原语，单个提示可以扩展为端到端工作流：发现正确的技能、获取数据、将其转换为本地结构化状态、高效查询并生成持久工件。

下图展示了这个系统如何从实时数据创建电子表格。

我们很兴奋看到开发者用这套原语构建什么。语言模型的意义不止于生成文本、图像和音频——我们将继续演进我们的平台，使其更有能力大规模处理复杂的真实世界任务。