从模型到智能体：OpenAI 为 Responses API 配备计算机环境

从模型到智能体：OpenAI 为 Responses API 配备计算机环境

引言：智能体时代的到来

2026年3月11日，OpenAI 工程团队宣布了一项重大更新：为 Responses API 配备完整的计算机环境。这标志着我们正从“模型”时代迈向“智能体”时代。传统模型擅长处理特定任务，但仅限于通过提示词调用训练好的智能。而智能体则能够处理复杂的工作流程，例如运行服务、从 API 请求数据、生成电子表格或报告等更有价值的成果。

构建智能体的实际挑战

当开发者尝试构建智能体时，会面临一系列实际问题：

• 中间文件存放：工作流产生的临时文件放在哪里？
• 上下文窗口限制：如何避免将大型表格直接粘贴到提示词中？
• 网络安全：如何为工作流提供网络访问，同时避免安全风险？
• 超时与重试：如何在不自行构建工作流系统的情况下处理超时和重试？

OpenAI 的解决方案不是让开发者自行搭建执行环境，而是为 Responses API 配备必要的组件，使其能够可靠地执行现实世界中的任务。

Responses API 的核心组件

OpenAI 的 Responses API 结合了 Shell 工具 和 托管容器工作空间，旨在解决上述实际问题。其工作流程如下：

1. 模型提出步骤和命令。
2. 平台在隔离环境中执行这些命令。
3. 环境提供文件系统用于输入输出、可选的 SQLite 结构化存储以及受限的网络访问。

本文将深入解析我们如何为智能体构建计算机环境，并分享早期经验，帮助您更快、更可重复、更安全地构建生产级工作流。

Shell 工具：智能体的核心执行器

一个优秀的智能体工作流始于紧密的执行循环：模型提出动作（如读取文件或通过 API 获取数据），平台执行该动作，然后将结果反馈给下一步。Shell 工具是理解这一循环的最简单方式。

语言模型如何使用工具

要理解 Shell 工具，首先需要了解语言模型通常如何使用工具。在训练过程中，模型会看到工具使用的示例以及逐步产生的效果。这帮助模型学习何时使用工具以及如何使用。但请注意：模型只能“提议”使用工具，它本身无法执行任何操作。

Shell 工具的威力

Shell 工具通过命令行与计算机交互，使模型能够执行从文本搜索到发送 API 请求的广泛任务。基于熟悉的 Unix 工具集（如 grep、curl、awk），我们的 Shell 工具开箱即用，功能强大。

与仅执行 Python 的现有代码解释器相比，Shell 工具支持更多用例：运行 Go 或 Java 程序、启动 NodeJS 服务器等。这种灵活性让模型能够完成复杂的智能体任务。

编排智能体循环

模型只能提议 Shell 命令，但如何执行这些命令？我们需要一个编排器来获取模型输出、调用工具，并将工具响应循环传递回模型，直到任务完成。

Responses API 的角色

Responses API 是开发者与 OpenAI 模型交互的接口。当与自定义工具一起使用时，Responses API 会将控制权返回给客户端，客户端需要自行管理工具运行时。然而，这个 API 也可以自动在模型和托管工具之间进行编排。

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。为了使 Shell 执行生效，提示中必须提及使用 Shell 工具，并且所选模型必须经过训练以提议 Shell 命令（GPT-5.2 及更高版本支持此功能）。

模型根据上下文决定下一步动作。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，流式传输 Shell 输出，并将其反馈给下一个请求的上下文。模型随后可以检查结果、发出后续命令或生成最终答案。Responses API 会重复此循环，直到模型返回一个不包含额外 Shell 命令的完成响应。

流式输出与并发执行

当 Responses API 执行 Shell 命令时，它会与容器服务保持流式连接。输出生成后，API 几乎实时地将其传递给模型，以便模型决定是等待更多输出、运行另一个命令还是进入最终响应。

模型可以在一个步骤中提议多个 Shell 命令，Responses API 可以使用独立的容器会话并发执行它们。每个会话独立流式传输输出，API 将这些流复用为结构化的工具输出上下文。这意味着智能体循环可以并行化工作，例如搜索文件、获取数据和验证中间结果。

输出限制与上下文管理

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，消耗上下文预算而不增加有用信号。为此，模型可以为每个命令指定输出上限。Responses API 强制执行该上限，并返回一个包含输出开头和结尾的有限结果，同时标记省略的内容。例如，您可以将输出限制为 1,000 字符，保留开头和结尾：

开头文本 ... 1000 字符已截断 ... 结尾文本

并发执行和输出限制使智能体循环既快速又节省上下文资源，使模型能够持续推理相关结果，而不会被原始终端日志淹没。

上下文压缩：当窗口满时

智能体循环的一个潜在问题是上下文窗口变满。当模型不断接收新的 Shell 输出时，上下文可能会增长到无法处理的程度。为此，我们设计了上下文压缩机制。当上下文窗口接近饱和时，Responses API 会自动对历史对话和工具输出进行压缩，保留关键信息而丢弃冗余内容。这确保了智能体可以持续工作，而不会因上下文溢出而中断。

实际应用案例

案例 1：自动化数据报告生成

假设您需要从多个 API 获取数据，生成一份包含图表和表格的周报。传统方法需要编写复杂的脚本，而使用 Responses API 的 Shell 工具，您可以：

1. 提示模型“获取上周销售数据，生成 Excel 报告并发送邮件”。
2. 模型自动调用 curl 从 API 获取数据。
3. 使用 Python 脚本处理数据并生成 Excel 文件。
4. 使用 sendmail 发送邮件。

整个过程在隔离的容器中自动完成，无需手动干预。

案例 2：代码审查与测试

开发者可以提示模型“审查当前分支的代码，运行单元测试，并生成报告”。模型会：

1. 使用 git diff 获取代码更改。
2. 运行 pytest 执行测试。
3. 分析测试结果并生成 Markdown 报告。

所有操作在安全环境中执行，不会影响主系统。

安全与隔离

为了确保安全性，每个智能体会话都在独立的容器中运行，具有：

• 文件系统隔离：每个会话有自己的临时文件系统，会话结束后自动清理。
• 网络访问限制：默认禁止出站网络连接，仅允许访问白名单中的 API 端点。
• 资源限制：CPU、内存和磁盘使用量受到严格限制，防止资源滥用。
• 命令白名单：仅允许执行经过批准的 Shell 命令，禁止危险操作。

早期经验与最佳实践

1. 明确任务边界：在提示词中清晰描述任务目标，避免模型产生歧义。
2. 合理设置输出上限：根据任务类型调整输出限制，平衡上下文使用与信息完整性。
3. 利用并发执行：尽可能将独立任务并行化，提高效率。
4. 监控上下文大小：定期检查上下文窗口使用情况，必要时手动触发压缩。
5. 测试与迭代：在生产环境中部署前，在沙盒环境中充分测试智能体行为。

未来展望

OpenAI 计划在未来的版本中进一步增强 Responses API 的能力：

• 更丰富的工具集：除了 Shell 工具，还将支持数据库查询、云服务集成等。
• 更智能的上下文管理：自动识别并保留关键信息，进一步减少上下文浪费。
• 多智能体协作：支持多个智能体在同一环境中协同工作。

结论

从模型到智能体的转变，不仅仅是技术上的升级，更是思维方式的变化。OpenAI 的 Responses API 通过配备计算机环境，为开发者提供了一个强大、安全、易用的平台，让智能体能够真正执行现实世界中的复杂任务。无论您是构建自动化工作流、数据分析管道还是代码审查系统，这个新工具都将显著提升您的开发效率。

欢迎在 OpenAI 开发者论坛 分享您的使用体验和反馈。