编者按：随着 AI 从单一任务执行者向复杂工作流处理者演进，OpenAI 最新推出的 Responses API 计算机环境为开发者提供了构建生产级智能体的完整基础设施。本文深入解析其架构设计与核心机制。引言：AI 范式的转变 我们正处于 AI 使用的重大转折点——从擅长特定任务的模型向能够处理复杂工作流的智能体（Agent）转变。 传统上，通过提示词（Prompting）只能访问模型训练时获得的智能。然而，当给模型配备一个计算机环境后，它能实现更广泛的用例：运行服务、从 API 请求数据、生成电子表格或报告等更有用的产物。 但在构建智能体时，开发者面临诸多实际问题：

• 中间文件存放在哪里？
• 如何避免将大表格粘贴到提示词中？
• 如何在不造成安全噩梦的情况下给工作流提供网络访问？
• 如何处理超时和重试，而无需自己构建工作流系统？

OpenAI 的解决方案是：为 Responses API 配备计算机环境，让平台来可靠地执行真实世界的任务。核心架构：五大组件协同工作 OpenAI 的 Responses API 与 Shell 工具、托管容器工作空间相结合，旨在解决这些实际问题： 模型提出步骤和命令，平台在隔离环境中执行它们，该环境配备文件系统（用于输入输出）、可选的结构化存储（如 SQLite）和受限的网络访问。Shell 工具：智能体的"手" Shell 工具让模型的能力呈指数级增长：它通过命令行与计算机交互，执行从文本搜索到发送 API 请求的广泛任务。 基于熟悉的 Unix 工具链，Shell 工具开箱即用就支持 grep、curl、awk 等命令。相比现有的代码解释器（仅执行 Python），Shell 工具支持更广泛的用例：运行 Go 或 Java 程序、启动 NodeJS 服务器、执行任意系统命令。智能体循环的编排机制 模型本身只能提出 Shell 命令，但命令如何执行？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，形成循环直到任务完成。 Responses API 的执行流程：

1. 组装上下文：用户提示词 + 历史对话状态 + 工具指令
2. 模型决策：决定下一步动作（如选择 Shell 执行）
3. 命令转发：Responses API 服务将命令转发到容器运行时
4. 流式输出：Shell 输出流式返回，并反馈到下一次请求的上下文
5. 结果检查：模型检查结果，发出后续命令或生成最终答案
6. 循环直到完成

上下文压缩：长任务的关键 智能体循环的一个潜在问题是任务可能运行很长时间。长时间运行的任务会填满上下文窗口。 为了避免在智能体继续运行时丢失重要上下文，Responses API 添加了原生压缩（Compaction）功能：

OpenAI 的最新模型经过训练，能够分析先前的对话状态，并生成一个压缩项（Compaction Item），以加密的、token 高效的形式保留关键先前状态。

Codex 就依赖这一机制来维持长时间运行的编码任务和迭代工具执行，而不会降低质量。容器上下文：状态与资源管理 容器不仅是运行命令的地方，也是模型的工作上下文。在容器内部，模型可以读取文件、查询数据库、在网络安全策略控制下访问外部系统。网络安全访问 网络访问是智能体工作负载的重要组成部分，但给容器无限制的网络访问存在风险。OpenAI 的解决方案是 Sidecar Egress 代理： 所有出站网络请求流经集中式策略层，强制执行允许列表（Allowlist）、实施访问控制、保持流量可观察。Agent Skills：可复用的工作流构建块 Shell 命令很强大，但许多任务重复相同的多步骤模式。Agent Skills 将这些模式打包成可复用、可组合的工作流构建块。 一个 Skill 是一个文件夹包，包含 SKILL.md（元数据和指令）以及支持资源（API 规范、UI 资产等）。结语

"语言模型的意义不仅仅是生成文本、图像和音频——我们将继续发展我们的平台，使其更能够大规模处理复杂的真实世界任务。"

Responses API 计算机环境的推出，标志着 AI 从"对话工具"向"行动智能体"的关键转变。对于搜索和 AI 领域的从业者而言，这一架构设计提供了宝贵的参考：如何将大模型的推理能力与可靠的执行环境相结合，打造真正有用的自动化系统。 原文来源：OpenAI Engineering Blog 作者：Bo Xu, Danny Zhang, Rohit Arunachalam 发布日期：March 11, 2026