OpenAI 响应 API 计算环境更新
OpenAI 已在 Responses API 中集成了计算环境，使 AI 代理能够超越纯文本生成，执行复杂的工作流。通过为模型提供 shell 工具和托管的容器工作区，平台现在可以在隔离环境中运行服务、请求 API 数据，并生成电子表格或报告等制品。
Shell 工具与执行循环
shell 工具使模型能够通过命令行界面与计算机交互，利用熟悉的 Unix 实用程序，如 grep、curl 和 awk。不同于仅限 Python 的现有代码解释器，shell 工具支持执行 Go、Java 和 NodeJS 服务器，显著扩展了可实现的代理任务范围。
通过 Responses API 编排
Responses API 充当模型与托管工具之间的编排者。要使 shell 执行生效，提示必须指定使用 shell 工具，且模型需接受过 shell 命令的训练（具体为 GPT-5.2 及更高版本）。
执行循环遵循以下流程：
- 模型提出一个或多个 shell 命令。
- Responses API 将这些命令转发给容器运行时。
- API 将输出实时流回模型。
- 模型检查结果，随后要么发出后续命令，要么给出最终答案。
为保持效率，Responses API 支持在不同容器会话中并发执行多个命令，并对每个命令的输出设定上限，以防大型终端日志占用上下文窗口。
上下文管理与压缩
为防止长时间运行的代理循环耗尽上下文窗口，OpenAI 引入了原生压缩。该系统允许模型分析先前的对话状态，并生成加密的、令牌高效的关键细节表示。
压缩实现
压缩可作为内置的服务器端功能使用，也可通过独立的 /compact 端点调用。服务器端压缩使用可配置阈值自动处理时机，使接近上下文限制的请求能够被处理并压缩，而不是被拒绝。该机制是在使用 Codex 的过程中开发并完善的，Codex 利用压缩在长时间的编码任务中维持迭代工具执行。
容器上下文与资源管理
托管容器作为模型的工作上下文，提供受控的环境用于数据操作和外部交互。
文件系统与数据库
OpenAI 提供容器和文件 API，帮助模型映射可用数据，鼓励将资源放置在容器文件系统中，而不是打包进提示。对于结构化数据，推荐使用 SQLite；模型可以获得表描述，仅查询必要的行，这比在提示中扫描整个数据集更具可扩展性和成本效益。
安全网络访问
为降低无限制互联网访问的风险，托管容器使用 sidecar 出站代理。该集中式策略层强制执行白名单和访问控制。认证方面，在出站点使用域范围的密钥注入，这意味着原始密钥值保持在模型可见上下文之外，仅在批准的目标上使用。
可复用的代理技能
代理技能让开发者能够将重复的多步骤模式打包成可复用的构件，避免模型在每次运行时都重新发现工作流。一个技能由包含 SKILL.md 文件（元数据和说明）的文件夹捆绑以及支持资源（如 API 规范）组成。
技能集成工作流
当使用技能时，Responses API 按确定性顺序执行以下步骤：
- 获取技能元数据（名称和描述）。
- 获取技能捆绑，将其复制到容器并解压。
- 使用技能元数据和容器路径更新模型上下文。
模型随后使用 shell 命令发现这些文件，并根据说明执行脚本。