OpenAI Responses API 電腦環境更新
OpenAI 已將電腦環境整合至 Responses API，使 AI 代理人能超越文字生成，執行複雜工作流程。透過為模型提供 shell 工具與託管的容器工作區，平台現在可以在隔離環境中執行服務、向 API 請求資料，並產生如試算表或報告等成果。
Shell 工具與執行迴圈
Shell 工具讓模型能透過命令列介面與電腦互動，使用熟悉的 Unix 工具，如 grep、curl、awk。與僅支援 Python 的現有程式碼直譯器不同，Shell 工具可執行 Go、Java 與 NodeJS 伺服器，顯著擴大可能的代理任務範圍。
透過 Responses API 的協調
Responses API 充當模型與託管工具之間的協調者。要使 Shell 執行運作，提示必須指定使用 Shell 工具，且模型必須接受過 Shell 指令的訓練（特別是 GPT-5.2 及之後的版本）。
執行迴圈遵循以下流程：
- 模型提出一個或多個 Shell 指令。
- Responses API 將這些指令轉發給容器執行環境。
- API 以近即時的方式將輸出串流回模型。
- 模型檢查結果，然後發出後續指令或給出最終答案。
為維持效率，Responses API 支援在不同容器會話中同時執行多個指令，並對每個指令的輸出設置上限，以防大量終端機日誌佔用上下文視窗。
上下文管理與壓縮
為防止長時間運行的代理迴圈耗盡上下文視窗，OpenAI 引入了原生壓縮功能。此系統讓模型分析先前對話狀態，並產生加密且具代幣效率的關鍵細節表示。
壓縮實作
壓縮可作為內建的伺服器端功能或透過獨立的 /compact 端點使用。伺服器端壓縮使用可設定的閾值自動處理時機，允許接近上下文限制的請求被處理並壓縮，而非被拒絕。此機制是透過 Codex 的使用而開發與精進的，Codex 利用壓縮在長時間的程式編寫任務中維持迭代工具執行。
容器上下文與資源管理
託管的容器作為模型的工作上下文，提供受控的環境以進行資料操作與外部互動。
檔案系統與資料庫
OpenAI 提供容器與檔案 API，協助模型映射可用資料，鼓勵將資源預置於容器檔案系統，而非塞入提示中。對於結構化資料，建議使用 SQLite；模型可取得資料表描述，僅查詢必要的列，這比在提示中掃描整個資料集更具可擴展性與成本效益。
安全網路存取
為降低不受限制的網際網路存取所帶來的風險，託管容器使用 sidecar 出站代理。此集中式政策層執行白名單與存取控制。認證方面，於出站點使用域範圍的機密注入，意味著原始機密值保持在模型可見上下文之外，僅在核准的目的地使用。
可重複使用的代理技能
代理技能讓開發者將重複的多步驟模式封裝成可重複使用的組件，避免模型在每次執行時重新發掘工作流程。技能由一個資料夾包構成，內含 SKILL.md 檔案（中繼資料與說明）以及 API 規格等支援資源。
技能整合工作流程
當使用技能時，Responses API 會遵循以下確定性流程：
- 取得技能中繼資料（名稱與描述）。
- 取得技能包，複製至容器，並解壓縮。
- 使用技能中繼資料與容器路徑更新模型上下文。
模型接著使用 Shell 指令發現這些檔案，並依照說明執行腳本。