出品 | 51CTO技術(shù)棧（微信號：blog51cto）

“2025年將是Agent之年，這一年，ChatGPT和我們的開發(fā)工具將從僅僅回答問題，轉(zhuǎn)變?yōu)檎嬲秊槟阍诂F(xiàn)實世界中做事。”

上周Manus通用智能體的發(fā)布之后帶火了Claude的MCP框架之后，OpenAI終于坐不住了，今天凌晨一點通過直播的形式，一口氣把自己內(nèi)部工程人員在用的Agent開發(fā)工具發(fā)布了出來。

整體直播不長，只有20分鐘，但足以讓外界從OpenAI的視角來見識一番以全球最先進的基座模型來做出來的Agent的效果。

這次直播發(fā)布了三款Agent開發(fā)工具：一系列內(nèi)置工具、一個新的API以及一個開源SDK。

最大的一個感受是：此次OpenAI演示的Agent，不同之處已經(jīng)突破了文本形式的檢索和輸出，強大的多模態(tài)理解的能力加上computer use工具，可以說打造的Agent的表現(xiàn)體驗是超過了Manus的Demo用例的。

話不多說，這就為大家總結(jié)一下。

OpenAI Agent開發(fā)者：拼湊低級API太難受了

OpenAI工程人員將Agent定義為一個能夠獨立行動、為您完成任務的系統(tǒng)。2025新年伊始，OpenAI在ChatGPT中發(fā)布了兩種Agent。第一種是“Operator”，它可以瀏覽網(wǎng)頁并為用戶在網(wǎng)絡上完成任務。第二種是“Deep Research”，它可以為你生成任何主題的詳細報告，你只需要提供一個主題，它就可以在15分鐘內(nèi)完成可能需要一周時間的研究并給出答案。

于此同時，OpenAI也推出一系列新工具，能夠讓開發(fā)者能夠輕松構(gòu)建可靠且有用的Agent。OpenAI希望將這些工具以及更多功能通過API提供給開發(fā)者。

不過在剛剛過去的3個月里，OpenAI正在與世界各地的開發(fā)者交流，探討如何讓他們更輕松地構(gòu)建代理。

而據(jù)開發(fā)者反饋，主要有兩點，一是模型已經(jīng)準備就緒。憑借先進的推理能力和多模態(tài)理解能力，我們的模型現(xiàn)在能夠完成代理所需的復雜多步驟工作流。但另一方面，開發(fā)者們表示，他們不得不拼湊來自不同來源的低級API，這不僅困難、速度慢，而且常常顯得脆弱。

因此，OpenAI做了這樣一個決定：今天把這些工具整合成一系列工具、新的API以及新的開源SDK，讓這一切變得更加容易。

內(nèi)置工具好用到絲滑：兩個search、一個computer use

開發(fā)者體驗團隊的工程師lan、API團隊的工程師Steve、API產(chǎn)品團隊人員Nick分別介紹了今天OpenAI所推出的所有內(nèi)容。

圖片

先從內(nèi)置工具說起。正如上面圖中所演示的，分別是網(wǎng)絡搜索工具Web search和文件搜索工具File search。

其中網(wǎng)絡搜索工具可以允許OpenAI的模型訪問互聯(lián)網(wǎng)上的信息，從而確保用戶的回答和輸出內(nèi)容是最新的。

據(jù)介紹，網(wǎng)絡搜索工具是為ChatGPT搜索提供動力的工具，它由一個經(jīng)過微調(diào)的GPT-4o或4o mini模型來驅(qū)動。它非常擅長從網(wǎng)絡上檢索大量數(shù)據(jù)，找出相關(guān)信息，并在回答中清晰地引用這些信息。在衡量這類功能的基準測試中，例如簡單問答的測試中，GPT-4o的得分達到了90%的頂尖水平。

圖片

而第二個工具，文件搜索工具則是Steve的最愛。去年，OpenAI在輔助API中推出了文件源工具，方便開發(fā)者上傳、嵌入他們的文檔，并輕松地在這些文檔上進行RAG操作。而今天，OpenAI則在文件搜索工具中推出兩個新功能。

第一個是元數(shù)據(jù)過濾。通過元數(shù)據(jù)過濾，用戶可以為文件添加屬性，以便輕松篩選出與用戶查詢最相關(guān)的文件。第二個是直接搜索端點。即，用戶現(xiàn)在可以直接搜索向量存儲庫，而無需讓模型填充用戶查詢。

這兩個工具可為最強搭檔，網(wǎng)絡搜索工具用于公共數(shù)據(jù)，文件搜索工具則用于私有數(shù)據(jù)。

第三個工具是計算機使用（Computer Use）工具。在API中，它被稱為operator，它允許用戶控制所正在操作的計算機。這可以是一臺虛擬機，也可以是一個只有圖形用戶界面的遺留應用程序，但用戶通常沒有API訪問權(quán)限。

如果你想自動化這類任務并在此基礎(chǔ)上構(gòu)建應用程序，就可以使用計算機使用工具，它配備了計算機使用模型。這個模型與ChatGPT中的Operator使用的是同一個模型。它在OS世界網(wǎng)絡、網(wǎng)絡航海家等基準測試中表現(xiàn)出色，早期用戶對該模型的反饋也非常積極。

新的API：足夠靈活的響應API

在開發(fā)這些工具并考慮如何推出它們時，OpenAI還從第一性原理出發(fā)，設計了最適合這些工具的API。

OpenAI在2023年3月與GPT3.5 Turbo一起發(fā)布了“聊天實現(xiàn)”功能，當時的每個API交互都只是輸入文本和輸出文本。

很快，OpenAI就引入了多模態(tài)模型，圖像、音頻也都具備了理解能力。此外，OpenAI也正在引入工具，還有像o1 Pro、Deep Research、Operator這樣的產(chǎn)品，它們在幕后進行了多次模型交互和多次工具調(diào)用。

因此，OpenAI想要構(gòu)建一個足夠靈活的API原語，它支持多輪交互，支持工具，我們稱這個新的API為“響應API”。

Steve在現(xiàn)場手搓了一個新API的Agent演示。操作非常簡單，如果你之前使用過“聊天實現(xiàn)”功能，看起來將非常熟悉：選擇一些上下文，選擇一個模型，然后得到一個回答。只需要在response字段中的補充instruction的內(nèi)容即可。

為了展示響應API的強大功能，Steve打算構(gòu)建一個個人時尚助手。

這個例子很有代表性，個人時尚助手首先肯定要了解用戶的喜好。

為此，Steve創(chuàng)建了一個向量數(shù)據(jù)庫，為了直播效果，Steve還爆料稱其中的一些條目是自己團隊成員的穿著記錄，他們?yōu)榇艘恢痹谵k公室里跟蹤人們，了解他們的動態(tài)和穿搭。

演示說明：“我們有一個完整的業(yè)務團隊在研究這個，所以我會添加文件搜索工具，并復制其向量存儲ID。在這里，我實際上可以將存儲庫中的文件篩選到與你想要的風格相關(guān)的文件。所以，我們先從ilan開始。我們將篩選到他的名字，然后返回到這里，我們會刷一下并說‘可以’。”

 不過這些數(shù)據(jù)庫里的數(shù)據(jù)也有可能是陳舊的。這時候瀏覽器工具是一個很好的方式，可以將用戶的最新的信息帶入你的應用程序。“所以為了為這個個人時尚助手創(chuàng)建一個真正好的應用程序，我們希望能夠從網(wǎng)絡上獲取最新數(shù)據(jù)，以便我們既有最新信息，也有與你的用戶真正相關(guān)的內(nèi)容。”

為了展示這一點，Steve演示了添加網(wǎng)絡搜索工具的過程。“網(wǎng)絡搜索工具真的很棒，因為你還可以添加關(guān)于你使用地點的信息。”

響應API理解起來非常簡單，因為它可以調(diào)用文件搜索工具，也可以調(diào)用網(wǎng)絡搜索工具，并且可以在一次API響應中給出最終答案。為了告訴它我們到底想要什么，讓我們給它一些指令。

比如：我們希望模型在被要求推薦產(chǎn)品時，可以使用文件搜索工具了解Kevin的喜好，然后使用網(wǎng)絡搜索工具找到他所在位置附近的一家商店，他可能會對那里感興趣。所以，我們可以回去在對話框中提示：“找一件夾克”。

這樣，模型將發(fā)出文件搜索調(diào)用，以了解Kevin過往喜歡穿什么樣的東西。然后，它將發(fā)出網(wǎng)絡搜索工具調(diào)用，以找到基于他所在位置的他可能會喜歡的東西。所以，模型能夠在一次API調(diào)用的范圍內(nèi)，找到很多Patagonia，這實際上與Kevin的偏好相符。“他一直在辦公室里穿很多Patagonia，但一個個人時尚助手如果不為你代購就不算完整。”

接下來就是重頭戲，computer use。使用計算機使用預覽模型和計算機使用預覽工具也非常簡單，見下面的現(xiàn)場操作視頻。

圖片

只需要在resonse字段中生命model為computer-use-preview模型即可。

在直播中的例子，該模型要求計算機提供一個截圖，并在這個計算機上運行一個本地Docker容器。在計算機上傳完截圖后，該API將查看計算機的狀態(tài)并發(fā)出另一個動作：點擊、拖動、移動、輸入，然后計算機將執(zhí)行那個動作。再截一個圖，把它發(fā)回模型，然后它將繼續(xù)以這種方式進行，直到它認為任務已經(jīng)完成，然后返回一個最終答案。

開源的代理SDK:更復雜的Agent怎么辦？

對于那些構(gòu)建更復雜應用程序的人來說，比如你正在構(gòu)建一個客戶支持代理，處理退款的代理應用程序，還有另一個處理客戶支持常見問題查詢的，還有處理訂單和賬單的等等。考慮到這一類的Agent，OpenAI去年發(fā)布了一個名為Swarm的SDK，Swarm使代理編排變得容易。

“這本該是一個實驗性和教育性的東西，但企業(yè)用戶中很多人都將其投入生產(chǎn)了。”

因此，在用戶的倒逼之下，OpenAI決定將Swarm打造成一個生產(chǎn)級的產(chǎn)品，增加許多新功能，并且我們將重新將其命名為代理SDK（Agents SDK）。

據(jù)開發(fā)Swarm的工程師ilan介紹，他花了很多時間與企業(yè)和建設者合作，幫助他們構(gòu)建代理體驗，并親眼看到一些簡單的想法在實際實施時會變得多么復雜。

因此，代理SDK的理念是保持簡單想法的簡單性，同時允許你以一種相當簡單的方式構(gòu)建更復雜、更健壯的想法。

初體驗上跟上面的Response API有些類似，需要定義代理，有一些指令，同樣需要文件搜索和網(wǎng)絡搜索這兩個工具。

默認情況下，該SDKh會使用Response API，但OpenAI實際上支持多個供應商，任何真正符合“聊天實現(xiàn)”功能的都可以與代理SDK一起工作。

不過問題在于，比如，你想在個人時尚代理上添加“退貨”，“訂單”等不同的業(yè)務邏輯，就會讓代理的測試變得困難。

所以，推薦還是按照“多Agent”的思路來進行設計，這樣可以真正分離關(guān)注點并分別開發(fā)和測試它們。

圖片

而在新的SDK中，已經(jīng)預置了客戶支持代理，可以支持獲取過往訂單并提交退款請求。表面上這些只是普通的Python函數(shù)，但實際上都是Swarm中非常受喜歡的功能。

OpenAI將其這些Python函數(shù)帶到了代理SDK中，并查看其類型推斷或類型簽名，然后自動生成模型需要使用的JSON模式以執(zhí)行這些函數(shù)調(diào)用。然后，一旦完成這些，Agent就可以運行代碼并返回結(jié)果。

當然，這些Python函數(shù)用戶也可以自定義。

多個代理之間如何互動通信呢？OpenAI提出了“交接”的概念，即一個代理熟悉后，然后將其傳遞給另一個代理。在幕后，你保持整個對話的完整性，只是替換指令和工具，這為你提供了一種方式來分流對話并加載正確的上下文。

所以，還需要在原有的代理之上再創(chuàng)建了一個分流代理，它可以將對話傳遞給時尚助手代理或客戶支持代理。

開發(fā)者肯定關(guān)心系統(tǒng)幕后究竟發(fā)生了什么。通常往往需要開發(fā)者手動添加一些調(diào)試語句，但代理SDK不需要，它的監(jiān)控和追蹤功能是開箱即用的，非常簡潔。

通過OpenAI的追蹤UI，可以看出剛剛每一步都發(fā)生了什么。比如：刷新了頁面；從分流代理開始，發(fā)送了一個請求，進行了交接，然后切換到客戶支持代理，它調(diào)用了一個函數(shù)；這里值得一說的是，交接在這里是一個一級對象，所以你可以看到我們實際上將它交給了哪個代理，以及它沒有選擇的其他選項，這實際上是一個非常有用的調(diào)試功能。

一旦進入客戶支持代理，你就可以看到它調(diào)用了“獲取過往訂單”函數(shù)。最后，我們得到了一個回復。

此外，代理SDK還推出了一些其他內(nèi)置的防護欄，你可以啟用它們，我們有生命周期事件，最重要的是，這是一個開源框架，所以我們會繼續(xù)構(gòu)建它，你很快就可以安裝它。

現(xiàn)在你可以通過pip install OpenAI-middle-dash-agents來安裝，據(jù)悉，OpenAI很快也會推出JavaScript版本。

One More Thing：舊API計劃停用

1.OpenAI此次引入了Response API，但“聊天實現(xiàn)”功能API并不會消失。OpenAI將繼續(xù)用新模型和能力支持它。不過后續(xù)OpenAI發(fā)布的一些需要這些功能的模型和產(chǎn)品，將僅在Response API中提供。

2.Response API的功能是聊天實現(xiàn)API支持功能的超集。所以，用戶遷移到Response API時的過程將非常簡單。

3.Assistance API即將遷移。OpenAI根據(jù)所有測試用戶提供的反饋構(gòu)建了Assistance API。“沒有在AssistanceAPI階段學到的經(jīng)驗，我們也不會走到今天。”

OpenAI將為Response API增加更多功能，使其能夠支持Assistance API所做的一切。一旦完成，該公司就會發(fā)布一個遷移指南，讓應用程序無損地從AssistanceAPI遷移到ResponseAPI。

一旦完成，OpenAI計劃停用輔助API。

最后，對于今天的深夜發(fā)布：兩個內(nèi)置工具web search/file search、一個新API（Response）、一個開源的代理SDK，大家如何看待呢？

會不會跟一些網(wǎng)友一樣，覺得有點小遺憾：為什么不是GPT5呢？

不管怎樣，從純對話的Agent到能真正用于生產(chǎn)提效率的高級自主Agent，注定會發(fā)生在2025。

直播回放鏈接：??https://openai.com/live/??

本文轉(zhuǎn)載自??51CTO技術(shù)棧??