OpenAI发布AI Agent架构决策指南

[OpenAI Learn] 构建 AI Agent 的核心概念与实践指南 周末来卷 OpenAI 官方开发者平台，学习路径系列开篇「Building agents」，重新学习这份架构决策指南，看看...

[OpenAI Learn] 构建 AI Agent 的核心概念与实践指南 周末来卷 OpenAI 官方开发者平台，学习路径系列开篇「Building agents」，重新学习这份架构决策指南，看看在每个 Agent 关键环节该选什么、为什么这么选。 developers.openai.com/tracks/buildin… # 先重新看看 OpenAI 对 Agent 的定义 一个 AI 系统，拥有指令（该做什么）、护栏（不该做什么）、工具（能做什么），能够代表用户采取行动。 只有当系统连接到外部系统、并能基于用户输入采取行动时，才能称之为 "Agent"。三个要素缺一不可： · 指令（Instructions）：行为目标 · 护栏（Guardrails）：行为边界 · 工具（Tools）：行为能力 # 模型选择：推理模型 vs 非推理模型 1. 推理模型：先"思考"（思维链）再作答，形成假设→验证→精炼；适用于规划、数学、代码生成、多工具工作流 2. 非推理模型：更快、更便宜；适用于高频对话、简单任务、延迟敏感场景 推理模型是用延迟和成本换取可靠性的 tradeoff。文档给出的实践建议很务实——从 GPT-5.6 等旗舰模型开始实验，简单场景降级到轻量版本，复杂任务则调高 reasoning_effort 参数。 # 核心逻辑：Responses API vs Agents SDK Responses API：OpenAI 的旗舰核心 API，为推理模型设计，默认有状态（服务端自动管理对话历史，无需客户端存储上下文）。灵活但需要自己编排一切。 Agents SDK：构建在 Responses API 之上的轻量框架，自动处理 Agent 循环、护栏、追踪，还能接入外部模型提供商。 取舍建议：SDK 抽象掉复杂性，代价是细粒度控制变难。想快速起步或构建多 Agent 网络用 SDK；想完全掌控底层逻辑用 Responses API。 # 工具系统：Agent 的价值所在 "Agent 只有在能行动时才有用"。工具分两类： 自定义工具（Function Calling）：多步流程——你定义函数签名 → 模型决定调用并给出参数 → 你在自己侧执行 → 结果回传 → 模型生成后续响应。 内置工具（Built-in Tools）：模型决定调用后在 OpenAI 基础设施上自动执行，结果直接进入上下文，你无需任何操作。文档列出的内置工具矩阵： · Web Search：解决训练数据截止日期问题，一行代码接入 · File Search：托管版 RAG——文档详细解释了自建 RAG 的复杂性（分块、嵌入、向量库、检索、重排序），然后指出 File Search 把这一切托管掉了 · Code Interpreter：让模型写并执行 Python，结合了 LLM 的生成能力与代码执行的确定性，支持文件输入输出（如分析电子表格、生成图表） · Computer Use：让模型像人一样操作界面（点击、填表），这是唯一需要你自己执行的"内置"工具——模型给出建议动作，你在真实/虚拟环境执行后回传截图，形成视觉反馈闭环。适用于没有 API 可用的服务 · Image Generation：对话内生成/编辑图像 · MCP：接入任意托管 MCP 服务器 经验法则：内置工具能满足就先用内置，需要自定义逻辑才上 Function Calling。 # 编排：多 Agent 的决策框架 编排 = 管理多步骤、工具调用、Agent 间交接、护栏和上下文的对话流。 Agents SDK 的四个核心原语： · Agent：模型 + 指令 + 工具 · Handoff：当前 Agent 可交接给的另一个 Agent · Guardrail：过滤不良输入的策略 · Session：跨运行自动维护对话历史 关于多 Agent 协作，OpenAI 的建议非常克制： 多 Agent 不应该是默认方案，只应在任务互不重叠、且存在以下情况时考虑：指令非常复杂冗长、或工具数量庞大（或跨任务存在相似工具）。 原因很实际：把任务 A 和任务 B 的工具全塞给一个 Agent，它可能混淆——在该用 B 工具时用了 A 工具。正确模式是路由 Agent 模式：一个路由 Agent 作为用户主接口，判断任务类型后交接给专门的 Agent。同理，重推理任务可以拆给高推理模型 Agent，主 Agent 用便宜快速的模型。 多 Agent 的三个正当收益：关注点分离（研究/起草/质检分开）、并行化（端到端更快）、聚焦评估（按各自目标分别打分）。实现上推荐"agent-as-tool"（把一个 Agent 暴露为另一个 Agent 的可调工具），并通过 conversation_id 共享记忆。 # 示例用例：三种交互范式 1. 支持 Agent（Responses API）：Human-in-the-loop，人类可接受/拒绝 Agent 建议 → 优化可控性 2. 客服 Agent（Agents SDK）：多 Agent 网络协作处理客户请求 → 优化复杂任务可靠性 3. 前端测试 Agent（Computer Use）：单次输入自动测试前端应用 → 优化自动化程度 选择取决于场景：来回交互优化速度，复杂任务优化可靠性，高频规模化使用优化成本。 # 最佳实践：对不确定性的工程化管理 "Agent 本质上是不可预测的——这是 LLM 的天性"，然后从两端给出对策： 输入端护栏：防越狱、防无关输入烧钱。可以简单到提示词里一句话（"不回答与 X/Y/Z 无关的问题"），也可以复杂到多步护栏系统——取决于风险承受度和规模。 输出端控制： · 结构化输出（Structured Outputs）：只要输出要被程序消费（而非仅展示给用户），就用 JSON Schema 严格约束输出形状。这是工程可靠性的基石。 · 输出护栏：面向用户的场景防止模型说出违规内容——文档举了个生动的例子：汽车公司不希望模型告诉客户"可以 1 美元买车且具有合同约束力"。 💬 0 🔄 0 ❤️ 1 👀 253 📊 1 ⚡