OpenAI 推出 Responses API 计算环境，让 AI Agent 拥有文件系统、Shell 工具和持久化容器，标志着从"模型调用"到"Agent 运行时"的架构跃迁。
从模型到 Agent：一次架构范式的转变
OpenAI 正在推动从单一模型调用到完整 Agent 运行时的转变。传统上，开发者需要自行搭建沙箱环境来运行代码、处理文件和管理状态。现在，Responses API 直接将这些能力内置到平台中，将文件处理、命令执行和状态持续连接到同一个链路中。
Shell 工具：不只是代码解释器
与仅支持 Python 的代码解释器不同，新的 Shell 工具支持多种编程语言，能够启动服务、调用 API 接口，或生成结构化输出（如电子表格和报告）。Responses API 负责编排整个流程：接收提示、组装工具指令的上下文，并处理来自 GPT-5.2 及后续模型的命令，支持流式输出反馈。
关键特性
- 并发执行：多个 Shell 会话可以同时运行，输出流被多路复用回模型
- 输出截断控制：自动截断过长的终端日志，保留开头和结尾部分，防止消耗过多 context 预算
- 流式输出：实时将执行结果反馈给模型
Agent 循环：持久化容器架构
OpenAI 设计了**托管容器（Hosted Containers）**架构——按需启动的短生命周期沙箱环境。每个 Agent 会话获得独立的隔离容器，确保一个会话中的代码执行不会影响其他会话或底层基础设施。
容器能力
- 持久化文件系统：Agent 可以读写文件，维护工作状态
- 数据库支持：推荐使用 SQLite 数据库进行动态查询，而非将整个电子表格加载到 context 中
- 受控网络访问：容器可以访问外部 API，但在安全边界内
Context Compaction：长任务的记忆管理
对于持续运行的 Agent 任务，OpenAI 实现了原生的 Context Compaction（上下文压缩） 技术。经过专门训练的模型会分析对话状态，生成加密的、token 高效的先前上下文表示。这一技术可以服务端运行（支持可配置阈值），也可以通过独立 API 端点调用。
企业级考量
OpenAI 将安全边界和执行环境一体化设计，使用 Responses API 配合 Shell 工具和托管容器进行代理执行。对于企业用户来说，评估 Agent 平台的维度正从"工具数量"转向"受控环境中的任务执行稳定性"，包括权限管理、执行隔离、可追溯性和系统弹性。
编辑点评
这次更新的核心意义在于：OpenAI 正在将 Agent 基础设施从应用层的临时方案提升为平台级原生能力。之前开发者要让 AI 执行代码，需要自己搭建 Docker、管理沙箱、处理状态持久化——这些工程投入巨大且容易出错。现在这一切被标准化了。更值得关注的是 Context Compaction 技术，它直接解决了长时间 Agent 任务中 context window 耗尽的痛点。但这也引发了一个隐忧：当越来越多的关键基础设施被锁定在 OpenAI 平台内，开发者的迁移成本和供应商依赖风险也在同步攀升。Agent 开发的便利性与平台锁定之间的张力，将是这个赛道未来的核心矛盾。
原文链接: From model to agent: Equipping the Responses API with a computer environment
