OpenAI 在 Responses API 之上构建了一个托管计算环境，结合 shell 工具与容器工作区，使模型能以受控方式执行命令、读写文件、访问网络和并行任务，从而将模型升级为能处理真实世界复杂工作流的代理。该系统还提供输出截断、并发会话、与内建的上下文压缩（compaction）以支持长期、多步骤和状态化流程，降低开发者自行搭建执行环境的复杂度与安全风险。
概述
– 目标：把单步模型能力扩展为可执行复杂工作流的代理，避免让开发者自行搭建执行环境和状态管理。
– 组成：Responses API + shell 工具 + 托管容器工作区 + 可选结构化存储（如 SQLite）+ 受限网络访问。
Shell 工具
– 模型只负责提出命令，实际执行由平台在隔离容器中完成。
– 基于类 Unix 工具（grep、curl、awk 等），比仅运行 Python 的解释器更通用，支持运行 Go/Java/NodeJS 等。
代理循环与编排
– 流程：模型决定动作 → Responses API 接收 shell 命令 → 容器运行并流式返回输出 → 输出作为下一轮上下文。
– 支持并发：模型可在一步中提出多个命令，API 可并行在多个容器会话中执行并复用流式输出。
– 输出控制：支持为每个命令设定输出上限，返回保留开头与结尾的截断结果以节省上下文。
上下文压缩（Compaction）
– 问题：长时间、多步任务会耗尽上下文窗口。
– 方案：模型训练用于生成压缩项，将重要状态以加密、节省 token 的表示保留在后续上下文中。
– 部署方式：服务器端自动压缩或独立 /compact 端点，允许配置阈值并在接近限制时处理而非直接拒绝请求。
安全与可用性考量
– 隔离运行容器与受限网络访问，避免直接暴露主机或任意网络权限。
– 平台接管重试、超时、文件存放与并发管理，降低用户实现成本与安全面试负担。
适用场景与价值
– 生成大型报告或表格而无需把大表粘入 prompt。
– 运行服务、调用内部 API、并行搜索/验证数据等复杂工程任务。
– 加快可重复、可伸缩且更安全的生产级代理部署。
限制与注意事项
– 模型需被训练为提出 shell 命令（文中提及 GPT‑5.2 及以后模型支持）。
– 输出截断和压缩机制依赖正确设置以免丢失关键信息。
结语
– 通过把执行环境与 Responses API 集成，OpenAI 提供了一个更可控且工程化的路径，把模型从纯推理工具推进到能处理长期、多步骤、带状态的代理系统。
这是把模型能力工程化为可运行代理的重要一步，但依赖模型训练与平台边界设计，实际安全与信息完整性需谨慎评估。