当前位置:首页 > 文章列表 > 科技周边 > 人工智能 > Open Responses 的 agent loop 为什么不等于 Chat Completions:输入输出对象的迁移边界

Open Responses 的 agent loop 为什么不等于 Chat Completions:输入输出对象的迁移边界

来源:17golang原创 2026-09-04 02:16:47 0浏览 收藏

把一个问答接口接进智能体后,最先暴露的问题通常不是模型回答得好不好,而是客户端只会读取一段文本。模型一旦发出工具调用,应用还要回传工具结果、保留中间状态,再接住最终回答,原来的消息数组就不够用了。

Open Responses 的变化,正是在 Responses API 的方向上把这些对象和事件纳入一个更适合代理循环的共享约定。它不是把 Chat Completions 换一个路径,而是把“模型说了一句话”扩展成“模型和工具共同完成了一次响应”。

要点速览
  • Chat Completions 以 messages 输入,通常从 choices[].message 读取结果。
  • 代理循环需要区分工具调用、工具结果、推理相关条目和最终文本,不能只拼接字符串。
  • 迁移时可保留业务工具执行器,但要新增输入适配、事件归一化和多轮状态保存。

Open Responses 把一次调用扩成什么

旧式聊天接口把一次调用想象成一组消息:用户发问,模型返回 assistant 消息。这个模型很适合单轮或固定多轮对话,却很难表达“先查数据,再调用外部工具,最后继续回答”的完整记录。

Open Responses 把响应拆成可识别的 items,并把流式输出建模为语义事件。于是同一请求里可以出现文本、工具调用、工具结果以及推理相关条目。对路由服务来说,共享 schema 还可以减少不同模型提供方之间的字段翻译。

为什么 agent loop 需要不同的响应对象

关键差别不在于 JSON 是否更复杂,而在于对象的职责不同。messages 描述聊天输入,ChatCompletion 更像一次选择结果;代理循环则要持续容纳 tool_calls、response.items、工具结果 和 agent loop 自身的状态。

对象主要职责迁移时的判断
messages回合式输入可映射到 input,但不能代表全部中间事件
tool_calls外部函数调用入口业务工具注册通常可以保留
response.items响应中的多种条目应按类型分派,而不是只取文本
工具结果回填给模型的外部信息要和对应调用身份绑定
Open Responses 中 messages、tool_calls、response.items 与工具结果在代理循环中的对象边界关系
图1:查看聊天输入边界与代理响应边界,判断工具调用和工具结果是否仍被保留在同一代理循环记录中。

因此,不能把 Open Responses 简化成“Chat Completions 的新字段”。它把工具和中间响应变成可观察对象,客户端才有机会显示正在调用什么、等待哪个结果,以及最终文本来自哪些条目。

旧 Chat Completions 代码会在哪个边界卡住

典型旧客户端只做三件事:提交 messages,读取 choices[0].message.content,把字符串交给页面。如果返回的是工具调用,content 可能为空;如果是流式响应,delta 也不等于一个完整的语义事件。

{
  "choices": [{
    "message": {
      "role": "assistant",
      "tool_calls": [{"id": "call_7", "type": "function"}]
    },
    "finish_reason": "tool_calls"
  }]
}

这段结果说明模型提出了调用请求,并不说明工具已经得到结果。若适配层看到 finish_reason=tool_calls 仍直接返回空文本,应用就会把“需要外部信息”误判成“模型没有回答”。另一方面,直接把每个流式片段拼成字符串,会丢失条目类型和调用身份。

迁移时先保留什么,再替换什么

迁移不必重写业务工具。可以继续使用原有的函数注册、参数校验和结果格式化,把变化集中在一个协议适配层:入口把消息转换成 input,出口把响应条目归一成内部事件,再由业务层决定展示文本、工具状态和审计记录。

多轮状态也不要只保存最后一段文本。若提供方返回可复用的响应标识,例如 previous_response_id,适配层应保存它;若没有,就保存足以重建上下文的条目摘要。这样下一次请求不会把已经产生的工具结果重复当成用户输入。

Chat Completions 到 Open Responses 的输入适配、事件归一化与代理状态边界
图2:查看旧接口边界、迁移适配层与代理状态边界,确认业务工具没有被协议字段变化直接耦合。

一个稳妥的内部事件模型至少区分 text、tool_call、tool_result 和 state。外部接口再怎么变化,页面和日志只依赖这组稳定语义,回滚也更容易。

用最小请求验证兼容边界

验证迁移时先别追求完整智能体。准备一个只会查询固定信息的工具,检查四个结果:请求里有 input 和 tools,响应里能识别调用条目,工具结果能回传,最后还能拿到文本条目。

{
  "model": "your-model",
  "input": "查询订单状态",
  "tools": [{"type": "function", "name": "lookup_order"}],
  "tool_choice": "auto"
}

测试记录最好保留调用身份、参数校验结果、工具返回值和最终文本四列。只看到最终文本,不能证明代理循环兼容;只看到工具调用,也不能证明结果回传成功。

最后检查流式分派:文本事件交给渲染器,工具调用交给工具层,工具结果进入下一轮上下文,状态事件进入日志。四类记录都存在,才说明适配层没有把多对象响应压扁成一个字符串。

相关问题

Open Responses 能直接替换所有 Chat Completions 客户端吗?

不能直接替换。只读最终文本的简单客户端改动较少;依赖 choices、delta 或自定义工具回传格式的客户端仍需要适配层。

迁移后还要重写工具函数吗?

通常不用。工具的参数校验、业务逻辑和返回结构可以保留,重点是把协议层的调用身份与工具结果正确对应起来。

为什么不能只保存最后一条 assistant 消息?

因为代理循环的中间条目包含调用请求和外部结果。只保存最后文本会让排查、重试和多轮续接失去必要上下文。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Chrome DevTools 如何验证页面能否命中 bfcache:Run Test 与失败原因定位Chrome DevTools 如何验证页面能否命中 bfcache:Run Test 与失败原因定位
上一篇
Chrome DevTools 如何验证页面能否命中 bfcache:Run Test 与失败原因定位
Go 1.27 压缩结果变了但还能解压吗:flate 字节一致性与语义兼容
下一篇
Go 1.27 压缩结果变了但还能解压吗:flate 字节一致性与语义兼容
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    557次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    606次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    633次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    589次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    413次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码