Responses API：AI Agents的新基石
OpenAI 正在推动人工智能的边界，迈向一个以 AI Agents 为中心的未来。该公司最近为开发者推出了一款强大的新工具，旨在加速这些自主助手的创建和部署。
新推出的“Responses API”简化了 AI Agents 的开发流程，使它们能够代表用户独立执行任务。此 API 旨在成为构建由 OpenAI 复杂的大型语言模型驱动的 Agents 的基石。它计划最终取代现有的 Assistants API，后者将在未来一年内逐步淘汰。
OpenAI 的这一战略举措强调了该公司对 Agentic AI 的承诺。Responses API 使开发者能够创建具有增强功能的 Agents，特别关注信息检索和任务自动化。
增强的搜索能力：弥合知识鸿沟
Responses API 的关键特性之一是它能够为 AI Agents 配备强大的搜索功能。这些 Agents 可以利用专门的文件搜索工具深入研究公司的内部数据存储库。此外，他们还可以将搜索范围扩展到更广阔的互联网。
此功能反映了 OpenAI 最近推出的 Operator Agent。Operator 依赖于计算机使用代理 (Computer-Using-Agent, CUA) 模型，旨在简化数据输入等任务。然而，必须承认的是，OpenAI 此前曾指出，CUA 模型在操作系统内自动执行任务时偶尔会出现不可靠的情况。该模型已知会出现错误。因此，OpenAI 建议开发者，Responses API 目前处于“早期迭代”阶段，预计可靠性会随着时间的推移而提高。
模型选择：GPT-4o Search 和 GPT-4o Mini Search
使用 Responses API 的开发者有两种模型可供选择：GPT-4o search 和 GPT-4o mini search。这两种模型都具有自主浏览网络以寻找用户查询答案的能力。至关重要的是，它们还提供了支持其响应的来源引文，从而提高了透明度和可验证性。
这种网络搜索和数据检索能力至关重要。OpenAI 强调，访问开放网络和公司的专有数据集可以显著提高其模型的准确性，从而提高基于这些模型构建的 Agents 的性能。
基准测试准确性：飞跃，但并非完美
OpenAI 使用其自己的 SimpleQA 基准测试证明了其支持搜索的模型的优越性。该基准测试专门用于衡量 AI 系统的虚构率——本质上是它们生成虚假或捏造信息的频率。
结果令人信服。GPT-4o search 取得了令人印象深刻的 90% 的分数，而 GPT-4o mini search 紧随其后，获得了 88% 的分数。相比之下，新的 GPT-4.5 模型尽管参数数量更多、整体功能更强大，但在同一基准测试中仅获得了 63% 的分数。较低的分数归因于其缺乏检索补充信息的搜索功能。
然而，开发者保持现实的视角至关重要。虽然这些模型代表了重大进步，但搜索功能并不能完全消除 AI 的虚构或幻觉。基准测试分数表明，GPT-4o search 在大约 10% 的响应中仍然会产生事实错误。对于许多需要高精度 Agentic AI 的应用来说，这个错误率可能是不可接受的。
赋能开发者：开源工具和资源
尽管该技术尚处于起步阶段，但 OpenAI 正在积极鼓励开发者开始试验这些新工具。除了 Responses API 之外，该公司还发布了一个开源 Agents SDK（软件开发工具包）。该 SDK 提供了一套工具，用于将 AI 模型和 Agents 与内部系统无缝集成。它还包括用于实施安全措施和监控 AI Agents 操作的资源。
此版本建立在 OpenAI 早期推出的“Swarm”的基础上，Swarm 是一个旨在帮助开发者管理和协调多个 AI Agents 的框架，使它们能够协同处理复杂任务。
OpenAI 的战略愿景：扩大覆盖范围和采用率
这些新工具和举措与 OpenAI 扩大其大型语言模型市场份额的更广泛目标在战略上保持一致。正如 Agentic AI 初创公司 SOCi Inc. 的市场洞察总监 Damian Rollison 所指出的那样，OpenAI 此前曾采用过类似的策略，将 ChatGPT 与 Apple Inc. 的 Siri 集成到新的 Apple Intelligence 套件中。这种集成使 ChatGPT 接触到了大量新的用户。
Rollison 观察到：“新的 Responses API 为更广泛地接触和适应公众对 AI Agents 概念的可能性打开了大门，这些 Agents 可能会嵌入到他们已经使用的各种工具中。”
谨慎行事：驾驭炒作周期
虽然 AI Agents 的潜力不可否认，而且许多开发者无疑会渴望探索 OpenAI 新工具提供的可能性，但重要的是要记住，这些技术仍处于早期阶段。对于完美性能的说法，应该持健康的怀疑态度。
最近的一个例子突出了这一点。一家中国初创公司推出了一款名为 Manus 的 AI Agent，引起了轰动。早期采用者最初印象深刻，但随着该 Agent 的普及，其局限性和缺点很快变得显而易见。这提醒人们，实际性能通常落后于最初的炒作，彻底的测试和评估至关重要。
AI Agents 的未来：协作格局
AI Agents 的开发不仅仅局限于 OpenAI 的努力。一个不断发展的公司和研究人员生态系统正在积极为这个快速发展的领域做出贡献。竞争和协作都在推动创新，从而产生了各种各样的方法和解决方案。
一些公司专注于针对特定行业或任务的专用 Agents，而另一些公司则追求能够处理更广泛请求的更通用的 Agents。研究界也在探索新的架构和训练技术，以提高 AI Agents 的可靠性、安全性和伦理考虑。
主要挑战和考虑因素
随着 AI Agents 变得越来越复杂并融入我们生活的各个方面，一些关键的挑战和考虑因素也浮出水面：
- 可靠性和准确性： 确保 Agents 始终提供准确可靠的信息至关重要，尤其是在关键应用中。
- 安全和保障： 防止恶意使用和意外后果至关重要，因为 Agents 可能有权访问敏感数据或控制重要系统。
- 透明度和可解释性： 了解 Agents 如何做出决策和行动对于建立信任和问责制非常重要。
- 伦理影响： 解决潜在的偏见、公平问题和社会影响对于确保负责任的开发和部署至关重要。
- 用户体验： 设计直观且用户友好的界面以与 Agents 交互是广泛采用的关键。
- 数据隐私： 保护用户数据并确保遵守隐私法规是一个关键问题。
前进的道路：迭代和负责任的开发
AI Agents 的开发是一个持续的过程，其特点是不断的迭代、改进和学习。OpenAI 的新工具代表着向前迈出的重要一步，但它们并不是最终目的地。随着技术的成熟，持续的研究、负责任的开发实践和开放协作对于实现 AI Agents 的全部潜力同时降低潜在风险至关重要。重点必须放在创建不仅强大而且值得信赖、安全且对社会有益的 Agents 上。该领域的演变需要谨慎和有节制的方法，在创新与对道德原则和用户福祉的承诺之间取得平衡。未来几年无疑将见证进一步的进步，负责任的开发社区必须保持警惕，以指导这一变革性技术的轨迹。