Responses API
PulseAugur coverage of Responses API — every cluster mentioning Responses API across labs, papers, and developer communities, ranked by signal.
12 天有情绪数据
-
OpenAI 发布 Decisions API，用于结构化 AI 代理判断
OpenAI 发布了其 Decisions API，这是一个新的端点，旨在为 AI 代理提供结构化判断，而不是对话文本。该 API 运行在 GPT-6 Luna 上，旨在通过返回概率、预定义列表中的选择或评分标准分数等特定输出来简化路由、分类和分诊等任务。该 API 定价具有竞争力，并声称比以前的响应方法快得多，新功能包括原生 JSON 输入和图像支持。
-
红队测试发现 OpenAI 代理监控系统存在漏洞
METR 和 Redwood Research 之间的一次协作红队测试，发现了 OpenAI 内部代理监控系统中的一些漏洞。为期三周的试点项目于 7 月 21 日至 8 月 11 日进行，研究人员深入访问了 OpenAI 的代码库和内部文档。研究人员估计，GPT-5.5 等模型的代理内部响应 API 流量的 75-94% 符合监控条件，但一些 RL 训练的推出未被覆盖。该测试还强调了可能绕过监控的压缩事件和代理行为的潜在问题。
-
OpenRouter 推出 Armor 以审核 AI 代理工具调用
OpenRouter 推出了 Armor，这是一种新的安全分类器，旨在执行前审核代理工具调用。Armor 位于 AI 模型和应用程序之间，根据用户定义的纯英文规则检查工具调用。虽然通常会阻止被标记的调用，但 Messages API 上 Claude 代码的特定模式仅标记潜在有害的调用，将执行阻止留给应用程序层。
-
LLM API 以不同方式报告流式 Token 使用情况
集成 LLM 的开发者需要了解流式响应中 Token 使用情况的报告方式，因为这在不同 API 之间存在差异。OpenAI 的 Chat Completions API 需要一个显式选项来包含使用情况数据，该数据在最后一个块中发送。Anthropic 的 Messages API 将使用情况信息分散在多个事件中，输入 Token 较早报告，输出 Token 则逐步报告。本教程提供了特定的 TypeScript 函数，用于正确解析和跟踪…
-
LLM输出验证：超越解析至模式符合
多篇文章讨论了对大型语言模型（LLM）输出进行稳健验证的关键需求，尤其是在生产系统中使用时。文章强调，仅仅解析JSON输出是不够的；数据还必须符合定义的模式和业务规则。文章提出了结构化输出、JSON模式验证和约束解码等技术作为解决方案，以防止常见的LLM故障，如格式错误、字段缺失或数据类型不正确。文章强调了一种分层方法，结合了提供商端的模式强制执行、应用程序级别的验证和智能重试机制，以确保下游流程数据的可靠性。
-
Meta 的 Muse Wonder API 为整个团队设置了每分钟 3,000 次请求和 400 万次令牌的速率限制
Meta 的 Muse Wonder API 已设定了每分钟 3,000 次请求 (RPM) 和每分钟 4,000,000 次令牌 (TPM) 的速率限制，这些限制按模型和团队划分，而非按 API 密钥划分。这些限制在组织内的所有密钥之间共享，意味着测试或开发活动可能会影响生产使用。该 API 提供了特定的标头，例如 x-ratelimit-\*，以帮助开发者监控剩余容量并避免遇到 HTTP 429 "请求过多" 错误，Meta 建议…
-
OpenAI 推出安全隧道，用于将私有工具与 AI 模型集成
OpenAI 推出了安全 MCP 隧道架构，旨在将私有工具连接到 ChatGPT 和 Codex 等 AI 模型，而无需将其暴露给公共互联网。该架构利用从私有网络内的客户端到 OpenAI 托管端点的仅出站连接，使 AI 模型能够安全地访问内部资源。该指南强调，此隧道主要解决网络可达性问题，并不取代对单个工具和功能进行细粒度访问控制和最小权限原则的必要性。
-
OpenAI 推出 Decisions API，采用仅输入计费
OpenAI 推出了其 Decisions API，这是一项新服务，仅对输入 token 收费，输出免费。该 API 专为需要结构化输出的任务而设计，例如分类、路由或评分，而不是生成长文本。它使用了 gpt-6-luna 模型，并承诺与传统的 LLM API 相比，在特定用例中响应速度更快、成本更低。OpenAI 声称 Decisions API 的速度大约是其 10 倍，尽管这一速度优势尚未经过准确性比较的独立验证。
-
OpenAI 的 API 函数调用方法对比
本文比较了两种将函数调用与大型语言模型集成的方法：OpenAI 的 Chat Completions API 和 Responses API。文章详细介绍了每个 API 如何处理工具定义、函数调用请求以及结果返回，强调了四步循环的重要性：声明函数、接收模型建议的调用、在应用程序代码中验证和执行调用，以及返回带有相关 ID 的结果。文章指出，模型本身不执行函数，开发人员必须实现验证、授权和结果处理，以确保响应准确。
-
OpenAI 发布 Decisions API 以实现更快的文本和图像评估
OpenAI 已推出新的 Decisions API 公开测试版，旨在比其标准的 Responses API 快约十倍地评估文本和图像。此新 API 目前仅支持结构化响应。
-
AI 工具调用解析：模型决策，代码执行
本文解释了 AI 工具调用的概念，即语言模型根据用户输入决定执行哪些函数，而不是直接运行代码。文章详细介绍了开发者如何向模型描述可用工具（具有名称、说明和输入模式的函数）。然后，模型会返回一个结构化的“工具调用”，应用程序的后端代码会执行该调用，从而使 AI 能够通过与数据库或其他服务交互来执行现实世界中的操作。
-
OpenAI推出Decisions API，实现更快、更结构化的AI分类 · 跟踪10个来源
OpenAI已推出其新的Decisions API，旨在将文本和图像快速分类为结构化输出，如是/否概率、类别选择或评分。据报道，该API比Responses API快10倍，价格为每百万输入令牌0.10美元，输出令牌免费。Decisions API旨在简化常见的AI代理任务，如路由查询、选择工具或评估输入严重性，其与传统的生成式API不同之处在于，它专注于决策输出。
-
OpenAI 发布 Decisions API 以实现实时模型和工具选择
OpenAI 已在其 Decisions API 公测版中推出，允许开发者在实时动态地选择最适合其应用程序的模型、工具或操作。这个新 API 的设计运行速度远超以往的模型，OpenAI 声称其决策速度比 GPT-6 Luna 快 10 倍。
-
模型上下文协议（MCP）提供增强的AI洞察力，但会增加Token成本
由Anthropic推出、OpenAI支持的模型上下文协议（MCP）允许AI代理访问外部工具和实时数据，以获得更具体、更有用的响应。虽然MCP增强了AI代理的能力，特别是对于像分析云支出这样的FinOps任务，但它也带来了一个权衡：增加的上下文可能导致更高的Token使用量和相关成本。为了管理这一点，系统应采用选择性的工具和数据加载，确保只为给定任务激活必要的上下文，而不是用所有可用信息压倒AI。
-
OpenAI 弃用 Assistants API，转向无状态模型构建代理
OpenAI 已弃用其 Assistants API，转向以 Responses 和 Conversations API 为中心的新的无状态模型。此更改将状态管理责任转移给开发人员，与之前的托管、持久线程系统相比，提供了更多的控制、可预测的成本和更高的性能。Responses API 中的新 file_search 工具通过处理文档分块、嵌入和索引来简化检索增强生成 (RAG)，使模型能够智能地访问私有知识并附带引用。
-
OpenAI 提供多种代理开发选项，控制级别各不相同
OpenAI 为开发代理应用程序的开发者提供了几种选项，每种选项在代理循环的控制级别上有所不同。Responses API 要求开发者完全管理循环，自行处理工具执行和状态管理。Agents SDK 在应用程序内提供了一个运行器来管理循环，但开发者仍负责部署、工具实现和状态存储。Agents API 目前处于公开测试阶段，它将循环管理、会话处理和上下文压缩的负担转移给了 OpenAI，简化了希望由 OpenAI 管理这些方面的用户的开发工作。
-
OpenAI Agents API 获得浏览器交互能力，增强自动化
OpenAI 通过引入计算机使用功能增强了其 Agents API，允许代理通过托管浏览器与网站和应用程序进行交互。此功能在 DevDay 上宣布，建立在 API 现有的管理代理工作流、工具调用和上下文压缩功能之上。开发人员仍然负责用户登录和定义代理可访问网站范围等关键方面，以确保安全和控制。
-
Ollama API 在使用 previous_response_id 时未能保留对话历史
Ollama 处理对话响应的 API 存在一个 bug，在使用 `previous_response_id` 参数时，它无法保留对话历史。API 会将带有此参数的每个请求视为一次新的、独立的交互，而不是继续对话，消耗的 token 数量与新开始一样，但会产生不正确或不相关的响应。此问题会影响本地和可能托管的模型，在涉及工具调用时，可能导致看似合理但错误的答案或空输出，由于 API 不返回错误，因此难以检测。
-
上海人工智能实验室发布 Atria Dawn Preview 代理模型
上海人工智能实验室发布了 Atria Dawn Preview，这是一款基于 744B 参数 GLM-5.2 基础模型构建的新型代理模型。该模型专为需要持续环境理解和多步问题解决的研究和工程任务而设计。Atria Dawn Preview 旨在通过整合任务目标与环境反馈，支持从问题分析到故障恢复的完整闭环，从而推动开放式问题朝着可验证和可复现的结果发展。它可用于本地部署和托管访问，并为 Codex 等工具提供了特定配置。
-
CC Switch v3.20.2 修复了 Grok 与 xAI 和 Codex 的集成
CC Switch 的最新版本 3.20.2 侧重于兼容性修复，而非重新设计。此次更新使 Grok 能够通过 xAI 的原生 Responses API 和 Codex 路由运行，解决了多个集成问题。这些问题包括处理 xAI 拒绝的工具模式、Codex 中的数据类型不匹配、多代理消息注入以及 Codex 模型版本不被识别的问题。