01
认识智能体
系列课程概览、智能体定义与 OpenAI 智能体平台。
线上开发者训练营 · Agents 2026 年 4 月
线上开发者训练营 · Agents 2026 年 4 月
系列课程概览、智能体定义与 OpenAI 智能体平台。
Agents SDK 新进展、常见架构模式与最佳实践。
客户支持智能体演示，以及问答交流。
通过聚焦的直播课程和真实企业案例，更快从概念进入实现。
通过讲解和演示，学习可靠 AI 工作流的设计、测试与迭代。
听取 OpenAI 团队对常见构建决策和实现模式的指导。
识别现有工作流中适合引入工具与架构模式的环节。
模型实时回答用户的问题。
智能体独立开展工作，解决复杂问题。
大语言模型负责工作流执行和决策，指令明确任务。
工具用于获取上下文并采取行动；系统始终在明确定义的约束内运行。
智能体 = 模型 + 指令 + 工具 + 安全约束。
分流智能体使用客户资料工具，并把预订或退款问题交给对应专家。
agent = Agent(
name="Triage agent",
model="gpt-5.4-mini",
instructions=(
"Help the user with their questions."
"Handoff to booking agent for booking questions."
"Handoff to refund agent for refunds."
),
tools=[get_customer_data],
handoffs=[booking_agent, refund_agent],
)系统跨时间保存状态，而非一次调用后结束；基础设施因而更加复杂。
将目标拆成子任务，形成持续推理的执行循环。
需要协调 API、函数、数据库、浏览器，以及其他智能体。
设置策略约束、沙箱、访问控制和明确的人工接管协议。
保留审计日志、行动轨迹和逐步解释，理解系统如何决策。
系统行动可能带来真实后果，需要严格评估。
覆盖智能体开发的端到端平台。
简化核心逻辑与编排，借助内置工具降低构建成本。
把智能体、编排、工具和追踪接在一起，减少多套接口的整合负担。
结合可观测性、评估与优化，持续改进性能。
| 组件 | 用途 |
|---|---|
| 用户界面 | 可嵌入、可定制的界面，加快常见交互的开发。 |
| API | Responses API 面向智能体应用，包含内置工具。 |
| 编排 | Agents SDK 提供轻量而完整的智能体编排框架。 |
| 可观测性 | 自动追踪工作流，记录并检查执行过程。 |
| 优化 | 将追踪、评估与微调连接成持续改进循环。 |
由类似 Codex 的执行框架驱动；开发者决定智能体运行在哪里，例如 E2B、Modal 或 Cloudflare。
自己处理重试、认证、状态和异常；维护消息、模型接口、工具集成与上下文管理。工具越多，集成越多。
连接 SDK 后，由框架管理执行循环、工具和持久执行；复用消息处理、模型接口及上下文组件。
| 类别 | 原稿列出的内容 |
|---|---|
| 信息与计算工具 | 网页搜索、文件搜索、Shell、代码解释器。 |
| 交互与集成工具 | Skills、计算机操作、远程 MCP、函数调用。 |
| 执行与编排工具 | 联网容器、将智能体作为工具。 |
| 上下文能力 | 服务端上下文压缩、智能体记忆。 |
| 输入输出形式 | 文本；语音到语音、文本转语音、语音转文本。 |
托管 Shell 工具与 Skills API
托管 Shell 工具通过 Responses API 执行命令行任务。
每次请求使用新容器。 原稿工具标识：container_auto。
容器创建一次，随后多次执行。 原稿工具标识：container_reference。
在命令行中转换 CSV、JSON 与日志。
执行构建、测试、代码规范检查及仓库分析。
挂载文件和 Skills，运行可重复的确定性步骤。
技能包含有版本的文件包和必需的 SKILL.md；文件头定义名称、描述及使用方式。
上传一次，在需要时挂载到托管 Shell 的执行容器。
通过固定版本或默认版本，使执行过程可复现。
规划、分流、并行、回退与评估优化
将宽泛任务拆成更小、可管理的子任务。示例规划模型：gpt-5.4-mini。
跟踪依赖关系，确认当前阶段完成后进入下一阶段。示例执行模型：gpt-5.5。
规划有助于控制行为和成本，但推理模型可能优于这种显式拆解。
分流智能体判断谁更适合处理问题，示例模型为 gpt-5.4-nano。
专家拥有专门的上下文和工具，利用对应能力作答。
原稿示例专家模型：gpt-5.4-mini、gpt-5.5、gpt-5.4；各自输出回答。
任务分配器（示例 gpt-5.5）把请求拆给独立智能体。
任务分别使用自己的推理和工具；示例模型：gpt-5.4、gpt-5.4-mini、gpt-5.5。
汇总器（示例 gpt-5.4）收集结果。即使单次调用较慢，并行仍可降低总耗时。
工具或智能体失败时，框架重试或切换策略，以降低整个任务失败的概率。
原稿要求备用模型至少达到失败模型的准确性，通常选更强模型。实际选择需核对任务表现。
智能体先生成结果，原稿示例为 gpt-5.4-mini。
更强的评估模型检查输出，原稿示例为 gpt-5.5。
未通过则要求生成智能体重试，直到通过；原稿强调评估模型必须更强。
用系统评估找出失败模式；只有测试证明单模型达不到质量或安全目标，才增加智能体。
把规划、工具使用、记忆与路由视为可组合模块，覆盖更多情形。
为每个智能体定义任务契约与移交规则，减少职责重叠和级联失败。
在结构化存储中保存上下文、记忆与中间数据；每次仅传入所需片段。
使用结构校验或合理性检查验证每个外部 API 返回值。
记录决策、工具调用、重试与置信度，支持排错和持续优化。
搭建客服智能体，将不同请求交给对应专家。
实现订单、投诉与常见问题工具，并验证其输入输出。
同时使用“智能体作为工具”和分流移交。
阻止不安全或偏离主题的输入。
Q&A
智能体开发训练营 · 2026 年 4 月