案例：OpenAI Responses API 与 Agent 编排

OpenAI 在 2025 年 3 月发布了 Responses API，意图成为 Agent 编排的统一入口。如果你在做 Agent 产品，这是必须理解的架构选择——因为它代表了与 MCP 不同的另一条路。

发布前的痛点

OpenAI 之前有多套 API，各管各的：

Chat Completions API  → 对话
Assistants API        → 带工具的 Agent（2023 年发布，2025 年 deprecated）
Code Interpreter      → 代码执行
File Search           → 文档检索
Function Calling      → 工具调用

开发者要做一个 Agent，得拼接 3-4 个 API，管理多个 ID 和状态。Assistants API 虽然整合了部分能力，但 延迟高、状态管理复杂、自定义空间小。

Responses API 的设计

一个 API 统一所有能力：

response = client.responses.create(
    model="gpt-4o",
    input="分析这份 CSV 的销售数据，找出异常趋势",
    tools=[
        {"type": "code_interpreter"},           # 内置：代码执行
        {"type": "file_search",                   # 内置：文档检索
         "vector_store_ids": ["vs_abc123"]},
        {"type": "web_search_preview"},           # 内置：网页搜索
        {"type": "function",                       # 自定义工具
         "function": {
             "name": "query_crm",
             "description": "Query customer CRM",
             "parameters": {...}
         }}
    ],
    instructions="你是数据分析助手，用中文回答"
)

一个请求，模型自动决定用哪些工具、调用顺序、怎么组合结果。

内置 Tool vs MCP 路线

	OpenAI Responses API	MCP 路线
工具定义	OpenAI 格式（function schema）	MCP 标准（Tools/Resources/Prompts）
内置工具	Code Interpreter, File Search, Web Search	无（全靠 Server）
跨平台	仅 OpenAI 模型	任何 MCP Host
本地执行	不支持（云端 sandbox）	支持（stdio 本地 Server）
状态管理	API 内置（previous_response_id）	Host 自行管理
适合	快速构建、OpenAI 生态	开放生态、本地/私有部署

OpenAI 的路线是 垂直整合——工具、模型、编排全在 OpenAI 平台内。MCP 的路线是 水平开放——标准协议，任何模型和客户端都能接入。

Agent 编排的实际流程

Responses API 内部的 Agent 循环（简化）：

1. 接收 input + tools 定义
2. LLM 推理 → 决定: 直接回答 / 调用 tool
3. 如果 tool call:
   a. 执行 tool（内置 or 自定义 function）
   b. 结果追加到 conversation
   c. 回到 step 2
4. 返回最终 response（含完整的 reasoning trace）

和 MCP Harness 的 Loop Controller 本质相同，区别是 工具和编排都在 OpenAI 云端。

多步推理示例

Input: "对比 Q3 和 Q4 的销售数据，找出下降原因，写一份报告"

Step 1: [file_search] 检索 Q3/Q4 销售 CSV
Step 2: [code_interpreter] pandas 分析数据，生成对比图表
Step 3: [web_search] 搜索行业 Q4 趋势报告
Step 4: [code_interpreter] 生成 Markdown 报告
Step 5: 输出最终报告（含图表 + 分析 + 行业对比）

全程一个 API 调用，OpenAI 内部完成编排。开发者不需要写 Loop Controller。

Computer Use：更激进的 Agent

OpenAI 同时发布了 Computer Use 能力（通过 Responses API 的 computer tool）：

Agent 可以:
  - 看屏幕截图
  - 移动鼠标、点击
  - 键盘输入
  - 操作任意 GUI 应用

这和 Devin / Claude Computer Use 同类——Agent 直接操作电脑界面，而不只是调 API。

适用场景：legacy 系统（没有 API 的老系统）、跨应用自动化。

生产考量

优势

• 开发速度极快——内置工具开箱即用，不需要写 MCP Server
• 编排质量高——OpenAI 内部优化了 tool selection 和 loop 逻辑
• 状态管理简单——previous_response_id 链接多轮

限制

• Vendor lock-in——深度绑定 OpenAI 生态
• 成本不可控——多步 Agent 的 token 消耗可能很高（每步都调 LLM）
• 自定义有限——内置 sandbox，不能跑本地 MCP Server
• 延迟——云端编排，P99 延迟比本地 Harness 高

成本估算

一个 5 步 Agent 任务（GPT-4o）:
  Step 1: input 2K + output 0.5K = 2.5K tokens
  Step 2: input 4K + output 1K   = 5K tokens（含 tool result）
  Step 3: input 6K + output 0.5K = 6.5K tokens
  Step 4: input 8K + output 2K   = 10K tokens
  Step 5: input 10K + output 3K  = 13K tokens
  Total: ~37K tokens ≈ $0.15-0.30 per task

日活 1000 用户 × 每人 3 任务 = $450-900/天。Agent 编排的 token 开销是 Chat 的 5-10 倍。

选型建议

选 Responses API 如果:
  ✅ 快速 MVP，OpenAI 模型够用
  ✅ 不需要本地/私有部署
  ✅ 内置工具（Code Interpreter, Web Search）覆盖需求
  ✅ 团队不想维护 Harness

选 MCP + 自建 Harness 如果:
  ✅ 需要跨模型（Claude + GPT + 本地模型）
  ✅ 需要本地执行（私有数据、本地工具）
  ✅ 需要深度定制 Harness 行为
  ✅ 长期要控制成本和 vendor 依赖

参考资料

• OpenAI Responses API 文档
• OpenAI: New Tools for Building Agents (2025)
• Assistants API Deprecation Notice

小结

OpenAI Responses API 代表 云端一体化 Agent 编排 路线：简单、快速、但锁定 OpenAI。MCP + 自建 Harness 代表 开放生态 路线：灵活、可控、但工程量大。两条路没有绝对优劣——取决于你的产品阶段和约束。

这是目前前沿技术系列的最后一篇。回到 AI 系列目录 查看全部内容。