文章用Python标准库演示消费Responses的SSE流：逐行解析data事件，用delta增量打印文本，以completed事件判断回答是否完整，并设置超时与Ctrl+C取消。强调流事件只代表生成过程，片段不等于完整答案；生产环境需区分显示与完成、处理401/429、避免碎片入库，并记录首字延迟与取消率。

本文介绍用 Java 17 调用图像模型实现商品视觉问答：将图片 URL 与问题放入同一请求，要求模型区分可见事实、推断与未知。代码用 HttpClient 调用 Responses API 并解析 output_text。文章强调模型可能误读容量等信息，关键结论需人工核验，适合低风险咨询，不适用于医疗、安检等判定。

文章以Python实现只读库存Agent为例，说明函数调用中模型仅提出调用建议，实际执行由宿主程序控制。需校验工具白名单、SKU格式与参数，限制调用次数并回传call_id。重点防范提示注入、参数外带和间接副作用；写操作须具备幂等性与审批机制，并区分模型成功与任务成功。

DeepSeek新增Responses API并支持服务端web_search，简化了调用方式，替代Chat Completion API。用户只需在API请求中添加web_search工具，即可自动搜索网络信息，节省第三方搜索费用。测试示例显示，DeepSeek能回答训练数据之外的问题，如2026世界杯冠军。该功能适合新项目使用，但暂不支持会话功能，需自行维护消息历史。

AI Gateway新增WebSocket模式，支持OpenAI Responses API持久连接。用户无需每次重新发送完整上下文，只需发送新输入和previous_response_id即可继续对话。OpenAI称，在20次以上工具调用的代理场景中，端到端执行速度提升约40%。该模式兼容store=false和零数据保留，遵循OpenAI规范。

我们正在从特定任务模型转向能够处理复杂工作流的代理。通过提供计算环境，模型可以执行更广泛的任务，如运行服务和请求数据。OpenAI的Responses API结合shell工具和托管容器，解决了执行环境的问题，支持高效、安全的工作流。代理循环通过提议命令并执行，允许并行处理和输出限制，确保模型在长时间任务中保持上下文。

OpenAI的Responses API现已通过AI Gateway提供，作为Chat Completions API的现代替代方案。用户可以使用OpenAI SDK与AI Gateway连接，支持TypeScript和Python。该API支持文本生成、工具调用、结构化输出和推理功能。

OpenAI发布了Open Responses规范，旨在标准化智能AI工作流程，减少API碎片化。该规范支持开发者在专有模型与开源模型之间轻松切换，并定义了项目、推理可见性和工具执行模型等概念。通过支持多模态输入和跨提供商工具调用，简化了复杂工作流程的处理。Hugging Face等合作伙伴已早期采用该规范，推动智能开发的成熟。

OpenAI在Responses API中新增了多种工具和功能，包括远程MCP服务器支持、图像生成、代码解释器和文件搜索。这些工具提升了开发者构建智能应用的能力，并改善了可靠性和隐私性。新功能如后台模式和推理摘要也增强了用户体验，所有工具现已在GPT-4o系列和GPT-4.1系列中可用。

扎卡里·黄于5月5日发布了关于使用PocketFlow进行LLM流式响应的实用教程，旨在帮助初学者。

OpenAI推出Agents SDK，旨在简化代理任务的编排，解决能力整合的挑战。新API如Responses API及工具（网页搜索、文件搜索）提升代理任务执行效率。通过Python示例，展示了代理在多语言处理和任务分配中的应用，改善用户体验。