利用 Responses API 中的 WebSockets 加速智能体工作流

OpenAI:官网动态(RSS · 排除企业/客户案例)·2026-04-22 18:00·129天前
AI 导读

Responses API 集成 WebSockets 技术优化 Codex 智能体循环架构。通过建立持久化连接并引入连接级缓存机制,该方案显著降低 API 通信开销,有效缩短模型响应延迟。这一技术改进解决了传统请求模式下的性能瓶颈,为高频交互的智能体工作流提供更高效的实时数据传输能力。

OpenAI:官网动态(RSS · 排除企业/客户案例)
精选
78AI 编辑部评分,满分 100

利用 Responses API 中的 WebSockets 加速智能体工作流

2026-04-22 18:00· 129天前
AI 导读

Responses API 集成 WebSockets 技术优化 Codex 智能体循环架构。通过建立持久化连接并引入连接级缓存机制,该方案显著降低 API 通信开销,有效缩短模型响应延迟。这一技术改进解决了传统请求模式下的性能瓶颈,为高频交互的智能体工作流提供更高效的实时数据传输能力。

推荐理由

OpenAI 的 Responses API 引入 WebSocket 模式,把 agentic 工作流端到端延迟压低了 40%,关键不在数字而在架构上从无状态 HTTP 转向持久连接,做 agent 的团队可以认真看技术决策。

正文 · AI 翻译

当你让 Codex 修复一个 bug 时,它会扫描你的代码库寻找相关文件,读取这些文件以构建上下文,进行编辑,并运行测试来验证修复是否成功。在底层,这意味着需要来回发送数十次 Responses API 请求:确定模型的下一步行动,在你的计算机上运行一个工具,将工具输出结果发送回 API,然后重复这一过程。

所有这些请求加起来可能需要几分钟时间,用户只能等待 Codex 完成复杂任务。从延迟角度来看,Codex 智能体循环的大部分时间花在三个主要阶段:API 服务端工作(验证和处理请求)、模型推理以及客户端时间(运行工具和构建模型上下文)。推理是模型在 GPU 上运行以生成新 token 的阶段。过去,在 GPU 上运行大语言模型推理是智能体循环中最慢的部分,因此 API 服务开销很容易被掩盖。随着推理速度越来越快,智能体循环中累积的 API 开销就变得非常显著了。

在这篇文章中,我们将解释如何让使用 API 的智能体循环端到端速度提升 40%,让用户体验到推理速度从每秒 65 个 token 跃升至近 1000 个 token 的提升。我们通过缓存、消除不必要的网络跳转、改进安全堆栈以快速标记问题,以及——最重要的是——构建一种与 Responses API 建立持久连接的方法,而不是进行一系列同步 API 调用来实现这一目标。

当 API 成为瓶颈时

在 Responses API 中,之前的旗舰模型如 GPT‑5 和 GPT‑5.2 运行速度大约为每秒 65 个 token。为了推出 GPT‑5.3‑Codex‑Spark(一个快速的编码模型),我们的目标是实现一个数量级的提升:超过每秒 1000 个 token,这得益于专为大语言模型推理优化的 Cerebras 专用硬件。为了确保用户能够体验到这款新模型的真实速度,我们必须减少 API 开销。

大约在 2025 年 11 月,我们在 Responses API 上发起了一场性能冲刺,针对单次请求的关键路径延迟实现了多项优化:

  • 在内存中缓存已渲染的 token 和模型配置,以跳过多轮响应中代价高昂的 token 化处理和网络调用。
  • 通过消除对中间服务(例如图像处理分辨率)的调用,并直接调用推理服务本身,来减少网络跳转延迟。
  • 改进我们的安全堆栈,以便能够运行某些分类器来更快地标记对话。

通过这些改进,我们看到首 token 时间(TTFT)——它反映了 API 的响应速度——提升了近 45%,但这些改进对于 GPT‑5.3‑Codex‑Spark 来说仍然不够快。即使有了这些改进,相对于模型的速度而言,Responses API 的开销仍然过大——也就是说,用户必须先等待运行我们 API 的 CPU,然后才能使用为模型提供服务的 GPU。

更深层次的问题是结构性的:我们将每个 Codex 请求视为独立的,在每次后续请求中都会处理对话状态和其他可复用的上下文。即使大部分对话内容没有变化,我们仍然要为与完整历史记录相关的工作付出代价。随着对话变长,这种重复处理的开销也变得更加昂贵。

建立持久连接

为了收紧设计,我们重新思考了传输协议:能否保持一个持久连接并缓存状态,而不是通过 HTTP 建立新连接并为每个后续请求发送完整的对话历史?其思路是只发送任何需要验证和处理的新信息,并在连接的生命周期内将可复用的状态缓存在内存中。这将减少冗余工作带来的开销。

我们考虑了几种不同的方法,包括 WebSocket 和 gRPC 双向流。我们最终选择了 WebSocket,因为作为一种简单的消息传输协议,用户无需更改其 Responses API 的输入和输出格式。它对开发者友好,并且几乎不需要改动就能适配我们现有的架构。

第一个 WebSocket 原型改变了我们对 Responses API 延迟可能性的认知。Codex 团队中一位对 API 整个堆栈有深厚专业知识的工程师,通过让一个 Codex 智能体运行一整夜,拼凑出了一个原型。

在该原型中,智能体部署被建模为单个长时间运行的响应。利用 asyncio 特性,Responses API 在采样到工具调用后会异步阻塞在采样循环中,并向客户端发送一个 response.done 事件。执行完工具调用后,客户端会发回一个包含工具结果的 response.append 事件,该事件会解除采样循环的阻塞,让模型继续运行。

这里可以类比为将本地工具调用视为托管工具调用。当模型调用网络搜索时,推理循环会阻塞,调用网络搜索服务,并将服务响应放入模型上下文中。在我们的设计中,我们做了同样的事情;但不同的是,我们没有调用远程服务,而是通过 WebSocket 将模型的工具调用发送给客户端。当客户端响应时,我们将客户端的工具调用响应放入上下文中,并继续采样。

这种设计极其高效,因为它消除了智能体部署过程中重复的 API 工作。我们可以一次性完成推理前工作,暂停等待工具执行,最后再一次性完成推理后工作。

不幸的是,这是以牺牲 API 的熟悉度和简洁性为代价的,使其变得更加复杂。我们希望开发者能够接入 WebSocket 支持,而无需围绕新的交互模式重写他们的 API 集成。

在保持 API 熟悉度的同时实现增量式堆栈

对于我们发布的版本,我们切换回了一种熟悉的形态:继续使用相同主体的 response.create,并利用 previous_response_id 从上一次响应的状态延续对话上下文。

在 WebSocket 连接上,服务器会维护一个连接范围内的、内存中的上一次响应状态缓存。当后续的 response.create 包含 previous_response_id 时,我们会从该缓存中获取状态,而不是从头重建整个对话。

该缓存状态包括:

  • 上一次的响应对象
  • 先前的输入和输出项
  • 工具定义和命名空间
  • 可复用的采样产物,例如先前渲染过的 token

通过复用内存中的上一次响应状态,我们得以实现几项重大优化:

  • 让部分安全分类器和请求验证器只处理新输入,而非每次都处理完整历史记录。
  • 保留已渲染 token 的内存缓存,并持续追加新内容,从而跳过不必要的 token 化处理。
  • 在多个请求间复用我们成功的模型解析/路由逻辑。
  • 将计费等非阻塞式推理后工作与后续请求重叠处理。

目标是尽可能接近最小开销的原型,同时采用开发者已经熟悉并围绕其构建的 API 形态。

树立速度新标杆

经过两个月的冲刺构建 WebSocket 模式后,我们向几家关键的编程智能体初创公司发布了 alpha 版本,以便他们将其集成到自身基础设施中,并安全地提升流量。Alpha 用户非常喜欢这个模式,报告称其智能体工作流性能提升了高达 40%。鉴于 alpha 版的积极反馈,我们已准备好正式发布。

发布效果立竿见影。Codex 迅速将其大部分 Responses API 流量迁移至 WebSocket 模式,延迟显著降低。对于 GPT-5.3-Codex-Spark,我们达到了 1,000 TPS 的目标,并观察到高达 4,000 TPS 的突发峰值,这表明 Responses API 能够在真实生产流量中跟上更快的推理速度。其影响也迅速在开发者社区中显现:

  • Codex 迅速将其大部分流量迁移至 WebSocket。运行 GPT-5.3-Codex、GPT-5.4 及更新模型的 Codex 用户均受益于 WebSocket 模式的速度提升。
  • Vercel 将 WebSocket 模式集成到 AI SDK 中,延迟降低了高达 40%。
  • Cline 的多文件工作流速度提升了 39%。
  • Cursor 中的 OpenAI 模型速度提升了高达 30%。

WebSocket 模式是 Responses API 自 2025 年 3 月发布以来最重要的新功能之一。通过 OpenAI API 团队与 Codex 团队的紧密协作,我们从概念提出到投入生产仅用了短短几周时间。它不仅显著降低了智能体部署的延迟,还满足了构建者日益增长的需求:随着模型推理速度的加快,围绕推理的服务和系统也需要提速,才能将这些增益传递给用户。

  • 2026
  • API 平台
  • Codex

致谢

特别感谢 Responses API 和 Codex 团队,他们为创建 WebSocket 模式付出了努力。

来源:OpenAI:官网动态(RSS · 排除企业/客户案例)· openai.com