1 年前、私たちは Responses API を発表しました。開発者や企業が、役に立つ信頼性の高いエージェントを構築するための基盤です。モデルにホスト型ツール群を備えることで、AI はチャットアシスタントから、ユーザーに代わって行動できるシステムへと進化しました。現在、Responses API はエージェント型ワークフローを支えるさまざまなツールに加え、より高性能なモデルを使った開発のために設計された新しい機能や基本要素を提供しています。
現在、数千人の開発者が Responses API を活用し、カスタマーサポート、法務、ライフサイエンス、旅行など、さまざまな分野で生産性を高めています。これまでも各分野の成功事例を数多く紹介してきましたが、今回は、この 1 年間 Responses API で開発に取り組んできた開発者たちの、まだあまり知られていない 5 つのストーリーに光を当てます。
AI エージェントの不具合の検出と修正
著者：Raindrop AI の Alexis Gauba、Ben Hylak
ツール： 独自開発のツール
モデル： GPT-5.2（GPT-5.4 をテスト中）
Raindrop は、世界でも特に意欲的な挑戦を続ける AI 企業を支える監視プラットフォームです。本番環境でエージェントが想定外の動作をしたときに、それを検出します。エージェントが複雑になるにつれて、こうした不具合はより深刻な問題になっています。
Responses API がなければ、このような監視システムの構築ははるかに難しく、信頼性も大きく下がっていたでしょう。
このシステムは Vercel AI SDK 経由で Responses API を使い、バックグラウンドで分析を実行します。これにより、異なるモデルプロバイダー間でツールを共有し、環境をまたいだシステムの移植性を保っています。これらのワークフローは、通常とは異なる動作を検出します。問題が発生すると、システムは開発者にアラートを送り、根本にある問題の診断を支援します。
このプラットフォームは、次の 3 つの中核システムを中心に構成されています。
- エージェントの動作監視
- 不具合の検出とアラート通知
- 開発者向けの調査・デバッグツール
これらのシステムを組み合わせることで、チームは本番システムに影響が及ぶ前に、AI エージェントの問題を発見、追跡、修正できます。
監視アーキテクチャ
このアーキテクチャにより、チームはエージェントの動作を継続的に監視し、問題が発生した際に迅速に対応できます。
1. エージェントの動作監視
システムはエージェントの動作を継続的に評価し、想定どおりに動いているかを判断します。
開発者は望ましくない結果を示す条件を設定でき、プラットフォームはその条件が満たされたときにアラートを発することができます。
2. 不具合の検出とアラート通知
異常を検出すると、Raindrop は開発者に通知し、問題の調査に必要な関連コンテキストを提示します。
このプラットフォームは、次の用途に対応するツールを提供しています。
- エージェントのバージョン間での動作の変化の追跡
- 不具合を引き起こしたプロンプトやシステムの変更の特定
- 推論トレースとツール呼び出しの調査
これにより、開発者は不具合の根本原因をすばやく特定し、修正をデプロイできます。
3. 調査・デバッグツール
Raindrop は、開発者がエージェントのワークフローにおける問題を診断するためのツールも提供しています。これらの機能により、チームは不具合の検出をシステムの改善につなげることができます。
Raindrop AI は、長時間実行されるすべてのバックグラウンド分析ワークフローに Responses API を使用しています。これがなければ、こうした監視システムの実装ははるかに難しくなります。
複雑なデータを対象とした深い推論のワークフロー
著者：Repo Prompt の Eric Provencher
使用ツール： App Server + MCP と連携する Codex、ウェブ検索
使用モデル： GPT-5.3-Codex
計画やレビューの際に、リーズニングモデルがコンテキストを探し回ってコンテキストウィンドウを浪費しないよう、私たちは別のエージェントであらかじめコンテキストを選別・整理しています。これにより、リーズニングモデルは推論能力をできる限りタスクの解決に充てられます。
Eric Provencher は、開発者や研究者が大量のドキュメント、コードベース、データセットを深く分析できるよう支援するシステムを構築しました。
Repo Prompt は、コンテキストエンジニアリングに重点を置いています。関連情報を自動的に収集、整理、構造化し、リーズニングモデルが効果的に分析できるようにします。
多くのエージェントシステムがデータの収集に重点を置く一方、Eric のアーキテクチャでは、コンテキストの収集と深い推論を分離しています。エージェントのワークフローで関連するコンテキストを集め、選別・整理した情報を、分析だけに集中するリーズニングモデルへ渡します。
このプラットフォームでは、OpenAI Responses API を使って、長時間実行されるエージェントのワークフローや推論ジョブを統括しています。用途には次のようなものがあります。
- 大規模なコードベースの分析とアーキテクチャの計画
- 詳細なコードレビューのワークフロー
- 大量のドキュメントを対象とした調査・分析
- 医療・科学文書の分析
このシステムは、コンテキストを構築するエージェントのワークフロー、深い推論を行うモデル（「Oracle」ワークフロー）、調査と分析を反復するループという 3 つの中核要素で構成されています。
1. コンテキスト構築エージェントのワークフロー
システムの最初の段階を担うのは、コンテキストを構築するエージェントです。このワークフローは大規模なデータリポジトリを分析し、与えられたクエリにどの情報が関連するかを判断します。
エージェントは Responses API を通じてツールとモデルの推論を活用し、関連ファイル、ドキュメント間の関係、情報の重要な部分を特定します。
この段階では、構造化されたコンテキストのパッケージが出力され、推論段階への入力となります。
2. 「Oracle」による深い推論のワークフロー
コンテキストを構築するエージェントとは異なり、「Oracle」モデル（深い推論を行うモデル）はツール呼び出しや追加の情報取得を行いません。代わりに、選別・整理して渡されたコンテキストの分析だけに集中します。
調査と推論を分離することで、モデルは推論能力のすべてを問題の理解に充てられます。多くのワークフローでは、推論段階を長時間実行し、与えられたコンテキスト内の複雑な関係を分析できます。
3. 調査と分析を反復するループ
このシステムは、推論を反復するループにも対応しています。リーズニングモデルが出力を生成した後、別のエージェントが結果をレビューし、追加調査が必要かどうかを判断できます。
必要に応じて、システムはコンテキストの収集と推論のサイクルをもう一度開始します。このループにより、分析を段階的に精緻化しながら、長時間にわたる調査を進められます。
反復型ワークフロー
このシステムは、Responses API の次の機能を活用しています。
- バックグラウンドジョブ：数分から数時間にわたる長時間の推論タスクを実行
- エージェントのオーケストレーション：コンテキストの収集、推論、検証を行うエージェントのループを連携
- オブザーバビリティ：長時間にわたる推論ワークフローを実行中に監視・管理
このプラットフォームは Codex モデルで関連するコンテキストを収集・構造化し、整理したコンテキストをより高性能なリーズニングモデルに渡して、さらに深く分析します。こうした機能によって、エージェントのワークフローと深い推論を行うモデルを組み合わせたハイブリッドアーキテクチャを実現しています。
アナログレコードのコレクター向け対話型インターフェース
執筆：Collxn の Ash Ryan Arnwine
ツール： ウェブ検索と 16 個のカスタムツール
モデル： GPT-5.4、GPT-5 nano
検索拡張生成システムを丸ごと構築するような方法と比べると、Responses API は自分の仕事を肩代わりしてくれるように感じました。
Ash Ryan Arnwine が開発した 「Collxn」（collection、つまりコレクションをイメージした名前）は、小さなサービスながら大きな使命を掲げています。アナログレコードのコレクターが、すでに棚にあるレコードを再発見し、レコードと対話できるようにすることです。
コレクターは Discogs で膨大なコレクションを管理していることが多く、レコードが数千枚に及ぶこともあります。Collxn はそのコレクションに接続し、「Daily Drop」というメールを毎日送信します。毎回異なるレコードに焦点を当て、アーティストの情報とともに紹介することで、コレクターがすでに持っている音楽を再び楽しむきっかけを作ります。
レコードをめくりながら気になったことを質問できれば、楽しさはさらに広がります。そこで Collxn は OpenAI Responses API を使い、ユーザーが文字どおり自分のレコードと会話できるチャットインターフェースを実現しています。
ツール呼び出しを備えた対話型インターフェース
このアプリは Responses API を使い、「Ask This Drop」というチャットインターフェースを提供しています。ユーザーは Daily Drop で紹介されたレコードについて質問できます。
モデルには Discogs API ツールへのアクセスが設定されており、質問に回答する際に Discogs から直接情報を取得できます。
たとえば、次のような質問ができます。
- このレコードの現在の相場はいくらですか？
- このアーティストはほかにどんなアルバムをリリースしていますか？
- このプレス盤はどのくらい希少ですか？
Ask This Drop は、Collxn のユーザーが自分のアナログレコードと会話できるチャットインターフェースです。
コレクターは質問するだけで、Discogs のリアルタイムデータと自分のレコードコレクションのコンテキストを組み合わせて生成された回答を受け取れます。
この仕組みにより、静的なレコードコレクションが、音楽を取り巻くより広い世界とつながる対話の場に変わります。
Daily Drop とアーティストニュース
Collxn は OpenAI Agents SDK も使い、Daily Drop のメールで取り上げるアーティストの「最新ニュース」セクションを生成しています。
Collxn の Daily Drop のアーティストニュースセクションは、OpenAI Agents SDK によって実現されています。
この機能では、ウェブ検索を使うエージェントがアーティストに関する最近の記事や最新情報を探し、その情報を毎日のメールに追加します。レコード収集の体験を外の世界の動きと結びつけるこのニュース機能は、ベータ版ユーザーの間で、たちまち特に人気の高い機能のひとつになりました。
最終的に Ash は、「Ask This Drop」の提供を開始するために Collxn を Responses API に移行しました。これにより、対話型ワークフローでの多段階の推論に加え、組み込みツールとカスタムツールの呼び出しにも対応できるようになりました。Collxn の Responses API 実装では、Discogs API の操作やユーザーの Collxn アカウントへの問い合わせなどを行う 16 個のカスタムツールに加え、組み込みのウェブ検索ツールを使って、チャット内でアーティストのニュースを検索しています。
Collxn の「Ask This Drop」では、Responses API のウェブ検索ツールによって、アーティストのニュースをリアルタイムで検索できます。
Responses API の状態を保持する会話機能により、複数ターンにわたるチャットのやり取りも、よりシンプルかつ迅速に処理できるようになっています。Ash は全体を振り返り、検索拡張生成（RAG）システムを丸ごと構築する場合に比べて、Responses API を使うことでアーキテクチャを簡素化できたと述べています。
画面録画からインタラクティブな製品デモへの変換
執筆：Arcade チームの Nick Sorrentino と Pawel Wszola
ツール： コンピューターの使用
モデル： GPT-5.2、computer-use-preview
API によるコンテンツ生成を組み込むことで、デモの公開に必要な手順が 50% 減り、公開率が大幅に向上し、利用も大きく広がりました。
Arcade は、多くのチームがすでに行っている画面録画を、洗練されたインタラクティブな製品デモに変えます。その場で製品の使い方を説明したり、手順をひとつずつ文書化したりする代わりに、ワークフローを一度録画するだけで、あとは Arcade に任せられます。
内部では、プラットフォームが録画を分析し、各ステップで何が起きているかを説明する操作ガイドを自動生成します。
デモ生成のワークフロー
録画時の流れは次のとおりです。
- ユーザーがワークフローを実行しながら画面を録画します。
- デスクトップやブラウザでは、Arcade がクリック、文字入力、スクロールなどの操作を構造化データとして直接記録します。
- モバイルでは、iOS のサンドボックスにより、アプリがシステム全体の操作を記録できません。そのため、ユーザーは代わりにアプリの画面を通常の動画として録画します。
- 録画は、コンピューターの使用ツールを指定した OpenAI Responses API に送信されます。ツールは映像のフレームを分析し、どのような操作が行われたかを推定します。
- システムは、推定された操作を構造化されたステップに変換します。
- Arcade は、デモを見る人を案内する説明文と、操作できるホットスポットを生成します。
これらのステップが自動的に、ユーザーに表示されるインタラクティブな操作ガイドになります。
構造化された操作は次に Chat Completions API に渡され、デモの各所に表示されるタイトルやホットスポットの説明文が生成されます。ユーザーは組み込みの AI 編集ツールを使って、文章を短くしたり書き換えたりするなど、生成された文面を調整できます。
デモ作成の手間を半減
デモの説明文の作成を自動化することで、製品の操作ガイドを公開するまでの手間が大幅に減りました。
API を使ったワークフローの導入後、次のような成果が得られました。
- 公開までに必要な操作回数の中央値が 50% 減少
- 操作回数の P80 が約 230 回から約 120 回に減少
- 公開率が向上し、製品の利用が拡大
Arcade はデモ作成プロセスの手間を取り除くことで、チームが未編集の録画を洗練されたインタラクティブなデモに仕上げるまでの時間を大幅に短縮しました。
AI の出力におけるブランド露出の測定と改善
執筆：Hexagon の Tunde Adeyinka と Ramon Silva
使用ツール： ウェブ検索
使用モデル： GPT-5.2 Chat
Tunde Adeyinka と Ramon Silva は、小売企業が直面する新たな問いに答えるために Hexagon を設立しました。それは、 AI アシスタントは自社の商品をどのように紹介しているのか？という問いです。
AI アシスタントが商品との出会いに与える影響が大きくなるなか、Hexagon は、企業が AI の生成する回答で自社ブランドがどう取り上げられているかを把握し、継続的に改善できるよう支援しています。
このプラットフォームでは、OpenAI Responses API を使って、次の 3 つの中核システムを動かしています。
1. 回答シミュレーションのアーキテクチャ
Hexagon は、AI アシスタントが商品に関する質問にどう答えるかを測定するため、シミュレーションパイプラインを毎日実行しています。システムは、消費者が実際に入力しそうなプロンプトや商品のおすすめを求めるプロンプト、買い物に関するクエリを毎日数千件生成し、Responses API に送信します。返された出力を分析することで、AI が生成する回答でのブランドの露出を追跡します。
これにより、Hexagon を利用する小売企業は、自社の商品が回答に登場する頻度と、その回答が時間とともにどう変化するかを確認できます。
2. マルチエージェントによるコンテンツ生成パイプライン
Hexagon は分析に加え、Responses API を使って、AI の回答でブランドの露出を高めるために最適化されたコンテンツを生成しています。
このシステムは 4 つのエージェントで構成されています。各エージェントがパイプライン内の専門的な工程を担当し、出力を次の段階に渡すことで、最終的なコンテンツの制作と公開まで進めます。エージェント同士は非決定的なループを通じてやり取りし、公開前に改善を繰り返します。
3. ダッシュボードと顧客向けツール
このプラットフォームには、Responses API の Function Calling を使って構築されたチャットボット「Hexi」も組み込まれています。顧客は Hexi との会話を通じて分析結果を掘り下げ、AI の回答での露出に関するデータの要約を自分で生成できます。Hexagon は、AI が生成する回答で商品がどう取り上げられているかを追跡する小売企業向けダッシュボードで、分析結果を提供しています。
Hexagon は、製品全体でシミュレーションを現実に即した有用なものにするため、Responses API の次の主要機能を活用しています。
- ウェブ検索：ChatGPT と同様に、ブラウジングを使った回答を再現します。
- ユーザーの位置情報パラメーター：さまざまな地域からのクエリをシミュレーションし、地域による違いを検証します。
- 推論強度：回答の深さと複雑さを制御します。
- 最大出力トークン数：長文を出力する際に、回答の長さを制限します。
- コンテキストの保持：呼び出し間でコンテキストを維持し、マルチエージェントのワークフローを可能にします。
Responses API によって、回答の品質が向上し、複数の呼び出しにわたるコンテキストの保持も強化されました。どちらも、Hexagon のプラットフォームを支える複数段階のパイプラインに欠かせない要素です。
おわりに
登場から 1 年で、Responses API は、エージェント型ソフトウェアを開発する人々にとって中核となる構成要素になりました。
今回紹介した 5 組の開発者の事例は、その具体的な姿を示しています。マルチエージェントシステムでツールを連携させ、バグを検出し、ワークフローを実行しながら、AI を活用した製品を世に送り出しています。
プラットフォーム自体も急速に進化しています。オーケストレーションが改善され、ネットワーク機能を備えた OpenAI ホスト型コンテナやシェルツールなどが加わり、ツールのエコシステムもさらに充実しています。
ツールが増えます。
できることが広がります。
そして、私たちがまだ思いついていないものを作る開発者が、さらに増えていきます。
2 年目に開発者が何を生み出すのか、見届けましょう。