從提示詞到產品：Responses 一週年

一年前，我們推出了 Responses API，為開發人員和企業打造實用、可靠的智慧體奠定基礎。透過為模型配備一組託管工具，AI 得以從對話助理演進為能代你採取行動的系統。如今，Responses API 支援多種工具，協助執行智慧體式工作流程，並提供一系列全新的功能與基礎元件，專為運用能力更強的模型進行開發而設計。

如今，數以千計的開發人員正使用 Responses API 進行開發，提升客戶支援、法律、生命科學、旅遊等領域的生產力。我們已分享過這些領域的許多成功案例，今天則要介紹五則較少被提及的故事，向過去一年來運用 Responses API 開發產品的開發人員致敬。

偵測並修正 AI 智慧體的故障

作者：Raindrop AI 的 Alexis Gauba 和 Ben Hylak

工具： 自行打造的工具
模型： GPT-5.2（正在測試 GPT-5.4）

Raindrop 是全球最具雄心的 AI 公司背後的監控平台，協助它們發現智慧體何時在正式環境中失控。隨著智慧體日益複雜，這些故障的影響也越來越嚴重。

如果沒有 Responses API，打造這類監控系統會困難得多，可靠性也會大幅降低。

這套系統透過 Vercel AI SDK 使用 Responses API 執行背景分析，讓不同模型供應商之間能共用工具，並維持系統在不同環境間的可攜性。這些工作流程會找出異常行為。發生問題時，系統會向開發人員發出警示，並協助診斷根本問題。

這個平台著重於三個核心系統：

1. 智慧體行為監控
2. 故障偵測與警示
3. 供開發人員使用的調查與偵錯工具

這些系統相互配合，讓團隊能在 AI 智慧體的問題影響正式環境系統之前，發現、追蹤並修正問題。

監控架構

這個架構讓團隊能持續監控智慧體行為，並在問題發生時迅速回應。

1. 智慧體行為監控

系統會持續評估智慧體行為，判斷智慧體是否如預期運作。

開發人員可以設定條件，定義哪些結果不符合期望；當這些條件成立時，平台便能發出警示。

2. 故障偵測與警示

一旦偵測到異常，Raindrop 就會通知開發人員，並提供調查問題所需的相關上下文。

平台提供的工具可用於：

• 追蹤不同智慧體版本之間的行為變化
• 找出觸發故障的提示詞或系統變更
• 檢視推理軌跡與工具呼叫

這讓開發人員能快速找出故障的根本原因，並部署修正。

3. 調查與偵錯工具

Raindrop 也提供工具，協助開發人員診斷智慧體工作流程中的問題。這些功能讓團隊能將故障偵測的結果用於改善系統。

Raindrop AI 使用 Responses API 驅動所有長時間執行的背景分析工作流程。如果沒有它，實作這些監控系統會困難得多。

針對複雜資料的深度推理工作流程

作者：Repo Prompt 的 Eric Provencher

使用的工具： 搭配 App Server + MCP 的 Codex、網頁搜尋
使用的模型： GPT-5.3-Codex

我們使用另一個智慧體預先篩選並整理上下文，避免推理模型在規劃或審查時，因為查找上下文而浪費上下文視窗的空間。這樣一來，推理模型就能盡可能將推理能力用於完成我們的任務。

Eric Provencher 打造了一套系統，協助開發人員和研究人員深入分析大量文件、程式碼庫與資料集。

Repo Prompt 專注於上下文工程：自動收集、整理相關資訊，並將其結構化，讓推理模型能有效分析。

許多智慧體系統著重於收集資料，Eric 的架構則將上下文收集與深度推理分開。系統透過智慧體工作流程彙整相關上下文，再將篩選整理後的資訊交給專注於分析的推理模型。

平台使用 OpenAI Responses API 編排長時間執行的智慧體工作流程與推理作業，支援的工作流程包括：

• 大型程式碼庫分析與架構規劃
• 深入的程式碼審查工作流程
• 針對大量文件的研究分析
• 醫學與科學文件分析

系統以三個核心元件為基礎：建構上下文的智慧體工作流程、深度推理模型（「Oracle」工作流程），以及反覆進行研究與分析的迴圈。

1. 上下文建構智慧體的工作流程

系統的第一階段由上下文建構智慧體負責。這個工作流程會分析大型資料儲存庫，判斷哪些資訊與指定查詢相關。

智慧體透過 Responses API 使用工具與模型推理，找出相關檔案、文件之間的關係，以及資訊中的關鍵段落。

這個階段會輸出一組結構化的上下文，作為推理階段的輸入。

2. 「Oracle」深度推理工作流程

與建構上下文的智慧體不同，「Oracle」模型（也就是深度推理模型）不會呼叫工具或額外檢索資訊，而是專注於分析提供給它、已經過篩選整理的上下文。

將研究與推理分開，讓模型能將全部推理能力用於理解問題。在許多工作流程中，推理階段可以持續執行較長時間，分析所提供上下文中的複雜關係。

3. 反覆進行研究與分析的迴圈

系統也支援反覆推理的迴圈。推理模型產生輸出後，另一個智慧體可以審查結果，判斷是否需要進一步調查。

如有需要，系統會啟動下一輪上下文收集與推理。這個迴圈支援長時間的調查，讓系統逐步完善分析。

反覆執行的工作流程

這套系統仰賴 Responses API 的多項能力：

• 背景作業：執行可持續數分鐘或數小時的長時間推理任務
• 智慧體編排：協調智慧體循環，進行上下文蒐集、推理與驗證
• 可觀測性：在長時間推理工作流程執行期間，持續監控與管理

平台使用 Codex 模型蒐集相關上下文並加以結構化，再將整理好的上下文交給能力更強的推理模型，進行更深入的分析。這些能力支撐了平台的混合架構，將智慧體工作流程與深度推理模型結合起來。

為黑膠唱片收藏家打造的對話介面

作者：Collxn 的 Ash Ryan Arnwine

工具： 網頁搜尋與 16 個自訂工具
模型： GPT-5.4、GPT-5 nano

相較於打造完整的檢索增強生成系統等其他方案，Responses API 讓我覺得它確實分擔了我的工作。

Ash Ryan Arnwine 打造了 「Collxn」（可以聯想成 collection，也就是收藏），這項小巧的服務有個遠大的使命：幫助黑膠唱片收藏家重新發掘架上的收藏，並與自己的唱片互動。

收藏家經常在 Discogs 上管理龐大的收藏，有時多達數千張唱片。Collxn 會連接這些收藏資料，每天寄送一封名為「Daily Drop」的電子郵件，介紹一張不同的唱片及其音樂人的詳細資訊，幫助收藏家重溫自己已經擁有的音樂。

一邊翻找唱片、一邊提問，樂趣更多。因此，Collxn 使用 OpenAI Responses API 打造對話介面，讓使用者真的能和自己的唱片對話。

支援工具呼叫的對話介面

這個應用程式透過 Responses API 提供名為「Ask This Drop」的對話介面，讓使用者針對自己 Daily Drop 中的唱片提問。

模型已設定為可存取 Discogs API 工具，以便在回答問題時直接從 Discogs 擷取資訊。

例如，使用者可以這樣問：

• 這張唱片目前的市場價格是多少？
• 這位音樂人還發行過哪些專輯？
• 這個壓片版本有多稀有？

Ask This Drop 為 Collxn 使用者提供了與自己黑膠唱片對話的介面。

收藏家只要提問，就能獲得結合 Discogs 即時資料與個人唱片收藏上下文所生成的答案。

這種方式將靜態的唱片收藏轉化為對話體驗，並與更廣大的音樂生態系連結。

Daily Drop 與音樂人新聞

Collxn 也使用 OpenAI Agents SDK，為 Daily Drop 電子郵件中介紹的音樂人生成「近期新聞」區塊。

Collxn Daily Drop 的音樂人新聞區塊由 OpenAI Agents SDK 提供支援。

這項功能運用具備網頁搜尋能力的智慧體，尋找該音樂人的近期文章或最新動態，並將這些背景資訊加入每日電子郵件。這項新聞功能讓唱片收藏體驗能隨著外界動態不斷延伸，因此很快就成為 Beta 測試使用者最喜愛的產品功能之一。

最後，Ash 將 Collxn 遷移至 Responses API，以推出「Ask This Drop」。透過這次遷移，應用程式得以在對話工作流程中支援多步驟推理，以及內建與自訂工具呼叫。Collxn 的 Responses API 實作使用內建網頁搜尋工具，在對話中搜尋音樂人新聞；另外還有 16 個自訂工具，用於操作 Discogs API、查詢使用者的 Collxn 帳戶等用途。

Responses API 的網頁搜尋工具讓 Collxn 的「Ask This Drop」能即時查詢音樂人新聞。

Responses API 中能保留狀態的對話，也讓多輪對話互動的處理更簡單、更快速。整體而言，Ash 指出，相較於打造完整的檢索增強生成（RAG）系統，使用 Responses API 簡化了架構。

將螢幕錄影轉化為互動式產品示範

作者：Arcade 團隊的 Nick Sorrentino 與 Pawel Wszola

工具： 電腦
模型： GPT-5.2、computer-use-preview

整合由 API 驅動的內容生成後，發布示範所需的步驟減少了 50%，大幅提高了發布率與採用率。

Arcade 將大多數團隊原本就會做的螢幕錄影，轉化為精緻的互動式產品示範。團隊不必現場帶人操作產品，也不必撰寫逐步說明文件，只要將工作流程錄製一次，剩下的就交給 Arcade 處理。

平台會在背後分析錄影，自動生成操作導覽，解說每個步驟正在進行的操作。

示範生成工作流程

錄製過程如下：

1. 使用者在執行工作流程的同時錄製螢幕畫面。
2. 在桌面環境或瀏覽器中，Arcade 會直接擷取點擊、輸入與捲動等互動，記錄為結構化資料。
3. 在行動裝置上，由於 iOS 沙盒不允許應用程式擷取全系統的互動，使用者會改為錄製應用程式的一般螢幕影片。
4. 錄影會傳送至 OpenAI Responses API，由電腦工具分析影片中的畫面，推斷曾經發生的互動。
5. 系統將推斷出的動作轉換為結構化步驟。
6. Arcade 會生成解說文字與互動熱點，引導觀眾完成示範流程。

這些步驟會自動轉化為使用者看到的互動式操作導覽。

接著，結構化動作會傳送至 Chat Completions API，由它生成示範各處顯示的標題與熱點說明。使用者可以透過內建的 AI 編輯工具調整生成的文案，例如縮短或改寫文字。

將示範製作步驟減半

自動生成示範解說，大幅減少了發布產品操作導覽所需的心力。

整合由 API 驅動的工作流程後：

• 發布前所需操作次數的中位數下降了 50%
• P80 操作次數從約 230 次降至約 120 次
• 發布率與產品採用率提升

Arcade 簡化了示範製作流程，讓團隊能更快地將原始錄影轉化為精緻的互動式示範。

衡量並提升品牌在 AI 輸出中的能見度

作者：Hexagon 的 Tunde Adeyinka 與 Ramon Silva

使用工具： 網頁搜尋
使用模型： GPT-5.2 Chat

Tunde Adeyinka 和 Ramon Silva 創立 Hexagon，是為了替零售商解答一個新問題： AI 助理會如何談論你的產品？

AI 助理日益影響消費者發現產品的方式。Hexagon 協助企業監測自家品牌在 AI 生成回答中的呈現方式，並持續改善表現。

這個平台運用 OpenAI Responses API 驅動三個核心系統：

1. 回應模擬架構

Hexagon 每天執行模擬流程，評估 AI 助理如何回答產品相關問題。系統每天會生成數千則貼近真實情境的消費者提示詞、產品推薦提示詞和購物查詢，再傳送至 Responses API。系統會分析傳回的輸出，追蹤品牌在 AI 生成回答中的曝光度。

零售業客戶就能查看自家產品出現的頻率，以及這些回答隨時間發生的變化。

2. 多智慧體內容生成流程

除了提供分析功能，Hexagon 也運用 Responses API 生成經過最佳化的內容，提升品牌在 AI 回答中的曝光度。

系統採用由四個智慧體組成的架構，每個智慧體負責流程中的一個專門步驟，並將輸出傳遞到下一階段，直到完成並發布最終內容。智慧體之間透過非確定性迴圈溝通，在發布前反覆改進內容。

3. 儀表板與客戶工具

平台也包含「Hexi」，這是一款運用 Responses API 函式呼叫功能打造的聊天機器人。透過 Hexi，客戶可以用對話方式探索分析結果，並自行生成品牌在 AI 回答中的曝光度資料摘要。Hexagon 透過零售商儀表板呈現分析結果，追蹤產品在 AI 生成回答中的呈現方式。

Hexagon 運用 Responses API 的幾項關鍵能力，讓模擬貼近實際情況，並在整個產品中發揮作用：

• 網頁搜尋：重現類似 ChatGPT 啟用瀏覽功能時的回應。
• 使用者位置參數：模擬來自不同地區的查詢，測試地理位置造成的差異。
• 推理強度：控制回應的深度與複雜度。
• 最大輸出 Token 數：限制長篇輸出的回應長度。
• 上下文持續保留：在多次呼叫之間保留上下文，支援多智慧體工作流程。

Responses API 提供了更好的回應品質，也更能在多次呼叫之間持續保留上下文，這對支撐 Hexagon 平台的多步驟流程至關重要。

結語

推出一年以來，Responses API 已成為開發人員打造智慧體式軟體的核心基礎。

這五個開發人員的故事展示了實際應用的樣貌：透過多智慧體系統協調工具、偵測程式錯誤、執行工作流程，並推出由 AI 驅動的產品。

平台本身也在快速演進，提供更完善的編排能力和更豐富的工具生態系統，並陸續加入支援網路連線的 OpenAI 託管容器和 Shell 工具等新功能。

更多工具。
更多能力。
更多開發人員打造出我們其他人還沒想到的事物。

一起看看開發人員在第二年會打造出什麼。