随着 GPT-5.6 的发布，我们推出了程序化工具调用（Programmatic Tool Calling），现在是时候回顾一下 Agent 工具以及随着工具使用量增长，如何让模型保持专注的方法了。
当客服 Agent 被问及订单 A-104 为何延迟时，它可能会读取订单信息、联系承运商，并解释延迟原因。这个交互过程隐藏着一个循环：模型请求一个操作，运行时执行该操作，然后返回结果。内置工具、MCP、技能、工具搜索（Tool Search）和程序化工具调用（Programmatic Tool Calling）改变了模型能看到什么以及会返回什么。
1. 工具调用基础：模型请求；应用执行
通过客户端拥有的函数，模型并不会运行你的代码。它会返回一个工具名称、JSON 参数和调用 ID。你的应用程序检查请求，运行该函数，并返回带有相同 ID 的 function_call_output。
客户端拥有的工具循环：在你的应用程序执行步骤 3 之前，不会发生任何外部操作。使用 Codex 中的 GPT-Image-2 生成。
在 Python 中，返回 function_call_output 会将控制权交还给模型：
1import json2from openai import OpenAI34client = OpenAI()56def get_order(order_id): return {"order_id": order_id, "promised_date": "2026-07-13"}78order_tool = {9 "type": "function", "name": "get_order", "strict": True,10 "description": "返回订单的承诺送达日期。",11 "parameters": {12 "type": "object",13 "properties": {"order_id": {"type": "string"}},14 "required": ["order_id"], "additionalProperties": False,15 },16 "output_schema": {17 "type": "object",18 "properties": {19 "order_id": {"type": "string"}, "promised_date": {"type": "string"},20 },21 "required": ["order_id", "promised_date"], "additionalProperties": False,22 },23}2425first = client.responses.create(26 model="gpt-5.6", tools=[order_tool], input="为什么订单 A-104 延迟了？",27 tool_choice={"type": "function", "name": "get_order"},28)29call = next(item for item in first.output if item.type == "function_call")30result = get_order(**json.loads(call.arguments))3132final = client.responses.create(33 model="gpt-5.6",34 tools=[order_tool],35 input=[*first.output, {36 "type": "function_call_output",37 "call_id": call.call_id,38 "output": json.dumps(result),39 }],40)41print(final.output_text)
这个框架会重复此循环，直到模型返回最终消息。严格的模式（Strict schemas）能保持参数格式良好；执行器（executor）仍然会检查权限。
2. 工具执行可以在不同位置运行
内置工具，包括网络搜索、文件搜索和托管 Shell，可以在 OpenAI 的基础设施中运行。一个远程 MCP 服务器可以远程暴露和运行工具；Responses API 支持这些服务器以及 OpenAI 维护的连接器，默认情况下在共享数据前会请求批准。
一个技能将指令和文件捆绑在一起。将其附加到托管 Shell 上，模型就可以遵循其流程或运行其脚本。它首先会看到技能的名称、描述和路径，然后在选中时读取 SKILL.md。
1carrier_mcp = {2 "type": "mcp",3 "server_label": "carrier",4 "server_url": "https://example.com/mcp",5 "allowed_tools": ["track_package"],6 "require_approval": "always",7}8incident_shell = {9 "type": "shell",10 "environment": {11 "type": "container_auto",12 "skills": [{"type": "skill_reference", "skill_id": "skill_..."}],13 },14}1516response = client.responses.create(17 model="gpt-5.6",18 tools=[carrier_mcp, incident_shell],19 input="使用事故处理技能调查订单 A-104 延迟的原因。",20)
这个框架统一了这些表面：MCP 暴露远程工具，技能提供流程和文件，而框架控制着调用在哪里运行。
3. 工具搜索：当上下文成为约束
每个可见的工具定义都会占用上下文。名称、描述和模式会消耗输入令牌，相似的工具会变得更难区分，而一个庞大的 MCP 目录会变成一个巨大的提示词。
工具搜索允许兼容的 GPT-5.4 或更高版本的模型仅在需要时加载延迟定义：
1shipping = {2 "type": "namespace", "name": "shipping",3 "description": "订单追踪和配送工具。",4 "tools": [{5 "type": "function", "name": "get_delivery_eta",6 "description": "返回订单的预计到达时间。",7 "defer_loading": True,8 "parameters": {9 "type": "object", "required": ["order_id"],10 "properties": {"order_id": {"type": "string"}},11 "additionalProperties": False,12 },13 }],14}1516response = client.responses.create(17 model="gpt-5.6",18 input="订单 A-104 什么时候到？",19 tools=[shipping, {"type": "tool_search"}],20)
托管工具搜索从请求中声明的工具中进行选择；客户端执行的搜索可以为当前租户或项目返回工具。搜索会增加一个步骤，所以小型目录可能收益不大。一个延迟函数仍然会暴露其名称和描述，而一个命名空间或 MCP 服务器可以以一个简短的描述开始。加载的工具会被追加以保留缓存前缀。技能延迟加载指令和文件；工具搜索延迟加载可调用的模式。
4. 用于可预测的多工具工作的程序化工具调用
直接调用会将每个结果返回给模型。当结果改变下一个决策时，这很有用，但简单的连接、过滤和并行查找可能会用代码可以缩减的数据填满上下文。
程序化工具调用允许 GPT-5.6 编写 JavaScript，并在一个全新的、隔离的 V8 运行时中运行。V8 在 Chrome 内部运行 JavaScript，但这并非浏览器或 Node.js 环境。它支持顶层的 await、循环、条件和并行调用，但不支持安装包、直接网络访问、通用文件系统、子进程、控制台或持久状态。
三次直接调用与在隔离的 V8 运行时中的三次并行调用对比。使用 Codex 中的 GPT-Image-2 生成。
当一个程序到达客户端拥有的函数时，它会在你的应用程序运行该调用时暂停；返回其 call_id 和 caller 会恢复它。carrier_mcp 也可以暂停等待批准，而 output_schema 告诉 JavaScript 它可以检查哪些字段。
1for tool in (order_tool, carrier_mcp):2 tool["allowed_callers"] = ["programmatic"]34response = client.responses.create(5 model="gpt-5.6",6 tools=[7 order_tool,8 carrier_mcp,9 {"type": "programmatic_tool_calling"},10 ],11 input="比较订单 A-104 与承运商状态，并返回延迟证据。",12)
程序可以调用函数和自定义工具、MCP、apply_patch、Shell 和代码解释器，但不能调用网络搜索或文件搜索。顶层的工具搜索必须在程序启动前加载一个延迟工具；正在运行的程序无法搜索工具。
当下一步需要模型判断、批准、引用或副作用时，请保持直接调用。当明确的规则允许代码在不丢失证据的情况下返回更小的结果时，请使用程序。托管执行改变了工作运行的位置，工具搜索改变了哪些定义进入上下文，而程序化调用改变了哪些结果被返回。当评估显示正确性得以保持，同时令牌数、延迟或成本得到改善时，可以将它们结合起来使用。
额外技巧：在单个连接上保持长时间的工具循环
如果 Agent 反复在模型和客户端拥有的工具之间切换，Responses WebSocket 模式可以减少持续交互的开销。套接字将你的框架连接到 Responses API；它并不会让工具运行得更快。它接受相同的 response.create 字段用于函数、MCP、工具搜索和程序化工具调用，尽管文档并未对每种组合进行基准测试。OpenAI 观察到，在包含 20 次或更多调用的部署中，执行速度最高可提升 40%，因此请衡量你的工作流程。
在你的 Agent 中尝试一下
获取本文的 Appshot，在 Codex 中打开你的 Agent 项目，然后粘贴以下内容：
使用本文和当前代码库来升级此 Agent 的工具路径。将大型或不常用的工具分组，并启用工具搜索来延迟加载它们。找到有边界的阶段，在这些阶段中，程序化工具调用可以并行运行调用并返回紧凑的结果。将语义决策、批准、引用和副作用保留为直接调用。在更改生产路由之前，比较两种路径在正确性、证据覆盖率、工具成功率、令牌数、延迟、重试次数和成本方面的表现。
